João Moura sobre agentes de IA e automação

5.4K views
•
May 16, 2024
by
Sandeco
YouTube video player
João Moura sobre agentes de IA e automação

TL;DR

Agentes de IA usam modelos de linguagem para escolher ações e ferramentas ao executar tarefas, como pesquisar uma empresa que pode se tornar cliente. Enquanto automações convencionais seguem regras previamente definidas, agentes podem decidir durante a execução se precisam investigar mais, adaptando os próximos passos às informações encontradas. Essa flexibilidade permite lidar com situações em que o caminho da tarefa não está totalmente definido de antemão.

Transcript

mas João explica pra galera aí porque assim a audiência aqui do canal é uma audiência bem diversificada a gente tem muitos profissionais de várias áreas né nos grupos do canal aqui a gente tem 4500 4500 pessoas nos grupos aqui e tem gente de todo tipo né todas as áreas de conhecimento não só na área de desenvolvimento mas também a gente tem um grup... Read More

Key Insights

  • Modelos preditivos usam relações entre variáveis conhecidas para estimar uma variável desconhecida.
  • Modelos de linguagem tentam prever o próximo token considerando os tokens anteriores da sequência.
  • Exemplos de texto ajudam modelos de linguagem a captar nuances de uso, contexto e combinação de palavras.
  • Respostas coerentes de modelos de linguagem podem dar a impressão de ponderação entre alternativas.
  • Agentes usam modelos de linguagem para escolher ações e ferramentas ao executar tarefas recebidas.
  • Pesquisar uma empresa interessada em um serviço é um exemplo de tarefa que pode ser atribuída a agentes.
  • Uma descoberta durante a pesquisa pode levar o agente a buscar informações adicionais sobre o assunto.
  • Automações com agentes permitem decisões durante a execução, conforme as informações encontradas.

Explore YouTube Video Summarizer or Get YouTube Transcript Extractor

Questions & Answers

Q: O que é um agente de IA baseado em um modelo de linguagem?

Um agente de IA baseado em um modelo de linguagem usa esse modelo para escolher ações enquanto executa uma tarefa com ferramentas disponíveis. João Moura descreve essa combinação a partir da capacidade do modelo de produzir respostas que indicam escolhas entre alternativas. Ao receber uma tarefa, o agente pode decidir pesquisar uma informação e, depois, avaliar se precisa aprofundar a busca. O exemplo apresentado é investigar uma empresa que preencheu um formulário de interesse comercial. O caminho da investigação pode mudar conforme os resultados encontrados, sem exigir que todas as etapas estejam previamente determinadas.

Q: Como os modelos de linguagem preveem o próximo token?

Modelos de linguagem são apresentados como modelos preditivos que consideram os tokens anteriores para tentar prever o próximo token de uma sequência. João Moura relaciona esse funcionamento à ideia geral de usar informações conhecidas para estimar uma informação desconhecida. Nesse caso, o contexto anterior fornece a base para continuar o texto. Ele explica que a exposição a muitos exemplos de texto ajuda o modelo a captar nuances de linguagem, combinações de palavras e contextos de uso. A produção de frases com sentido claro também permite formular respostas que parecem escolhas razoáveis entre alternativas.

Q: Qual é a diferença entre agentes de IA e automações convencionais?

Automações convencionais são descritas como processos com entradas e regras bem definidas. Um exemplo é receber informações sobre uma empresa e aplicar uma condição relacionada à quantidade de funcionários para determinar a ação seguinte. Já uma aplicação com agentes pode decidir seus próximos passos durante a execução, dependendo do conteúdo recebido e das descobertas feitas. Na investigação de um possível cliente, o agente pode avaliar se vale a pena pesquisar e se algum resultado merece aprofundamento. Essa flexibilidade permite tratar casos diferentes sem definir previamente uma sequência específica para cada situação.

Q: Como um agente de IA pode pesquisar uma empresa que é um possível cliente?

Um agente pode receber a tarefa de investigar uma empresa que preencheu um formulário demonstrando interesse em contratar um serviço. No exemplo de João Moura, o agente decide pesquisar a empresa no Google. Durante a busca, encontra uma informação sobre a participação dessa empresa em um fórum. A partir dessa descoberta, pode decidir fazer outra pesquisa para entender o que ela falou naquele evento. O ponto central do exemplo é que a segunda investigação surge da informação encontrada na primeira, permitindo adaptar o percurso da tarefa ao caso concreto.

Q: Por que as ferramentas são importantes para os agentes de IA?

Ferramentas permitem que o agente execute as ações escolhidas pelo modelo de linguagem para cumprir uma tarefa. Na explicação de João Moura, não basta atribuir uma tarefa ao modelo: também é necessário disponibilizar ferramentas para realizá-la. O exemplo concreto é a pesquisa no Google sobre uma empresa interessada em um serviço. O modelo indica que deve pesquisar, e a ferramenta permite realizar essa busca. As informações obtidas podem então orientar outra decisão, como investigar a participação da empresa em um fórum. Assim, as ferramentas fazem parte da execução das escolhas do agente.

Q: Por que um modelo de linguagem pode parecer capaz de pensar?

Um modelo de linguagem pode parecer capaz de pensar porque produz frases coerentes e respostas que aparentam ponderar alternativas. João Moura usa o exemplo de perguntar ao ChatGPT se uma alternativa é melhor que outra. Segundo sua explicação, o entendimento das relações de linguagem permite ao modelo formular uma escolha que parece razoável. Ele descreve essa impressão como uma espécie de capacidade de cognição, usando ressalvas na própria fala. Os agentes aproveitam essa capacidade aparente para indicar ações, escolher caminhos e decidir se uma informação encontrada justifica continuar investigando.

Q: Como um agente decide aprofundar uma pesquisa durante a execução?

Um agente pode decidir aprofundar uma pesquisa a partir das informações que encontra enquanto executa a tarefa. No exemplo apresentado, a busca inicial sobre uma empresa revela sua participação em um fórum. Essa descoberta motiva uma nova busca sobre o que a empresa falou naquele contexto. João Moura destaca que a aplicação pode avaliar, na hora da execução, se encontrou algo interessante e se vale a pena pesquisar mais. A explicação ilustra uma decisão dependente do resultado anterior, mas não apresenta uma regra detalhada ou um critério específico para medir o interesse de cada descoberta.

Q: Que tipo de tarefa pode se beneficiar da flexibilidade dos agentes de IA?

Tarefas cujo percurso depende de informações ainda desconhecidas podem se beneficiar da flexibilidade descrita para os agentes de IA. A investigação de uma empresa que pode se tornar cliente é o exemplo apresentado: o conteúdo recebido e os resultados da pesquisa influenciam quais ações fazem sentido em seguida. João Moura contrasta esse funcionamento com automações que exigem entradas e condições previamente definidas. Com agentes, a aplicação pode decidir durante a execução se deve pesquisar, continuar investigando ou aprofundar um assunto encontrado. Essa abordagem amplia as possibilidades de automação quando não se conhece antecipadamente o caminho de cada caso.

Summary & Key Takeaways

  • João Moura apresenta modelos preditivos como sistemas que usam variáveis conhecidas para estimar uma desconhecida. Nos modelos de linguagem, a previsão busca o próximo token a partir dos tokens anteriores.

  • Agentes combinam modelos de linguagem, tarefas e ferramentas. No exemplo apresentado, um agente pesquisa uma empresa interessada em contratar um serviço e decide aprofundar a investigação conforme os resultados.

  • Automações convencionais usam entradas e regras bem definidas. Agentes permitem escolhas durante a execução, como avaliar se uma descoberta merece outra pesquisa e ajustar o percurso às informações recebidas.


Read in Other Languages (beta)

Share This Summary 📚

Explore More Summaries from Sandeco 📚