Fred Pericini
Co-fundador da Agência F2F, Engenheiro de Produção pela UFSCAR, empreendedor com mais de 10 anos de experiência em Marketing Digital, foi consultor na McKinsey, diretor comercial do Groupon Brasil e Groupon China.
EP 03
O que é preciso para termos IAs Proprietárias
Discute como a deep tech brasileira está revolucionando o mercado com modelos de IA proprietários.
05 mar 2025 
CONVIDADO
Marcellus Amadeus
AMADEUS*AI
Transcrição do episódio
Olá, tudo bem? Nós somos do AI First Cast, o primeiro podcast nacional brasileiro voltado para discussão de aplicação de inteligência artificial nos negócios. E eu estou aqui com meu companheiro de guerra, Filipe Xavier.
É isso aí, mais um episódio. E hoje a gente tem um convidado muito especial. E como vocês sabem, aqui a nossa tradição é não apresentar, então a gente deixa que ele mesmo fale dele. Bola contigo.
Tudo bem, sou Marcellus Amadeus. Alguns chamam de Marcellus, outros de Amadeus, mas eu represento a minha empresa que se chama Amadeus. E o nome veio primeiro, tá? Caso você pergunte. Eu trabalho com inteligência artificial há mais de 10 anos. Então, sou especialista na parte de inteligência artificial que se cruza com linguagem. Então, a gente chama de processamento de linguagem natural, que é o que está famoso hoje em dia. Tenho uma empresa chamada Amadeus, que é uma empresa deep tech brasileira que constrói modelos de linguagem proprietários para outras empresas. Então, costumo brincar que a gente constrói AI das empresas de AI. E tive a oportunidade de ser CTO de uma outra startup por muito tempo também, fiz muitos projetos enterprise, estou atuando nesse ecossistema de AI, startups, projetos enterprise desde 2014 e acho que tem muita coisa para a gente conversar sobre isso. Nossa, legal!
Com certeza. Fredão, A gente, né, começou esse nosso sonho de trazer isso aqui para realidade e a gente começou a discutir os nomes. Você trouxe o nome do nosso convidado e quando você contou o que ele fazia, era já uma disruptura do que a gente achava possível para o cenário nacional.
Exatamente, né? E por que uma disruptura?
Porque uma disruptura, vamos lá, porque olha, é Muita gente acredita que a América Latina só consegue competir a nível de aplicação. Isso não é novo na inteligência artificial, na verdade isso sempre foi assim, né? Desde software as a service, a gente só discute em termos de aplicação enquanto os modelos proprietários e esse tipo de aplicação mais profunda sempre ficou na mão de big techs ou Estados Unidos ou China ou até Europa. Então assim, eu tenho investido em tecnologia proprietária há muitos anos, então sempre foi uma tese das empresas que eu participei. Isso sempre foi difícil de defender, os investidores nunca acreditaram nisso, mas Depois de vários anos, isso sempre se paga. Só que eu tive o privilégio de poder aplicar isso, estudar isso e investir nisso por muito tempo. E hoje trazer tecnologia proprietária para mim é uma coisa óbvia para as coisas que eu faço. Ela se paga sempre no final. Se você pensar, todas as empresas que são grandes ou que trazem valor ou que impactam a vida das pessoas, desde uma NASA até uma Amazon são baseadas em tecnologia proprietária. E aí, quando você tem essa nova onda de AI, de LLMs e etc., eu vejo isso como uma oportunidade de democratizar a tecnologia proprietária.
Então, nunca esteve tão fácil de você personalizar os seus próprios modelos e você começar dentro da sua empresa a ter uma base de tecnologia. Quando a gente fala de AI no core, Eu não acredito que é só usar AI em tudo que você puder. Eu acho que AI no Core, para mim, é você construir algo que é seu, que envolve usar AI onde você puder, mas você começa a personalizar aquilo para ter a sua cara baseado em AI. Não é a tecnologia, é o que você está construindo.
E só para pôr em perspectiva, né, você que está chegando aí com a gente, a gente tem aqui a missão de discutir aplicação de inteligência artificial. Qual que é a nossa visão? A nossa visão é que se divide em camadas. A inteligência artificial tem uma camada da infraestrutura, tem uma camada dos modelos, ChatGPT, Gemini, e tem uma camada da aplicação dos modelos, né? Até então, a crença é de que o game no Brasil tá na aplicação dos modelos para resolver dores reais de negócio. E o Marcellus Amadeus, ele vem aqui para dizer para nós que nós estamos errados, que na real dá para desenvolver sim, dá para participar do game na segunda camada, que é desenvolvendo modelos, ou seja, GPTs da vida aqui no Brasil.
Já fizemos, né?
É, eu acho que assim, a camada do meio ela é um pouco mais ampla do que se parece, porque construir modelos fundacionais de fato é um jogo para poucos e custa muito caro. Apesar do custo para isso tá sendo cada vez menor, mas ainda a gente tá falando de a partir de 10 milhões de dólares, só de infraestrutura, sem contar as pessoas. Então ainda é um jogo para poucos, mas 10 milhões de dólares globalmente não são tão poucos assim. Tanto é que todo dia surge aí, ah, Emirados Árabes, China, países na Europa, Índia, todos estão começando a fazer modelos do zero. Então esse que é o modelo fundacional. Mas aqui no Brasil a gente ainda não tem as condições necessárias para fazer um modelo fundacional, em termos de recursos, a gente sabe fazer, a gente tem pessoas que sabem fazer, mas a gente consegue fazer adaptações disso. Então, quando você tem um modelo open source que é muito bom e que bate de frente com os modelos closed source, por exemplo, os modelos da Meta, os Llamas, né, eles são quase tão bons quanto os que você paga $200 por mês para usar. E você pode personalizar eles para você, para o seu negócio e não ter que mais pagar um pedágio de volume, isso realmente é uma coisa que muda o jogo.
Porque até então a gente tinha os distribuidores big techs, a OpenAI veio para mudar o jogo. A gente tem que lembrar que a OpenAI era o outlier, foi a pessoa que começou essa disrupção e que falou assim: Não, tem startups que sim precisam de alguns bilhões, mas que conseguem bater de frente com empresas que são top global desde sempre. E agora isso tá indo para as camadas mais baixas, por assim dizer. E aí, todo esse investimento em open source permite que empresas no Brasil façam modelos em português competitivos o suficiente para você não ter que usar as alternativas nos Estados Unidos. E eu acho que essa é a parte que realmente mudou tudo.
E é aí que você está hoje. Então, é como se a Amadeus tivesse essa… Tivesse não. Ela é o democratizador para as empresas que querem soluções em AI para aumentar a eficiência dos seus negócios.
Exato. Só que assim, não é porque você precisa de um carro que você vai construir um carro. Certo? Então assim, você usa OpenAI e a sua conta se paga no final do dia, o que não é tão comum, mas para algumas empresas a conta se paga. Você não precisa de um modelo proprietário. Modelo proprietário não é uma coisa que você receita para qualquer um.
Para quem?
Para quem que é?
Quando você precisa de— Eu acho que tem duas circunstâncias. A primeira é: está pagando muito caro Acho que essa é a primeira mais importante. Está muito cara a sua conta do Gemini, da OpenAI, porque com essas empresas você paga um custo variável de acordo com o uso. Quando você tem seu próprio modelo, o custo é fixo, porque você só paga o servidor que ele está hospedado. Então, muda drasticamente o valor. Só que para você desenvolver o modelo não é barato. Então, se você paga $5.000, $10.000, $15.000, Você pode começar a pensar no modelo proprietário. E o segundo caso é performance. Se a OpenAI ou Gemini ou whatever tá te atendendo, se ele tem uma qualidade aceitável, também não é uma coisa que você deveria se preocupar, porque o seu foco tá em trazer ROI, em fazer valor de negócio. Então eu geralmente indico esses dois cenários: ou performance ou custo. Caso contrário, não é uma coisa que todo mundo deveria fazer, porque vai envolver desenvolvimento e mais importante de tudo, infelizmente não há uma garantia de que você consegue um modelo tão bom. A gente tem que lembrar que essas empresas investiram bilhões.
Você acha que a segurança da informação também é um dos motivadores para a empresa fazer seu modelo proprietário?
É, mas eu acho que isso é relevante para uma empresa muito, muito grande ou muito específica, por exemplo, um banco. Porque assim, digamos que você usa o Google Cloud como seu provedor de cloud e aí você tem acesso a um Gemini Enterprise. Você tá duvidando da privacidade do Google? Então assim, Não é um argumento muito bom, sabe? Dizer que o Google está roubando os meus dados se eu usar o AI deles. Então, você parece mais paranoico do que outra coisa. E a gente não… Os termos de uso da ferramenta dizem que os seus dados não são usados. Então, seria a mesma coisa dizer que o Google está mentindo, sabe? Então, é complicado de você justificar isso. Agora, se você é um banco que roda servidores locais, ou sei lá, tem alguma outra justificativa, talvez possa fazer sentido.
Desenvolver um modelo proprietário para uma empresa grande, global, gira na ordem de grandeza de quanto?
E quanto tempo leva também o desenvolvimento? Acho que é uma… Vou fazer essa dúvida aqui.
Depende dos dados, principalmente. Então, a maior parte do tempo a gente gasta organizando os dados. Porque a gente até pouco tempo atrás falava muito sobre transformação digital, né? E é difícil encontrar alguma empresa que terminou a transformação digital, mas todo mundo diz agora que tem o data lake e não sei o quê. Então assim, supostamente as empresas estão cheias de dados, mas não são esses dados que a IA usa, não desse jeito pelo menos. Então você precisa ou gerar dados ou reformatar os seus dados. Portanto, não é uma coisa que é plug and play. Ah, eu tenho o maior data lake que você imaginar. Depende do que você vai querer criar em cima disso. Então, a gente passa por essa organização de dados que pode levar até 6 meses. Então, no melhor cenário, a gente leva 1 ano para criar um modelo proprietário. Mas lembra que assim…
O investimento total mais ou menos de quanto?
Varia. De R$700 mil, R$1 milhão a alguns milhões.
Ainda assim é um projeto para grandes empresas.
Grandes empresas. Reais, estamos falando reais ou dólares?
Reais.
Eu não estou considerando infraestrutura.
Pessoal, você que está aqui assistindo a gente, a gente tem a missão de promover a discussão e a gente trouxe um cara aqui que estudou em Stanford, que trabalha com AI, Deep Tech. Então, o papo de hoje é para a gente aprender muito sobre o modelo, sobre a parte mais técnica da coisa. Então, se você é um executivo de uma grande empresa e você está na dúvida: devo ou não estimular a minha empresa a ter um modelo de inteligência artificial proprietário. O que esse executivo tem que avaliar para tomar essa decisão?
A pergunta é essa aqui: qual é o potencial de ganho a partir da adoção de uma solução AI?
Bom ponto. Normalmente, você tem uma redução drástica de custo. Então, é o principal motivador de negócios no final do dia. Você impacta normalmente na performance também. Então, a ideia é que o modelo fique melhor. E assim, não é como se não desse para você fazer esse processo, chama fine-tuning, né? Então, esse processo de ensinar mais coisas para uma IA que está pronta. Não é como se não desse para você fazer isso com modelos como o da OpenAI. Existem as ferramentas que a própria OpenAI disponibiliza para você modificar o modelo do jeito que você quiser. Mas você tem que lembrar que você está num lock-in. Então, você está modificando e aperfeiçoando um modelo que não é seu e nunca vai ser seu. Você vai continuar usando ele para sempre. O que também…
Não necessariamente isso é um problema.
Não necessariamente é um problema. Então, quando você, por exemplo, ah, eu sou parceiro da Google Cloud e eu vou usar todos os serviços da Google Cloud que eu puder, você está criando um lock-in você mesmo que você não vai mais sair da Google Cloud. Não necessariamente é um problema, mas é curioso porque a gente tem algumas empresas nos Estados Unidos voltando para on-premises, por exemplo, porque a cloud está ficando tão cara e tão complexa que algumas empresas, às vezes apps ou plataformas, estão voltando a ter os próprios servidores. Então, tudo isso é um ponto do ponto de vista de estratégia. Eu acho que o ponto aqui é: O que que você tá tentando resolver?
Qual é a dor, né?
Porque eu me lembro muito bem quando a gente desenvolvia só software, depois machine learning e agora AI generativa. E é sempre assim, essas coisas são ferramentas. No que que você quer usar elas? Você não pode ter uma ferramenta à procura de um problema, é o inverso. Então não é eu quero usar AI generativa, Não queira usar AI generativa, queira ter uma lista de problemas bem definidos no qual você pode usar AI generativa. Então assim, esse é o ponto. Se você está numa situação hoje que o seu billing da OpenAI está muito caro, o Gemini está muito caro, ou ele não está atendendo certo os seus use cases, aqui está errando muito, está alucinando, o que é uma coisa que eu acho que honestamente a maioria das empresas no Brasil nem chegou nessa etapa.
É.
Não chegou nem na etapa do billing e nem na etapa de dizer isso aqui, pô, no longo prazo isso aqui não funciona do jeito que eu esperava. Porque quando a gente coloca modelos de machine learning em produção, aparecem tantas exceções ao longo do tempo e a generativa não é diferente de qualquer coisa de machine learning ou qualquer coisa parecida que teve no passado. E eu vejo muitas pessoas redescobrindo coisas. Então, em machine learning a gente tinha ferramentas de monitoria, de controle de qualidade, de observabilidade. E agora a gente tá redescobrindo tudo isso. Nossa, colocou em produção, eu preciso prestar atenção? Ele não se resolve sozinho? Sim. Ah, eu preciso dar manutenção para sempre? Sim. AI é um filho, você vai cuidar dele para sempre. Ele não é como um software, e isso é importante. AI não é software. Software você faz e ao longo do tempo, se você não mexer, Ele é igual. Ele fica com menos bugs. AI não. Você vai ter manutenção para sempre, você pode criar novas coisas que você não previu. Então, assim, os ganhos têm que valer a pena. Então, se você é um executivo, voltando à pergunta, que está hoje com um billing muito alto de AI, que são raros casos, ou que você está numa performance ruim, e nisso eu acho que o executivo pode ter um pouco de dificuldade, Porque a pressão é tão grande para as empresas colocarem GenAI que alguns times podem estar vendo as coisas de forma muito otimista.
E aí pode estar mascarado, por boa intenção ou por má intenção, quais são realmente as limitações, onde não está dando certo. Então, o que eu quero dizer é que muitos projetos podem ter tido muitos empurrões para parecerem bons e às vezes não são tão bons. Então, para o executivo é difícil de ter essa visibilidade e é por isso que a gente tem que insistir em ter visão das coisas, de ter controle de qualidade, de ter muitos testes e aí ver o que não está dando certo. Se você tiver muitos casos ou no seu caso, então eu estou atendendo hoje, por exemplo, uma health tech e eles querem fazer uma parte de agendamentos de exames, etc. Então assim, começa a entrar nomes muito específicos, aí já não começa a performar tão bem porque é um domínio muito específico em português. Então esses casos, por exemplo, também podem tirar proveito de você ter um modelo seu.
Sim, mas para mim fica muito claro, a grande dica é, cara, tem fases iniciais de adoção de AI que não faz sentido o desenvolvimento de um modelo. Você tem que estar com o billing alto, ou seja, você tem que estar com a conta muito alta ali no GPT, no Gemini, para começar a ter essa discussão. Então assim, cara, tem um campo enorme.
Ou muito insatisfeito com alguma coisa.
Mas até eu vou tentar Amadeus, fazer uma coisa, porque talvez tenham muitos executivos que ainda não estão nesse jogo de já ter alguma coisa rodando. Você falou uma coisa que me dá um insight aqui que eu gosto. Problema. Todos os executivos têm muitos problemas. Dá para listar 3 problemas que seriam os 3 maiores para atacar com AI que os resultados são melhores?
Acho que sim. Bom, eu vou focar em AI generativa, que é o assunto do momento, né? Então assim, contextos em que você mantenha supervisão humana, esse é um. Então assim, você não substitui ninguém, você ainda tem uma pessoa ali Mas essa pessoa pode ser potencializada. E aí, como? Aí entra no ponto 2. Qualquer coisa que tenha a ver com gerar conteúdo. Então, a IA generativa, ela gera coisas, né? Tem gente querendo fazer de tudo com IA generativa. Ah, predição. Ah, sei lá, recomendação. Ela não serve para isso. Existem ótimos algoritmos de recomendação, existem ótimos algoritmos de predição, E N coisas. AI generativa. Então, o que você precisa gerar, principalmente de texto, e aí gerar inclui qualquer coisa. Então assim, desde uma coisa simples de você expandir uma frase até você gerar um documento. Uma coisa que eu tenho usado muito é para gerar rascunho de tudo. Então eu coloco um prompt para dar uma ideia do que eu tô querendo fazer e gera alguns bullets e falou, me ajude a expandir isso. E aí tem supervisão humana. Então a primeira coisa, supervisão humana. A segunda é tarefas em que você gera coisas, vídeos, imagens, o que for.
E a terceira é você, o humano envolvido, ele precisa saber qual é o certo. Então assim, existe hoje um debate muito grande em ferramentas de auxiliar programadores. Eu honestamente acredito que a AI prejudica os programadores júnior, porque eles geram código que eles não conseguem dizer se está certo. Entende? Agora, quando você é sênior, você sabe que o código está certo.
A maturidade já deixou você ali ter o conhecimento necessário. Esse é um insight excelente.
Aliás, eu quero aproveitar então esse insight. E talvez a pergunta é mais até para você, Felipão. AI é uma tecnologia para quem já está posicionado no mercado e tende a desfavorecer os júniores por falta de bagagem ou não?
Não, eu creio que não. Eu acho que é o contrário e eu gosto desse insight do Amadeus. Eu acho que em determinadas situações ela vai ser necessária, a maturidade para definição do certo, mas o gatilho e aceleração de eficiência é para todo mundo. E eu tenho exemplo dentro de casa. Eu tenho uma estagiária que ela traz coisas com uma qualidade que em outros tempos uma sênior não me traria, porque ela sabe utilizar num nível e eu prefiro pedir coisas para ela hoje do que no passado eu pediria para uma outra pessoa que já tinha mais tempo de casa do que ela. Porque ela sabe como usar e onde usar.
Olha isso que interessante, gente. O CMO da GE Healthcare está dizendo que a estagiária dele, ou seja, uma pessoa iniciando no mercado de trabalho, dá outputs que antigamente um sênior dava.
Exatamente.
Então, o caráter transformacional da tecnologia está escancarado. Pessoas iniciando conseguem dar uma entrega muito superior se dominarem a tecnologia.
A busca pelo conhecimento faz a diferença, e você busca conhecimento há muito tempo em AI. Você tá na frente de muita gente há bastante tempo. Quando começou a sua busca? Por que que você viu AI há mais de 10 anos como uma coisa que te faria Tá num lugar diferente hoje?
Bom, eu acho que quando eu entrei na faculdade, eu comecei, eu entrei na Federal do ABC em neurociência. E para mim sempre foi um tópico interessante, sabe? Entender como, clássico, entender como as pessoas funcionam. E eu sempre fui estimulado pela minha mãe a entender coisas científicas. Então eu sempre tive esse interesse por ciência. E aí fazer essa autoanálise de como eu funciono, como os outros funcionam, sempre foi interessante para mim. Então fui estudar neurociência. E aí neurociência ainda está longe, mas naquela época estava 10 anos mais longe do que está hoje. Sempre pareceu um campo muito distante. Então assim, a gente está muito longe ainda em neurociência. Neurociência tem 150 anos. Pensa, matemática tem milhares. Então, AI, e eu estudei neurociência computacional, então é basicamente como é que seu cérebro se organiza computacionalmente para ele ser tão eficiente, né? Você vê, ah, o ChatGPT, ele gasta o equivalente a cidades de energia elétrica, e o seu cérebro gasta o equivalente a uma bateria de lítio desse tamanho. Essa é a diferença de eficiência entre um e outro. E aí a gente estudava mais ou menos por que que isso acontece, como o cérebro se mapeia, etc.
E aí nessa época eu já tinha aula de inteligência artificial, então a faculdade já tava até, já era até pioneira nesse sentido. E aí eu vi inteligência artificial como uma oportunidade de explorar. Inteligência artificial, já haviam o que a gente chama de algoritmos bioinspirados. Redes neurais são algoritmos bioinspirados, existem outros, Mas é inclusive graças a isso o Prêmio Nobel de Física foi para cientistas que ajudaram no desenvolvimento dessas redes neurais, porque são coisas bioinspiradas. A inteligência artificial era uma oportunidade de eu colocar em prática. Eu sempre senti essa necessidade de ter algo tangível, sabe? Em neurociência eu dificilmente ia conseguir ter algo tangível na época. E aí você programa e o negócio meio que funciona sozinho. Então, era como criar um cérebro rudimentar. E aí, por conta das aplicações que eu via na época, então eu trabalhava em agência de publicidade, na época eu fazia UX design, que para mim foi um caminho meio natural, meio que de UX design para data scientist, depois data scientist para machine learning engineer, porque eu fui cada vez mais fundo em como que eu faço o negócio. Então aí era uma oportunidade de aplicar. E aí eu senti a necessidade de pôr a mão na massa e fazer alguma coisa.
Em neurociência tinha pouco espaço para isso, acho que ainda tem pouco espaço para isso. Então na época, como eu trabalhava em agência, eu lidava muito com questões de atendimento, de relatórios, de criação, e tudo isso envolve texto. E aí foi quando eu comecei a aplicar comecei a estudar, na verdade, processamento de linguagem natural, que também era muito rudimentar na época. A gente falava muito em palavras separadas, palavras-chave, e tinha vários métodos estatísticos em cima de palavras, contagem de palavras, era tudo muito primitivo. E fui, então assim, culminou em AI com linguagem, mas porque era o que dava para eu aplicar ali, basicamente. E aí, com os anos, eu fui me aprofundando. E tudo isso é muito interessante para mim, porque linguística também era um assunto que eu tinha interesse, e que eu depois eu fiz outros cursos e me especializei mais. Porque é uma coisa interessante de se pensar, né? Porque pensa, o ChatGPT, por que que ele fala parecido com a gente? Sendo que ele só tá contando palavras e prevendo a próxima palavra. Será que é assim que a gente pensa linguagem? Sabe, você começa a meio que olhar o robô no espelho e tentar entender se é você que você tá olhando.
Se a gente conseguiu fazer um robô que fala como um humano através desse método, é esse método que o cérebro usa?
Será? É meio assustador, né? E aí eu queria emendar te perguntando, a AI ela tem consciência? Explica para mim como funcionam os cálculos da IA generativa de uma maneira, óbvio, tranquila, para me responder se tem ou não tem consciência a AI.
Tá, eu acho que o meu background de neurociência vai ajudar um pouco nessa questão. Quando eu tava na faculdade, Houve uma carta aberta de algumas centenas de neurocientistas ao redor do mundo, e essa carta aberta alegava que eles acreditavam que os animais tinham consciência. Não é estranho isso? Não é óbvio isso? Então assim, a maior parte do tempo a gente acreditou que só os humanos tinham consciência. E aí, há pouco tempo, a gente começou a acreditar que os animais também têm consciência. O que, se você interagiu com animais antes, fica um pouco óbvio. Então assim, a definição de consciência, ela ainda é muito complexa. O que que é consciência, né? A gente tem na neurociência algumas características, mas, por exemplo, você saber de você mesmo. Que é o self-awareness. Você sabe que você existe, então talvez isso— mas se isso for uma definição de consciência, muitos animais não sabem que eles existem, mas significa que eles não são conscientes? Então assim, é muito difícil de você responder essa pergunta sobre consciência. E até o famoso teste de Turing foi criado para você determinar se uma máquina tem consciência. E esse teste foi criado antes da palavra inteligência artificial existir.
Então assim, é um teste muito antigo, mas hoje é mais claro, pelo menos na neurociência, que animais têm consciência, algum tipo, né? Então na verdade consciência não é uma coisa que você tem ou não tem, ele é uma escala. Então você pode ter a consciência mais rudimentar, que possivelmente plantas têm, então As plantas, elas conseguem se expandir e olhar ao redor e se curar e crescer e às vezes formar redes. Então árvores ou outros microrganismos, eles se conectam e criam redes que podem ter quilômetros, centenas de quilômetros. Então assim, é algum nível de consciência, mas quando você vai para uma coisa artificial Depende da sua definição. Então assim, você tem os dois lados. Você tem a definição de que hoje os robôs não têm nenhuma consciência porque eles são só algoritmos executando por aquele período. Pensa no seguinte, quando você pensa no Photoshop, quando você abre o Photoshop, ele tá consciente. Quando você fecha ele, ele morre. É exatamente assim que funciona o ChatGPT. Ele meio que só tá vivo interagindo com você enquanto você tá interagindo com ele. Ele não existe fora disso. Não é como a gente que tá sempre vivendo, é um contínuo, entendeu?
Então aí, e tem gente que acredita que a gente vai adquirir aí a AGI, né, que é a inteligência artificial generalista, que supostamente também é consciente, mas Não existe um termo claro de definição de consciência, mas tem outros. E olha que curiosa essa perspectiva: o Peter Norvig, diretor de research do Google, ofereceu uma perspectiva de que um dia no futuro, quando a gente tiver máquinas que realmente pensam, a gente vai ver os algoritmos de hoje como máquinas que pensavam, mas de maneira muito primitiva. Então, na perspectiva dele, as máquinas já pensam, só que elas pensam de uma maneira tão primitiva que a gente não considera que elas pensam. É como se a gente tivesse vendo formigas, e aí quando a gente chegar no humano, a gente vai olhar para trás e vai falar assim: nossa, ali já tinha pensamento. Eu não acredito nisso. Eu acho que por conta Eu acho que paradoxalmente, por conta de eu saber exatamente como eles funcionam, é mais difícil para mim acreditar. Então eu não consigo acreditar porque eu sei exatamente os detalhes do que talvez uma pessoa que não conhece debaixo do capô, de olhar e falar assim: não, pera, mas todos esses comportamentos indicam que o negócio, né?
Porque quando você fala especificamente de AI generativa, mais especificamente texto, ele só tá prevendo a próxima palavra. Então quando você fala assim…
Explica melhor isso. O que é o prever a próxima palavra que o GPT faz?
Perfeito. O céu é…
O limite.
Azul. Certo? Já temos duas perspectivas. Legal, legal.
Quebra de paradigma.
Quebrou o paradigma.
Legal, é isso. Mas e se eu falar assim: O sol é amarelo e o céu é azul. Mas se eu falar o céu é o limite, quando eu falo o céu é, existe uma probabilidade de que eu abra essa palavra. Eu não posso falar maçã. Sim, a gente concorda. A probabilidade de maçã é zero, mas a probabilidade de azul e de limite é alta, certo? Agora, se eu colocar o sol é amarelo e o céu é, a probabilidade de azul é maior do que de limite, certo?
Sim.
É exatamente assim que ele funciona. Quanto mais palavras você dá antes, que é o que a gente chama de janela de contexto, ele usa todas as palavras que você deu antes para prever as próximas. E ele vai indo uma por uma, ele prediz palavra por palavra. Então, quando ele fala em A próxima palavra é… Aí tem uma lista de palavras. A gente chama essa lista de vocabulário. Então, por exemplo, modelos como o ChatGPT, isso não é público, mas pelas pesquisas dá para saber, é de 200 a 500 mil palavras o vocabulário. Relativamente pequeno. Então, é porque…
Perto do vocabulário.
A gente na verdade está falando de tokens. Tokens são pedaços de palavras.
É quase uma sílaba, né?
É quase uma sílaba. Está entre uma sílaba e uma palavra. Então, digamos que ele tem 500 mil. E aí, pra cada próxima palavra, ele vê uma lista de 500 mil e cada uma delas tem uma probabilidade. Como é que ele gera coisas diferentes? Porque entre os que estão maior probabilidade, ele seleciona um aleatório. A gente chama isso de topicar. Então, assim, Quando você pergunta duas vezes a mesma coisa, ele pode responder diferente.
Chama do quê?
Top K. K é só uma variável, então poderia ser top 5.
Ah, sim.
Entendeu?
Sim. Cara, eu quero emendar numa outra aqui. Você é especialista em treinar modelos para resolver problemas de negócio. Na minha visão, treinar modelo é a fronteira do conhecimento em AI, porque a gente tá pegando um modelo foundation, um modelo pré-existente, o GPT, tá dando um contexto específico e dados específicos para ele atuar numa missão específica, tá? Isso é muito mais avançado do que abrir o GPT e fazer um prompt, né? É muito mais avançado do que ser o rei dos prompts. Explica para nós, cara, como treinar um modelo e qual o passo a passo, para quem, para quais organizações que isso serve.
Tá. Uma observação, na verdade, eu acho que ser o rei dos prompts é mais útil do que ser, afinal, modelo, sendo bem sincero. Você ter um bom prompt engineering, cara, É como você saber achar qualquer resposta no Google. Você conhece uma pessoa hoje que você fala assim, ah, você não sabe usar o Google? Você pensa assim, meu Deus, essa pessoa não vai chegar a um lugar nenhum. É ou não é?
Sim, sim.
Muito em breve isso vai ser o caso das AIs. Então só esse parênteses. Mas o ponto é, quando você vai fazer o fine tuning de um modelo, então São 3 etapas. Foi em turminha do meio. A primeira a gente chama de pré-treino, que é o whey. Não, tô brincando. O pré-treino, ele vem antes do treino. Então assim, eu gosto desse assunto também. A gente tem o pré-treino. O pré-treino é quando você coloca só texto bruto para a IA aprender a falar. Então, é texto bruto.
Word, PDF?
Qualquer coisa.
Só jogar?
Tudo. Todo texto que você imaginar, todo texto da internet. Por exemplo, você pega vídeos, transcreve e joga. Você pega conversas e joga. Você pega livros, apresentações e joga. Então, as IAs são treinadas assim. Elas aprendem a falar porque elas são expostas a trilhões de palavras.
E aí, trazendo para um caso do marketing, é você subir um Word com o guia de marca, com O tom de voz.
Por exemplo, isso daí… Só que aí, esses modelos fundacionais, o pré-treino é a parte mais cara e a parte mais demorada. Então, esses modelos fundacionais já passaram por isso. Então, esse modelo já passou por isso. O próximo passo seria o que a gente chama de fine-tuning ou o treinamento. Nessa etapa, a gente ensina a AI a obedecer, a seguir ordens. Que é o que a gente chama de instruções ou prompts. Então, quando a IA aprende a falar, ela sabe falar uma língua, mas você precisa que ela faça alguma coisa. Então, digamos que é quando ela sai ali da pré-escola e passa a aprender lição de casa. E aí você fala assim: não, qual é a capital da França? Aí ela responde: a capital da França é Paris. Ou seja, você fez uma pergunta, a pergunta, prompt ou instrução, qualquer um desses nomes, E ela dá uma resposta. É nessa etapa que a gente tá. Aqui é onde a gente faz o treinamento para domínios específicos. Então você quer ensinar a IA a fazer uma coisa num domínio que ela não conhece. Ah, uma fintech ensinando ela a falar sobre finanças, uma healthtech falando sobre saúde, ou qualquer coisa que você imaginar que seja muito específico para um caso de uso.
E pode ser até geração de conteúdo. Fala assim, ah, eu vou te ensinar a gerar posts de LinkedIn, porque o post de LinkedIn tem uma estrutura tal, E eu vou te ensinar a fazer isso. Então você pode fazer o fine-tuning. E depois que você fez isso, acabou a parte de ensinar coisas pra AI e começa a parte do prompt. Quando você faz um prompt, você não tá ensinando nada pra AI, ela já sabe tudo que ela tem que saber. Você tá dando contexto, que é basicamente o que a gente tá fazendo aqui.
Sim.
Então assim, vocês já foram alfabetizados. Vocês não estão aprendendo coisas core. Digamos que se vocês saírem por aquela porta e esquecerem do que a gente conversou, tudo isso que eu tô falando são prompts. Porque eles só ficam na memória da IA enquanto você tá interagindo com ela. O resto, sim, tá no conhecimento dela de fato. E aí, essa etapa de fine-tuning, que você precisa de instruções, é onde você ensina domínios específicos, você precisa de dezenas de milhares de exemplos. Então hoje modelos open source têm usado milhões de exemplos de instrução para você, para aí conseguir realmente ser boa. Quando você pede para aí fazer um formato diferente, por exemplo, ah, eu quero que você fale de maneira mais elegante, mais romântica, mais curta, mais longa, 3 parágrafos em Markdown, em JSON, Tudo isso você ensina na parte do prompt. Só que ela foi treinada para fazer aquilo. Não tem nada que ela já não saiba fazer. Ela no prompt ou ela sabe fazer ou ela não sabe ou ela vai inventar.
Vai devolver.
Entendeu? Então, o treinamento envolve isso. Você ter milhares, no mínimo, de instruções. Instruções são pares de pergunta e resposta. Então assim, ah, quero me preparar para um dia ter meu próprio modelo, para um dia eu treinar minha própria AI. Como é que você faz isso? Você cria exemplos de pergunta e resposta. Então, por exemplo, tô trabalhando agora, comecei um projeto com uma telecom de call center, e aí a gente vai fazer o fine-tuning para uma instrução lá. Aí ele falou assim, ah, mas eu tenho os guias, eu tenho As FAQs. Eu tenho as FAQs, eu tenho esse tipo de coisa. Ah, eu tenho um material de treinamento do atendente. Não serve para nada isso. Eu preciso das perguntas e das respostas. Esse é o formato. Lembra quando eu falei que eu tenho um datacenter?
Não.
O que a AI precisa é a pergunta e a resposta. A resposta certa, obviamente.
Mas uma FAQ então serviria?
Uma FAQ serviria, só que a gente reformata ela. Mas aí, por exemplo, eu posso pegar o… O material de treinamento do agente, transformar ele numa FAQ usando AI inclusive, ou pegar as ligações, transcrever, fazer a FAQ, um humano tem que garantir que as respostas estão corretas e aí eu treino a AI e aí ela vai saber a resposta certa.
E você não pode pedir para a AI criar um FAQ do que seria efetivo para um profissional de call center? E jogar para ela?
Você poderia. Você poderia fazer esse auto-treinamento, mas ele não é muito eficiente.
Mas aí você revisa com…
Aí você revisa com o humano, exatamente.
Tô tentando gerar eficiência para o processo.
Exatamente, perfeito. A gente tem muitas etapas onde AI pode automatizar. Então, anotação de dados, categorização de dados era uma coisa que até 2 anos atrás era muito cara, muito complexa e que para a maioria das pessoas você faz usando LLM.
E pessoal, se você tá achando esse papo um papo meio de grego, ele não é, tá? Treinar o modelo, tem como você fazer algumas coisas mais simples brincando ali no próprio ChatGPT. Se você tem a versão paga, você tem os agentes ali no canto direito superior, tem agentes, e você consegue criar agentes. Que que é um agente? Um agente é o modelo treinado para uma função específica, tá? Você falou que gosta de treinar, né? Eu também gosto. Eu criei um agente para bolar treino de musculação para mim. Então eu expliquei lá para o agente os exercícios que eu gosto. Então eu fui, e aí eu fiz esse processo que você deu a dica, que eu fui no GPT e fui cocriando com ele o input que eu ia dar para o agente. Então abri uma outra tela do GPT e falei: lista para mim 100 exercícios de agachamento com barra. Ele listou com descrição, eu subi numa tabela e puf, pus no agente. E aí eu dei uma orientação de comportamento para ele, cara: eu gosto de treinos que começa com a mobilidade, depois vem com isso e depois com isso. Então aquele agente, ele tá ali formatado para aquela tarefa específica.
E aí, cara, Primeiro que eu queria falar é: não é tão complexo começar a pisar nesse mundo de treinar AI. Dá para a gente mesmo, pessoa física, ir lá e treinar e ter seus agentes. Eu contei um caso meu aí. E o segundo ponto é: o nível de output é outro. O nível do output quando você treina, quando ele tem lá, por exemplo, para algumas marcas que a nossa agência trabalha, A gente sobe o guia da marca, sobe o tom de voz, explica quem são os targets, explica quais são os produtos.
Game changer.
Você tem um agente que ele te dá um output num nível muito bom. E aí acabou a barreira do, ah, ele me dá coisa genérica, ah, ele alucina. Beleza, mas se você treinar de uma maneira simples, E acho que a gente até vai dar, vamos dar esse conselho pela segunda vez, Fred.
Se você é executivo ou pessoa física, se você não paga o ChatGPT ou algum equivalente, faça isso para alguém próximo a você, alguém na sua empresa. Alguém precisa estar fazendo isso no seu ambiente. Você acha uma boa sugestão?
Eu acho usar a versão paga realmente que faz muita diferença. Muita gente não conhece as alternativas, então o Gemini agora tá ficando mais famoso, mas eu particularmente uso o Claude da Anthropic, então claude.ai. Eu acho ele um pouco mais responsivo, ele me ajuda mais nas coisas. Eu também uso ele para código, então tem esse ponto, e eu acho que também é legal experimentar. Então eu usava muito o Gemini para extrair links, a OpenAI para resumir e o Claude para fazer o output final. Então assim, no meu caso especificamente, até porque eu como especialista de AI eu sou meio que obrigado a fazer isso, eu tenho todos e eu experimento todos com frequência para saber qual tá melhor. E aí você vai até identificando uns melhores que os outros em certas tarefas. Mas, e tem até outras coisas, por exemplo, não sei se vocês conhecem o Perplexity, que é para fazer buscas. Então eu acho que vale a pena explorar as alternativas, mas a versão paga é muito melhor do que a versão gratuita.
E como especialista em AI, Amadeus, qual a fonte que você bebe? Onde é que você busca conhecimento sobre AI? Compartilha essa informação com a gente, por favor.
Bom ponto. Eu sigo muitas pessoas referência no campo, então cientistas, e aí LinkedIn, Twitter, etc. Existem ótimas newsletters, então é até engraçado falar isso em 2024.
Dá uma dica de algumas aí.
Por exemplo, a TLDV, que é uma newsletter que tem milhões de assinantes. Tem a Data Science Weekly, tem a— agora não lembro o nome.
Tá bom, temos duas aí para vocês, pessoal.
Mas a TL;DV, que é Too Long Didn’t Read, né? A TL;DV ela é gigante. Eu uso muito o Reddit e o Hacker News. Então assim, o Hacker News e o Reddit eles são obrigatórios para pessoal de tech. Isso, é isso que eu ia falar também.
Ele tá dando boas dicas muito técnicas. O TL;DV é no geral, porque ele tem segmentações.
Então, ele tem o TL;DV geral e tem o TL;DV AI. Então, são duas newsletters, mas da mesma guarda-chuva. Eu assino as duas, mas é impressionante porque newsletter tem sido a fonte mais confiável, interessante e útil de conhecimento em 2024. Não é estranho pensar que o email é onde você recebe a maior parte das informações que você precisa?
Ainda somos os mesmos. Muito bom. Eu queria que você me trouxesse, para finalizar, uma dica para um executivo, um gerente que está trabalhando numa multinacional, numa grande empresa e que quer começar, tem pouco conhecimento, por onde começar? E quais valores ele deveria estar em busca para capturar para a empresa?
Você diz começar em relação ao projeto dentro da empresa, não como pessoa. Como começar assim?
A empresa ganha dinheiro vendendo o que ela produz ali e não tem o uso de AI na empresa.
É implementar AI na operação. Exato. Por onde começar?
Tá. Quando eu converso com— todas as vezes que eu conversei no último ano, pelo menos, com executivos de empresas, etc., todos eles já têm uma wishlist de AI. Ah, queria fazer isso, queria fazer aquilo. E o meu primeiro trabalho é: se a gente fizer isso que está na sua wishlist, qual é o impacto disso? E é como especialista de AI, eu sempre falo sobre negócios porque o que importa. Então quando você analisa a sua operação e você encontra uma ineficiência e ela pode ser resolvida deixando as pessoas mais produtivas, desde que esse trabalho exija criar mais conteúdo, eu acho que é por ele que você começa. Mas você não pode falar sobre uma tecnologia alienígena. Então assim, você executivo já assinou o ChatGPT Plus? Começa por nós, né? Com certeza, com certeza. E olha, eu vou te dizer uma coisa, eu tinha uma certa resistência no ano passado porque eu pensei assim, eu sei que não tá tão bem assim. Eu faço esses modelos, eu sei que eles não estão tão bons assim. Aí eu dou muitas palestras, aí eu comecei a usar para criar palestra, para criar um documento, para criar um negócio.
E cara, de repente ele virou seu melhor amigo.
Salva tanto o nosso tempo.
Eu acho que eu já vi esse cara.
Olha o teto. Otimiza muito, muito, otimiza muito o seu tempo, muito. Nossa, a produtividade é outra. É incrível. Quem fala muito, quem cria muito documento… Eu caí no mesmo. Não é?
Eu tinha certeza absoluta que a paga não era melhor. Eu achava que não ia fazer diferença nenhuma.
Cara, é absurdo. Quando você começa a fazer e você começa a ver que um documento que antes você levava horas, dias, você faz em minutos. Então assim, eu começaria usando, porque a barreira hoje é inexistente. Eu comecei a ir usando e falar assim, pô, eu economizei meu tempo pra caramba.
Então a primeira dica é, toma vergonha na cara e começa a usar.
Exato, sem dúvida. E depois entenda que você economizou seu tempo em tarefas específicas.
O que você falou é a melhor coisa. Economizou tempo. Ninguém tem tempo. Tempo é, acho que é o bem mais precioso hoje em dia. Exato. Então, AI é tempo.
Exato. Você vê, por exemplo, em vendas, o pessoal está fazendo AI que preenche o seu esforço automaticamente. Todo mundo já trabalhou com vendas, sabe que vendedor não gosta de atualizar o CRM. Muito menos. Certo? É um saco atualizar o CRM. Mas a AI pode atualizar. Exato. Então, é o que eu falo, não é sobre a tecnologia, Não é, ah, é incrível, vai… Não importa isso. É, cara, qual que é o… O que que no seu dia você gasta tempo fazendo que você não quer fazer e que envolve texto ou áudio ou sei lá, criar coisas? E aí você vai incluindo ali, acelerando. Só que se você estiver falando de uma perspectiva de alguém que nem sabe o que é essas coisas, e não é como antigamente que vai falar assim, ah, vamos falar sobre algoritmos avançados de machine learning. O executivo realmente… Não tinha tempo nem condições de se aprofundar, ele precisava de um especialista. Agora sim, você consegue entrar no ChatGPT e entender o que o negócio faz de bom e de ruim.
É, não, ele é muito disponível, com muita aplicabilidade, né? E eu super concordo, assim, é pôr a mão na massa que você vai sentir. Todo mundo teve o processo de sentir. Você sente a produtividade quando você põe a sua tarefa, o seu casinho ali, E você vê o output e você fala, cara, realmente vai aumentar a minha produtividade.
Cara, eu não me vejo sem as ferramentas de AI mais.
E é aí que vem uma conclusão para mim, não sei se vocês concordam. Eu acho que a primeira fase de AI, quando você implementa, é captura de eficiência operacional. Sim, totalmente. É fazer mais rápido. É tirar a tarefa que o operacional ali onera o time, é fazer uma V1 melhor do que era feita antes.
E quando você traz para você, personifica em você, você se sente melhor? Você fala, eu sou uma pessoa melhor, eu estou fazendo, eu me sinto melhor, eu rodo melhor.
É um superpoder, não é?
É um superpoder. Você se ativa, você fala, cara, não é possível que eu sou tão bom assim.
Cara, e eu comecei antes em código. As primeiras ferramentas que eu usei eram com o ChatGPT-2. Uau! Na verdade, nem se chamava, nem existia esse nome ChatGPT. Era só GPT, que era o algoritmo open source. E aí, eu comecei a usar e eu falei assim: Ué, ele completa um bloco inteiro? E aí, eu faço o triplo do tempo mais rápido? E aí, agora a gente está num ponto que tudo você faz o triplo do tempo mais rápido.
Exato! Nós perguntamos para o Edu, o entrevistado anterior: O que você faz com AI? E cara, para mim a pergunta é o que você não faz com AI. Sim. Porque hoje em dia, o seu trabalho ali no dia a dia é escrever email, contrato, apresentação, relatório, análise de dados. Até decisão eu tomo com AI. No meu caso, Olhando para o lado ali de agências, cara, decidi onde alocar uma conta. Eu tomo essa decisão com AI para analisar, ponderar as possibilidades.
Exato. Olha, eu chego numa conclusão assim. Primeiro, obrigado pela generosidade, Amadeus. Acho que você nos trouxe aqui conhecimento que nos torna melhor ao final de um papo maravilhoso. E para quem está com a gente, que nos ouviu, que nos escutou, não tem por que você não pensar AI first.
É isso. Exatamente. Continue com a gente. A gente vai trazer gente de mercado que está pondo a mão na massa para implementar AI, seja no marketing ou em outras áreas. E a nossa inspiração é que gere conhecimento através dessas discussões.
É isso aí. Obrigado mais uma vez. Valeu demais.
Obrigado, gente. Até a próxima. Valeu.
APRESENTADORES
Quem apresenta o AI First Cast
Fred Pericini
Co-fundador da Agência F2F, Engenheiro de Produção pela UFSCAR, empreendedor com mais de 10 anos de experiência em Marketing Digital, foi consultor na McKinsey, diretor comercial do Groupon Brasil e Groupon China.
Filipe Xavier
Especialista em marketing digital, branding e estratégia de conteúdo. Experiência c-level, visão ampla de comunicação e tecnologia e entusiasta early-adopter de inteligência artificial.