Como treinar modelos de IA para tarefas específicas sem depender de chatbots
Técnica conhecida como DPO, usada para ensinar assistentes virtuais a conversar melhor, agora funciona também para classificar imagens, prever moléculas e outras aplicações práticas.
Uma técnica de treinamento de inteligência artificial chamada DPO (sigla em inglês para Otimização Direta de Preferências, um método que ensina modelos de IA a escolher respostas melhores com base em exemplos comparativos) ganhou fama por melhorar assistentes virtuais como o ChatGPT. Agora, segundo informou a Hugging Face (uma plataforma onde desenvolvedores compartilham e baixam modelos de IA já treinados), pesquisadores demonstraram que a mesma abordagem funciona em áreas bem diferentes de conversação — como classificação de imagens, previsão de propriedades químicas e análise de código de programação.
O DPO funciona assim: em vez de ajustar um modelo de IA com base em respostas certas ou erradas isoladas, você mostra pares de exemplos — um melhor, outro pior — e ensina o sistema a preferir o primeiro. Até agora, isso era feito principalmente com texto: frases mais úteis versus frases vagas, por exemplo. A novidade é aplicar o mesmo princípio a outros tipos de dados, como pixels de uma foto ou a estrutura tridimensional de uma molécula.
Os experimentos cobriram desde ensinar um modelo de visão computacional (sistemas que interpretam imagens) a identificar objetos com mais precisão até treinar redes neurais (arquiteturas de IA inspiradas no cérebro humano) para prever como uma proteína se dobra no espaço. Em todos os casos, o DPO se mostrou mais simples e eficiente do que métodos anteriores, que exigiam etapas extras de treinamento ou modelos auxiliares chamados de "recompensa".
Para quem trabalha com IA fora do universo dos chatbots, isso significa menos código complicado e menos tempo de processamento. A Hugging Face disponibilizou ferramentas prontas para aplicar DPO em diferentes contextos, facilitando que desenvolvedores testem a técnica em seus próprios projetos — seja para melhorar um sistema de diagnóstico por imagem ou refinar algoritmos que sugerem novos materiais para baterias.
A descoberta importa porque boa parte da inteligência artificial aplicada no mundo real não envolve conversação: robôs que inspecionam peças de fábrica, sistemas que identificam fraudes financeiras ou aplicativos que recomendam produtos. Se a mesma técnica que tornou os assistentes virtuais mais úteis funciona também nesses campos, empresas e pesquisadores ganham uma ferramenta mais versátil — e acessível — para treinar modelos sob medida.
