Descubra como uma startup brasileira está revolucionando o treinamento de inteligência artificial, faturando milhões ao recrutar talentos globais!
A Veto AI, fundada por brasileiros e sediada nos EUA, está na vanguarda da próxima geração de IA. Enquanto os modelos anteriormente aprendiam com a vasta informação da internet, o novo desafio é transferir o conhecimento humano especializado para alimentar a inteligência artificial.
A empresa se diferencia ao transformar o conhecimento de especialistas em dados valiosos para treinar modelos de IA de ponta. Atuando como um parceiro de pesquisa para gigantes como Google, OpenAI e Anthropic, a Veto AI extrai e destila a expertise de profissionais ao redor do mundo.
Com uma forte pesquisa em como formatar e transferir conhecimento humano para a IA, a Veto AI está se tornando essencial para o avanço da inteligência artificial. Prepare-se para conhecer o futuro do aprendizado de máquina, impulsionado pela sabedoria humana.
#InteligenciaArtificial #StartupBrasileira #Tecnologia #VetoAI
A Veto AI, fundada por brasileiros e sediada nos EUA, está na vanguarda da próxima geração de IA. Enquanto os modelos anteriormente aprendiam com a vasta informação da internet, o novo desafio é transferir o conhecimento humano especializado para alimentar a inteligência artificial.
A empresa se diferencia ao transformar o conhecimento de especialistas em dados valiosos para treinar modelos de IA de ponta. Atuando como um parceiro de pesquisa para gigantes como Google, OpenAI e Anthropic, a Veto AI extrai e destila a expertise de profissionais ao redor do mundo.
Com uma forte pesquisa em como formatar e transferir conhecimento humano para a IA, a Veto AI está se tornando essencial para o avanço da inteligência artificial. Prepare-se para conhecer o futuro do aprendizado de máquina, impulsionado pela sabedoria humana.
#InteligenciaArtificial #StartupBrasileira #Tecnologia #VetoAI
Categoria
🗞
NotíciasTranscrição
00:07Casas Bahia, dedicação total a você.
00:12Essa startup está recrutando profissionais de alto nível do mundo todo
00:17para treinar a inteligência artificial com o melhor do seu conhecimento.
00:21É sobre isso que a gente fala hoje.
00:23O meu convidado é Lucas Smaira, cofundador da Veto AI.
00:28Bem-vindo, Lucas. Tudo bem?
00:29Tudo bem. Obrigado pelo convite.
00:31É um prazer estar aqui e falar um pouco desse tema para todo mundo.
00:34Lucas, a Veto é uma startup fundada por brasileiros,
00:38mas global, com sede nos Estados Unidos.
00:42Queria entender um pouquinho do que vocês estão fazendo hoje.
00:45Porque a gente acompanhou o treinamento da inteligência artificial
00:49primeiro com o que estava disponível na internet.
00:53Depois a gente viu o AI aprendendo com o comportamento humano.
00:57Quanto mais você usa o chat de APT,
00:59e o Cláudio vai aprendendo com as nossas demandas e, enfim, com os nossos conhecimentos.
01:05E agora, qual que é o próximo nível?
01:07Legal.
01:08Para contar um pouquinho da nossa proposta na Veto,
01:11talvez valha a pena só falar um pouco de como esses modelos são treinados.
01:16E aí a gente explica um pouco o nosso propósito aqui e como a gente nasceu.
01:20Mas, como você falou, os modelos, até dois anos atrás, eles têm sido treinados.
01:26A maioria dos ganhos vem do que a gente chama de pré-treino,
01:30que é justamente essa etapa de treinar na internet.
01:33Então, você pega todos os dados do mundo, coloca no modelo e ele começa a aprender um pouco
01:38o que é esse conhecimento do mundo todo.
01:41E, de dois anos para cá, começou a trazer mais e mais dos ganhos,
01:47começaram a vir do que a gente chama de pós-treino,
01:49que é justamente essa etapa de como a gente consegue pegar conhecimento humano
01:54e transferir isso para um modo de data que a gente consiga usar para treinar esses modelos.
02:02Então, dá para pensar um pouco que, até dois anos atrás,
02:05é como se esse modelo tivesse lido uma biblioteca inteira
02:09e aprendeu tudo o que existe lá na biblioteca.
02:11Mas, como a gente sabe, quando a gente sai da escola,
02:14aplicar esse conhecimento no mundo real é outra coisa.
02:17E essa é a etapa um pouco que a gente está no treinamento de AI.
02:22E é só recentemente que esses modelos têm ficado bons no mundo real mesmo,
02:26em coding, em fazer finanças,
02:29em ser o seu co-pilot de qualquer coisa no computador.
02:32E isso tudo vem dessa etapa de pós-treino, que a gente chama.
02:35E a proposta da Veto é como que a gente consegue pegar esses experts,
02:41essas pessoas que sabem de alguma coisa específica,
02:45de algum domínio específico, que são muito bons em alguns domínios,
02:48e extrair um pouco, destilar esse conhecimento que eles têm
02:52em uma forma que a gente possa usar para ensinar AI.
02:56Então, nossos clientes são os labs de AI.
03:00A gente vende dados para Google, OpenAI, Anthropic, etc.
03:06E para produzir esses dados,
03:09é uma mistura de conseguir absorver conhecimento da humanidade,
03:16através de contratar essas pessoas, esses annotators, que a gente chama,
03:20que vão nos ajudar a trazer esse conhecimento que a gente precisa para o treinamento de AI.
03:25E é muita pesquisa do nosso lado,
03:27de como que a gente consegue melhor formatar esses dados,
03:31como é que a gente consegue transferir um conhecimento do humano que é, não sei,
03:36ah, eu tenho aqui esses insights sobre como fazer uma evaluation de uma empresa.
03:41Como é que eu consigo transformar esses insights de um humano
03:44em dado que pode ser usado para treinar AI?
03:47E para isso, a gente precisa de um time de research, de pesquisa grande,
03:51entender como são feitos todos esses treinamentos,
03:53e ficar iterando junto com os labs nisso.
03:56Então, a gente age um pouco como um research partner, que a gente fala,
03:59como um parceiro de pesquisa para os labs,
04:03potencializando o conhecimento humano,
04:04trazendo mais proximidade para o conhecimento humano, para a realidade.
04:09Não sei se está claro, né?
04:10Antes de você continuar me explicando um pouquinho,
04:12eu queria fazer uma pausa para chamar a mensagem do nosso patrocinador.
04:17Olá, eu sou Viviane Nobre, gerente de atendimento ao cliente.
04:21Hoje, aqui no grupo, a gente usa muito a IA para ganhar eficiência e até humanização.
04:27Em redes sociais, a gente consegue fazer o primeiro atendimento ao cliente
04:32de cinco a oito minutos.
04:34Eu preciso de algumas informações.
04:36Então, uma vez que ele me manda, esse SLA ficou curtíssimo.
04:40Antes, eu demorava 15 horas para começar a tratar esse caso
04:44e mandar para a área internamento.
04:46A gente trata também dos temas sensíveis apartado.
04:51Então, dentro de um outro processo, diariamente eu recebo todos os temas sensíveis,
04:56como, por exemplo, uma grávida que está indo ganhar seu bebê e o berço não chegou,
05:01uma cliente que está indo fazer um tratamento no hospital e está sem seu celular,
05:06que aquele momento talvez seja o mais importante.
05:09E esse atendimento é feito em dia, no mesmo dia, de forma online,
05:14só porque a IA consegue fazer essa curadoria para a gente.
05:18Voltamos com Revolução IA, você está acompanhando a entrevista de Lucas Smyra,
05:22que é cofundador da Veto AI.
05:24Lucas, você estava me contando sobre esse processo de recrutamento de profissionais
05:29ao longo do mundo todo para treinar a inteligência artificial.
05:33Então, você está me dizendo que você está procurando um advogado na África,
05:38um professor nos Estados Unidos ou, sei lá, um engenheiro no Brasil
05:44para transferir o melhor do conhecimento para essa inteligência artificial da Open AI, da Antropic?
05:50É um pouco isso.
05:52O que a gente tem visto é que os modelos estão ficando cada vez melhores em quase tudo,
05:59que é importante economicamente, e o trabalho humano tem sido cada vez mais usar a IA
06:06para fazer o trabalho, certo?
06:07Então, eu, por exemplo, era um software engineer, escrevia código,
06:13hoje, o meu trabalho é usar agentes para escrever código.
06:17Então, o que a gente tenta capturar são essas formas de conhecimento unicamente humano
06:23para a gente conseguir ensinar a IA a fazer o que ela não consegue fazer ainda.
06:29E esse conhecimento humano, ele não está na internet, ele não está num livro,
06:34ele está no dia a dia de alguém fazendo algum trabalho.
06:37E para isso, a gente tem que, para a gente conseguir capturar isso,
06:40a gente precisa de ter uma pessoa, um advogado na África, um advogado nos Estados Unidos,
06:45no Brasil, alguém que sabe fazer finanças, alguém que sabe que vou dar,
06:49alguém que sabe, não sei, que teve experiência boa de viagem.
06:52A gente consegue, com isso, transformar todas essas pessoas em professor de AI, um pouco.
06:57E o nosso objetivo é fazer essa ligação entre os annotators, que a gente chama,
07:03que é quase uma nova profissão, digamos, e como transferir esse conhecimento para poder treinar AI.
07:10E como que é feito esse recrutamento?
07:12Qualquer pessoa pode participar ou, por exemplo, existem pessoas que só vivem disso?
07:18Tem sido cada vez mais frequente pessoas largarem o trabalho e ficarem fazendo só isso.
07:25A gente, na Veto, não, a gente deixa as pessoas trabalharem no horário que elas querem
07:30e são contratadas como PJ, digamos.
07:33Então, na verdade, é um trabalho para fazer quando quer e é pago por task, que a gente fala.
07:40Então, por cada tipo de anotação, de interação com o modelo,
07:44a pessoa recebe uma quantidade.
07:47Que pode ir até 300 dólares por hora ou até mais, dependendo do mínimo.
07:52Então, o que a gente quer fazer é a gente precisa conseguir achar as pessoas que têm mais conhecimento,
07:58que estão nessa fronteira do conhecimento humano.
08:00Que é difícil você ensinar modelos, sabe?
08:03Os modelos já sabem tanto que você precisa saber alguma coisa meio complexa
08:08ou da fronteira do conhecimento para conseguir ensinar.
08:11Então, a gente pode contratar qualquer pessoa que saiba um pouco disso
08:14e os domínios variam muito.
08:16Então, por exemplo, a gente fez um trabalho onde a gente estava interessado
08:19em experiências de viagens interessantes.
08:21Então, não é exatamente uma pessoa que tem uma expertise profissional ali.
08:26Porém, em outras vezes, a gente estava interessado em software engineers
08:29que têm mais de 10 anos de experiência.
08:31Então, varia muito, dependendo do tipo de projeto que a gente está fazendo.
08:34e é global.
08:37A gente contrata globalmente, paga por hora
08:39e as pessoas podem trabalhar quando elas quiserem, à noite, final de semana.
08:43E as pessoas começaram fazendo isso mais como uma renda extra
08:48e atualmente está virando um pouco uma profissão.
08:53E não é só a gente, né?
08:54Existe uma série de empresas que fazem esse trabalho de recrutar e fazer data
08:59para poder treinar os modelos.
09:01e com essa quantidade de dinheiro mesmo que é gasta pelos lábios nisso,
09:08é um pouco um jeito de distribuir esse dinheiro que está vindo lá dos lábios
09:14dos Estados Unidos e tudo mais para a população do mundo todo também.
09:18Então, a gente contrata bastante gente no Brasil, Europa, Estados Unidos,
09:21um pouco de África, Ásia, o mundo todo.
09:25Você pode contar quanto que paga?
09:27Fiquei curioso.
09:28Depende muito da tarefa.
09:30Então, por exemplo, a gente fez essa tarefa que era só de contar experiências de viagem e tal,
09:34a gente podia pagar até uns 100 dólares por task,
09:38que demorava uma meia hora, uma hora.
09:41Coisas de finanças que a gente fez no começo, a gente estava pagando 500 reais por hora.
09:46Coding que a gente fez agora era por volta de 300 dólares.
09:51Então, varia muito dependendo do nível de expertise que a gente tem e é um pouco um mercado aberto,
09:57onde a gente tenta colocar um preço, ver se tem oferta e demanda boa ou não e ir variando.
10:04Agora, quando a gente fala sobre algoritmo, tem muito uma questão do algoritmo ser configurado por humanos e acabar reproduzindo
10:16vieses inconscientes.
10:18Como evitar que esses algoritmos que vocês estão treinando não fiquem preconceituosos,
10:25não peguem um conhecimento específico de uma determinada região ali e acabando inserindo uma cultura e coisas negativas dessa cultura,
10:37por exemplo?
10:37Sim, acho que tem duas alavancas principais para isso.
10:41Uma é como é que a gente traz mais representação para os dados.
10:45Então, é importante, por exemplo, ter dados que vêm de países diferentes, raças diferentes, classes diferentes e tudo mais,
10:52porque senão a gente está enviesando muito a AI para um tipo de profissão, ou de classe, ou de raça,
10:58ou de país específico.
11:00Então, o primeiro ponto é na pool de data mesmo, como é que a gente consegue trazer essa diversidade.
11:06E o segundo ponto é a introdução de guardrails, que a gente fala, que é lá no final do treinamento,
11:12depois que o modelo já aprendeu a fazer várias coisas, inclusive coisas ruins,
11:16você protege o modelo, você impede o modelo de fazer todas essas coisas em production.
11:23E aí tem várias técnicas para isso, mas é muito sobre alignment, que a gente fala no final,
11:28que é basicamente os modelos interagindo com humanos, respondendo,
11:33humanos que são, por exemplo, experts de ética e tudo mais,
11:37interagindo com esses humanos, pegando esses feedbacks, e aí fazendo o que a gente chama de colapsar a distribuição,
11:42que é aprender mais, apesar dele saber tudo,
11:47colocar uma probabilidade muito maior, de quase 100%, de não falar besteira.
11:52É quase como educar uma criança.
11:54Então, tudo ali é permitido, mas ela sabe que aquilo ali, falar palavrão, não pode.
12:00Exato.
12:01Ela sabe tudo, digamos, mas ao mesmo tempo sabe que não pode falar palavrão.
12:07E isso vem muito de...
12:09São técnicas muito novas todas essas.
12:11Então, ainda é muito...
12:13Não é nada 100% garantido, né?
12:17Existe até...
12:17Cada vez que lança um modelo novo, lançou o Fable agora, por exemplo, da Antropic,
12:22aí tem uma série de pessoas que vão lá e aprendem a como quebrar as guardrails.
12:28Tem Twitter disso, Instagram disso, que as pessoas vão lá e falam
12:32Ah, se eu colocar esse caractere específico aqui, eu descobri um bug,
12:35que aí o modelo vai e aceita falar de genética, que ele não poderia falar, sabe?
12:41Então, ainda é um processo de pesquisa, não fechado.
12:46Mas a gente tenta agir nessa direção de aumentar a diversidade e aumentar esses guardrails, assim.
12:52Agora, uma dúvida.
12:53Você falou sobre processos de treinamento e por que vocês estão utilizando pessoas
12:57para treinar inteligência artificial.
12:59Tem outro tópico que são dados sintéticos, né?
13:03Qual que é a diferença para a nossa audiência entender entre treinar AI com dados sintéticos,
13:09quando treinar AI com dados sintéticos e quando utilizar humanos, como vocês estão utilizando?
13:15A gente, na verdade, faz uma mistura dos dois.
13:17E é bem importante fazer uma mistura dos dois.
13:21O ponto principal sendo que, para você conseguir ensinar AI, que nem eu disse,
13:26precisa estar na fronteira do conhecimento.
13:28E a fronteira do conhecimento, hoje em dia, é ocupada por humano mais AI junto.
13:33E não só humano.
13:35E não só AI.
13:38Então, se eu for tentar, por exemplo, ensinar AI a escrever código de computador
13:44sem usar nada sintético, então sem usar AI no loop,
13:48eu não vou conseguir.
13:49Porque AI mais humano já é melhor do que só humano.
13:53Agora, se eu for usar só AI, só dado sintético, o que acontece é que esse modelo não está tendo
13:59nada,
13:59nenhuma exposição nova.
14:01Ele está só aprendendo o que ele já sabe, assim, só reinforçando um pouco o que ele já sabe.
14:06Então, os use cases, por exemplo, dado puramente sintético, é possível de usar quando o objetivo é você
14:16melhorar um reasoning, melhorar um processo de raciocínio em cima de um puzzle, quase assim.
14:22Então, se eu for lá, ah, quero deixar, quero ensinar a AI a jogar xadrez melhor.
14:28Talvez eu não precise de dado humano novo.
14:30Eu só preciso da AI ficar tentando lá e tal, e descobrindo sozinha o que fazer.
14:36Talvez matemática também não precise, porque é mais sobre tentar várias coisas
14:41e descobrir o que está certo ou errado, do que absorver conhecimento novo.
14:46Porém, se eu for ensinar, sei lá, a lei, aí é muito difícil, porque o limite da AI
14:53é justamente em não saber coisas novas.
14:56Então, a gente precisa trazer esse conhecimento novo.
14:59E é nesses casos que a gente precisa de dado humano.
15:01Mas o que a gente faz é meio que uma mistura de dado sintético e humano.
15:06E o que a gente quer é que os humanos gastem o tempo só fazendo o que a AI não
15:10consegue fazer ainda.
15:12Então, se eu for fazer um projeto lá de lei, ou de finanças, por exemplo.
15:18Onde de fazer o que a gente fez, por exemplo, de uma valuation de uma empresa.
15:22Para isso, eu preciso de, por exemplo, escolher peers de uma empresa,
15:27calcular uma série de métricas e fazer, não sei, comparar elas e fazer uma valuation.
15:34Grande parte desse processo mesmo, a AI já faz muito bem.
15:37E o que eu quero capturar dos humanos são só os insights que ainda são intrinsecamente humanos.
15:42Tipo, ah, essa empresa, esse é um bom peer para essa empresa.
15:46Então, a gente quer capturar só isso e o resto fazer sintético.
15:50Então, é sempre essa mistura entre os dois.
15:52Lucas, eu vou fazer uma pausa para dar um recado, porque o Nelfeed também está no YouTube.
15:57Se você ainda não está inscrito, aproveite e se inscreva.
16:01Siga a gente também nas outras redes sociais, como o Instagram, Nelfeed Brasil.
16:06Lucas, você falou então que a gente teve uma fase, né, que o humano fazia melhor.
16:11Depois, agora, AI mais humano.
16:14Vai chegar a fase que só a AI vai fazer melhor sozinha?
16:19Se a gente está utilizando nossos melhores profissionais, melhores advogados, né, engenheiros, professores,
16:27para treinar inteligência artificial, vai chegar o momento que todas as profissões vão ser substituídas?
16:34Então, essa é uma pergunta em aberto.
16:37Posso falar um pouco da minha opinião, que é, se, imagina que todos os humanos somem da Terra agora.
16:45AI já é bem inteligente e tudo mais, mas ela não conseguiria se autodesenvolver ou saber o que fazer de
16:52si mesma, sabe?
16:53Então, sempre tem um pouco desse entente, dessa o que fazer que vem de humano.
17:00E isso eu acho que é meio difícil de substituir e acho que vai continuar existindo.
17:05Então, e também a parte estética, sabe, e de preferência.
17:10Então, mesmo que eu fale, ah, uma AI aqui, ah, eu sou capaz de fazer uma apresentação do PowerPoint, muito
17:15bem.
17:15Mas eu prefiro uma apresentação diferente do que você prefere.
17:19E esse eu acho que vai ser cada vez mais o papel do humano.
17:24Não necessariamente fazer as coisas ou ter o conhecimento de o que uma lei vai fazer ou não,
17:32mas mais a interpretação e como usar isso.
17:37Esse entente, essa curiosidade e vontade do que fazer, sabe?
17:42Inclusive, uma pergunta aberta que eu tenho é se curiosidade é essencial para a AI passar para o próximo level
17:51ou não.
17:52Se a inteligência artificial ter curiosidade é essencial para ela evoluir.
17:57Exato.
17:58Porque até então a gente está dando essa curiosidade para ela, né?
18:02A gente está falando, oh, aprende disso daqui.
18:04Isso é humano, né?
18:04A gente está guiando.
18:08E no desenvolvimento histórico humano vem muito dessa curiosidade.
18:14As descobertas científicas novas e a vontade de ir para frente e tudo mais.
18:17Então, isso ainda é uma coisa intrinsecamente humana, né?
18:20Que eu acho que é mais ligado à inconsciência, a gente pode discutir essas coisas e tal,
18:23mas não acho que a AI vai conseguir substituir um pouco por esses dois pontos.
18:30Por a gente ser os owners, né?
18:34De o que a gente quer fazer, não como fazer.
18:37Eu acho que o como fazer vai ficar cada vez mais comoditizado,
18:39mas o que fazer é meio que intrinsecamente humano.
18:45E aí o segundo ponto é estética.
18:48É preferência mesmo, né?
18:49Eu prefiro uma coisa, eu prefiro outra, etc, etc.
18:52E, querendo ou não, grande parte do nosso trabalho diário é quase isso.
18:57É quase ser um crítico do que é bom ou ruim, né?
19:01Em todos os níveis, em código, em lei, em finanças, qualquer coisa assim.
19:06É um pouco ser esse crítico de, ah, isso me parece, esse feeling, sabe?
19:12Isso me parece que está indo no caminho certo.
19:16É uma decisão meio estética essa, que não dá para capturar.
19:19Eu vou filosofar aqui um pouco, porque a gente está...
19:24Você falou bastante sobre ter o senso crítico, né?
19:27O nosso diferencial vai ser esse senso crítico de como que a gente vai orientar e usar essa inteligência artificial.
19:36Você acha que isso tem de aumentar a desigualdade entre...
19:40Porque quem não tiver o senso crítico vai ser um mero usuário, né?
19:46Um mero... Uma ferramenta também ali, meio no universo da IA.
19:51Hoje, alguns pesquisadores falam que a gente vive também como servos da nuvem, do capital nuvem, né?
19:59Até tem um livro sobre isso, Técnico Feudalismo, que fala que, a partir do momento que surgiram as cloudes, né?
20:05A gente, nessa ânsia de se comunicar e postar tudo e criar conteúdo para as redes sociais,
20:13a gente acaba criando o capital para essas empresas de nuvem.
20:20Olhando para a inteligência artificial, né?
20:23Você acha que nós podemos, né?
20:25Uma certa camada da população que talvez não tenha esse senso crítico,
20:29ser um funcionário da inteligência artificial?
20:32Então, eu acho que tem várias camadas aqui.
20:36Uma delas...
20:38Eu estava num evento da Anthropic e da ETH, que é uma universidade lá de Zurique, em Zurique recentemente,
20:44e os professores da ETH estão genuinamente preocupados com o brain rotting,
20:50com o pessoal, os alunos deles entendendo profundamente menos
20:54e delegando mais o raciocínio e o próprio processo de conhecimento, né?
21:00De entendimento para a AI.
21:03E, ao mesmo tempo, eles veem uma separação muito clara
21:06entre quem está usando a AI um pouco como um expansor,
21:11um pouco como...
21:13Ah, agora eu tenho acesso à informação e a conhecimento
21:16e a um tutor que vai me ensinar muito maior
21:21e um pouco como uma preguiça de pensar.
21:26Eu acho que a gente está vendo cada vez mais, né?
21:28Inclusive o pessoal ficando ruim em se expressar,
21:32porque você consegue falar três, quatro palavras mais ou menos ali
21:34e o GPT já vai entender o que você quer dizer mais ou menos.
21:38Então, acaba quase, realmente, perdendo essa capacidade de expressão, né?
21:41Que é meio preocupante.
21:44Mas, voltando para a desigualdade,
21:46o que eu estou vendo é que vai ter um nível de estudo
21:52muito maior que precisa fazer para conseguir contribuir.
21:56Então, profissões, quem é júnior, por exemplo,
22:00está perdendo mais e mais lugar.
22:03E aí eu acho que a sociedade vai ter que ajustar para isso, né?
22:06Não dá para você ter...
22:08Todo mundo acaba a faculdade ali e...
22:12Sei lá, cinco anos de desemprego,
22:14quando você tem que ficar estudando sozinho
22:15até se virar um sênior sozinho,
22:17que é quase impossível, para poder contribuir, né?
22:20Então, não sei o que vai acontecer,
22:21mas pode ser que seja mais aumentar esse tempo de estudo
22:26ou, de alguma forma, usar a própria AI
22:28para ensinar de um jeito correto,
22:30em vez de te fazer aprender mais,
22:32virar mais sênior, digamos, mais rápido.
22:36Então, esse é um ponto.
22:37Eu acho que vai ter um período, uma geração de desigualdade maior
22:45até a sociedade ajustar e, não sei, ensinar de forma certa
22:49ou, não sei, todo mundo talvez tenha menos trabalho,
22:53então, dividir esses horários é maior, melhor e tudo mais, né?
22:58Mas eu acho que o que é mais perigoso em desigualdade
23:01é que é a primeira vez, quando a gente pensa, sei lá,
23:06na Revolução Industrial,
23:08você estava automatizando o trabalho físico, né?
23:13E aí, também isso queimou uma geração,
23:15no sentido de, ah, por uma geração,
23:18muita gente sem emprego
23:19e umas pessoas trabalhando às 10 horas lá
23:21e produzindo muito mais coisa
23:22que para quem tinha as máquinas e tudo mais.
23:23E aí, com o tempo, foi baixando carga de trabalho
23:26e distribuindo um pouco mais
23:30os benefícios dessa máquina, né?
23:32Agora, aqui é um pouco diferente,
23:34porque você está automatizando uma coisa
23:35que é muito mais humana, né?
23:37Que é a inteligência.
23:39E aí, o problema disso é que
23:41quem tem o hardware, que é o equivalente das máquinas, né?
23:44Quem tem acesso a esses hardwares,
23:47tem acesso à inteligência.
23:49E isso é muito poderoso, né?
23:51Então, eu acho que essa é a minha preocupação maior
23:54em questão de desigualdade.
23:55De quem tem acesso a hardware,
23:58a GPU mesmo,
24:00tem acesso à inteligência
24:02e acesso à inteligência gera muito mais capital
24:04do que uma máquina que produz um carro.
24:08Porque isso gera máquinas que produzem carros, né?
24:11Então, eu acho que a minha preocupação
24:12vem mais daí do que de alguém,
24:17não sei, de dividir entre senso crítico ou não,
24:20porque isso eu acho que vai acontecer mais temporariamente,
24:22que depois as pessoas vão se ajustar.
24:24Continuando falando sobre essa evolução
24:27da inteligência artificial,
24:28a gente vê a IA assumindo vários papéis
24:32hoje na sociedade, por assim dizer.
24:34Já que ela tem a capacidade de fazer trabalhos
24:37que antes eram só humanos, né?
24:41Agora, com a startup de vocês,
24:44eu vejo a inteligência artificial como uma empregadora,
24:47porque ela está recrutando.
24:49Tem outra plataforma também que chama Rent-A-Human,
24:52que ela permite alugar humanos
24:56para executar tarefas burocráticas, analógicas.
25:01Então, se você resolve tudo pela internet,
25:04mas chega, ou pela inteligência artificial,
25:07chega em um determinado momento,
25:09você precisa ir lá, talvez, no cartório,
25:11pegar aquele documento,
25:13que você pode recrutar um humano
25:16utilizando um agente
25:17para que ele faça esse trabalho com você,
25:19para você,
25:20e você resolve absolutamente tudo
25:22através da inteligência artificial.
25:24Você acha que a gente vai viver
25:27esse momento de a inteligência artificial
25:29sendo cada vez mais preponderante,
25:34empregadora, potente,
25:37nesse sentido?
25:38Eu vejo isso,
25:40em research a gente fala muito de
25:42Human as an API,
25:44que é um pouco isso.
25:45Então, você usar um API mesmo,
25:48você vai chamar lá no computador
25:50um comando
25:52que vai pedir alguma coisa para um humano.
25:56Essa é um pouco uma forma de
25:58quebrar a limitação física de AI, né?
26:01Onde você, como AI,
26:04robótica não funciona tão bem ainda,
26:06então você ainda não tem acesso
26:07ao mundo real.
26:08E está tudo nesse mundo
26:10de tokens, ideias e computador, né?
26:14Acho que vai acontecer,
26:15e até já existe, né?
26:17Desde muito tempo atrás,
26:18esse Mechanical Turk, por exemplo,
26:19da Amazon,
26:20onde você vai,
26:20pede para o humano fazer,
26:22inclusive, automaticamente,
26:23pede para o humano fazer
26:25coisas que AI
26:27ou que algoritmos não conseguiam fazer.
26:30Como o Captcha, por exemplo,
26:31é o caso mais simples, né?
26:32Que aí o humano ia lá, fazia e voltava.
26:34Acho que isso vai continuar existindo.
26:38Não necessariamente é uma coisa ruim,
26:41acho que você pode até pensar no sentido de,
26:43ah, quando eu estou pedindo um iFood,
26:46eu estou pedindo lá para um humano
26:49que vai vir aqui e tal,
26:50sem falar com ele direto,
26:51fazer uma coisa que AI não faz,
26:53que algoritmos não fazem.
26:55Então tem essa divisão do trabalho, assim.
26:57A decisão,
26:58e aí voltando um pouco
26:59para esse negócio de entente,
27:00não é como se AI
27:03estivesse pedindo para você
27:05ir no cartório.
27:06É alguém que está pedindo para a AI
27:07fazer uma tarefa grande
27:09que envolve alguém ir no cartório.
27:10Então o entente ainda vem
27:12de um humano atrás, né?
27:14Não vejo isso como AI empregando.
27:16É mais AI executando alguma coisa
27:19que você falou atrás, sabe?
27:21Lucas, agora eu queria falar um pouquinho
27:23sobre a Veto.
27:24Como que uma startup fundada por brasileiros
27:27está no mundo inteiro
27:29e conseguindo clientes de alto nível, né?
27:32Como a OpenAI, Antropic...
27:34Sim, acho que a gente vem,
27:38a gente já nasceu com esse DNA
27:39de fazer pesquisa
27:41e vender para esses clientes grandes, né?
27:45E a gente é bem global, assim.
27:47Então a gente foi fundado por brasileiros
27:50e tudo mais,
27:51mas estamos no mundo afora.
27:52Eu moro em Londres,
27:54tem outros dos co-founders
27:56nos Estados Unidos, em São Francisco,
27:58mas ainda tem muita gente aqui em São Paulo.
27:59Tem um escritório grande aqui.
28:02Eu acho que, tipo, foi desafiador, assim,
28:05conseguir entrar para esses clientes
28:07e é um pouco um trabalho quase manual
28:10no começo.
28:11E acho que veio um pouco da minha rede, né?
28:13Que eu trabalhei antes de fazer a Veto,
28:15eu trabalhei na DeepMind, na Google,
28:18por muito tempo.
28:19Fez pesquisa lá desde 2018
28:21até antes de fundar a Veto.
28:24E eu acho que tem que estar muito presente
28:26nessa comunidade de research
28:28para conseguir chegar lá.
28:30Mas existe uma demanda muito grande.
28:32E o que a gente vê é que esses labs
28:34estão desesperados
28:35atrás de mais dados
28:37para conseguir treinar.
28:38E não é uma falta de demanda,
28:41é mais como eles conseguem filtrar
28:43barulho, então noise,
28:45de coisa boa.
28:46barulho de coisa boa.
28:48E aí que entra um pouco,
28:49bom, as relações,
28:51criar essa credibilidade de research
28:53publicando benchmarks,
28:54publicando papers,
28:56e tudo isso que a gente faz
28:57para conseguir chegar neles.
28:59Mas a gente está bem feliz com o progresso.
29:00A gente começou em novembro do ano passado,
29:04e aí em dezembro, janeiro,
29:06estava meio que descobrindo
29:07o que fazer exatamente.
29:08Em fevereiro já conseguimos ir
29:10para um dos labs grandes,
29:11e aí o revenue foi crescendo,
29:13passando de 50 milhões
29:14de ARR de dólares
29:16uns tempos atrás.
29:18E essa jornada
29:20tem se provado,
29:22tem algumas coisas
29:23que a gente está fazendo certo,
29:24eu acho.
29:25E uma delas é justamente
29:26essa mistura de humano
29:28com sintético,
29:29que poucos estão fazendo assim.
29:30Então, é um desafio,
29:31eu acho que é um desafio grande,
29:32esse go-to-market
29:33onde você tem, sei lá,
29:35cinco, seis clientes no mundo.
29:36Então, é muito sensível, né,
29:40esse go-to-market.
29:41Se eu perco um cliente grande,
29:42perdi, sei lá,
29:4320, 30% do meu revenue, digamos.
29:46Então, é bem sensível isso,
29:47e é um trabalho de credibilidade,
29:50de research,
29:51que a gente tem que ir criando.
29:52Mas o que a gente tem visto também
29:54é que existe um abismo
29:56entre o que é feito
29:58lá na fronteira de AI,
30:00então, trabalhando com os labs
30:01e tudo mais lá,
30:02entendendo como fazer
30:03o que a gente chama
30:03desse post-training
30:04que a gente faz, por exemplo,
30:06benchmark,
30:06como trazer dados
30:08para poder melhorar
30:09modelos em domínios específicos.
30:11Tem um abismo
30:11entre o que eles fazem lá
30:12e a camada de aplicação
30:14e enterprise.
30:16E a gente viu, na verdade,
30:17inclusive,
30:17que uma evolução natural
30:19do que a gente estava fazendo
30:21é trazer esses conhecimentos
30:23de como medir uma coisa
30:25e melhorar essa coisa,
30:27que a gente estava fazendo isso
30:28para eles,
30:28lá na fronteira,
30:29para a camada de aplicação.
30:31E agora a gente está começando
30:32também com a servir enterprise,
30:34a ter como cliente enterprise
30:36Brasil, Estados Unidos, Europa,
30:40expandindo um pouco
30:41nessa filosofia de
30:42a gente aprendeu a medir
30:44e melhorar a AI,
30:45como a gente consegue
30:46aplicar isso em enterprise.
30:48E isso vem junto
30:50com um momento
30:50onde as pessoas começaram
30:53a usar token infinito,
30:56recentemente,
30:57e aí depois de um, dois meses,
30:59você vê que a sua conta
31:00está em milhões, literalmente,
31:02milhões de dólares por ano
31:03de token,
31:04muito mais do que
31:05com o humano.
31:06Inclusive, acho que recentemente
31:07saiu um artigo interessante
31:09de que o preço médio
31:11de um trabalhador
31:12nos Estados Unidos
31:13já está mais baixo
31:14do que o preço
31:15que está gastando
31:16com o token
31:17na maioria das empresas
31:18da camada de aplicação.
31:20Então, agora a gente está vendo
31:22que tem esse desejo
31:25em enterprise
31:26de baixar custo
31:28ou melhorar casos específicos.
31:30e a receita para fazer isso,
31:33os ingredientes,
31:34são meio que você conseguir
31:36medir a performance
31:38da sua AI.
31:38Então, digamos que você tem lá
31:40uma AI que você implementou
31:41de customer service.
31:44Você precisa de alguma forma
31:45de entender
31:46se essa AI é boa ou ruim
31:47e isso é o que a gente faz
31:48muito lá para os labs,
31:49mas em casos mais complexos.
31:51E uma vez que você entendeu,
31:53aí o que vem depois
31:54é que você pode entender
31:54que, ah, eu não preciso
31:55de um code code aqui.
31:57Eu posso só usar
31:58um modelo open source
31:59e que eu sirvo
32:00e baixar o custo
32:01em literalmente 100 vezes.
32:02Então, essa é uma oportunidade
32:04que a gente tem visto
32:04que exatamente
32:05o que a gente fazia lá
32:06se aplica para a enterprise
32:09em um outro ângulo aqui.
32:10Nessa nova vertical,
32:12você estava falando
32:12sobre gastos com tokens,
32:15gastos com inteligência artificial.
32:17Acho que, inicialmente,
32:19teve uma ânsia
32:20de usar a inteligência artificial
32:22e existia uma métrica
32:25de se cada funcionário
32:27não gasta X,
32:29ele não está sendo produtivo.
32:31E muitos funcionários,
32:33isso foi amplamente,
32:34saiu na imprensa,
32:36casos de que pessoas
32:38colocavam lá um bot
32:39para rodar alguma coisa
32:41para ficar gastando token.
32:43Isso não necessariamente
32:44significava produtividade.
32:47Mudou a métrica?
32:48Mudou essa visão do mercado?
32:50Então, eu acho que o que aconteceu,
32:52e essa é a minha opinião,
32:53mas que até lá para março,
32:57fevereiro desse ano,
32:59esses labs de AI
33:00não tinham achado
33:02product market fit mesmo.
33:04Você ter um chat
33:06não é uma coisa
33:07que vai te fazer
33:08ter um faturamento
33:10de 100, 200 milhões por ano,
33:11que é o que precisa
33:12para justificar
33:13essas valuations em anos.
33:15Então, quando chegou
33:16o Clode Code,
33:17esse, para mim,
33:18é a Antropic achando
33:20product market fit,
33:21onde está finalmente
33:22gerando valor
33:23realmente significativo
33:25para as pessoas
33:26e elas estão querendo
33:30pagar mais
33:30para poder usar mais
33:31porque está gerando valor.
33:33E com isso,
33:34o que aconteceu foi
33:35todo mundo começar
33:37a usar isso
33:37e vir esses mandatos
33:39de, por exemplo,
33:40ah, eu sei que tem valor aqui,
33:41então todo mundo
33:42vai ter que usar.
33:43Mas não é assim que funciona, né?
33:45Acho que é quase
33:46como um alto-falante.
33:48Mas se você começa
33:50a falar coisa errada
33:51ou que não ajuda em nada,
33:53só vai amplificar isso.
33:54E isso eu acho
33:55que é o que tem acontecido
33:56muito, assim.
33:58Então, até numa empresa,
33:59se você é um funcionário
34:01que não está gerando
34:02muito valor,
34:03você com AI,
34:04potencializado por AI,
34:05vai gerar ainda menos valor.
34:07Porque isso vai causar
34:08muito barulho.
34:09Você está...
34:09Causar muito gasto.
34:10Muito gasto e barulho.
34:12Você está gerando
34:12uma série de coisas.
34:13Por exemplo,
34:13se você escreve
34:15barulho no sentido
34:16de noise,
34:17se você escreve
34:19código, por exemplo,
34:20e você agora
34:21está usando AI,
34:22você consegue produzir
34:24cem vezes mais código,
34:26que vai ser ruim,
34:27porque você não estava
34:28produzindo código bom antes.
34:30Se você escreve
34:31um texto jornalístico
34:32com AI,
34:33você só vai conseguir
34:34escrever mais e mais e mais.
34:35Mas não vai ser melhor.
34:37Então, tem um pouco
34:38disso de como usar
34:40AI da maneira certa,
34:41que ainda não está
34:43muito propagado
34:44no mundo,
34:46na comunidade e tudo mais.
34:48E eu chutaria
34:50que mais de 80%
34:51dos tokens
34:51são inúteis,
34:53não geram valor.
34:54E a gente está pagando
34:55por eles, né?
34:57E aí, outra forma,
34:58porque tem uma certa arte
34:59em saber usar AI direito, né?
35:01Você precisa meio que
35:02dar o contexto
35:04que ela precisa,
35:06total e inteiro,
35:07para conseguir extrair
35:09as coisas de valor de lá.
35:11e esse é um skill
35:13que vai ganhando
35:14conforme vai aprendendo
35:15e tudo mais.
35:16Então, quando você tem
35:16esse mandato de,
35:17ah, tenho que usar
35:18muito mais AI,
35:19você não está usando
35:20da forma correta,
35:21ele só está gerando
35:22mais noise,
35:23o que o pessoal
35:23está chamando de AI slot,
35:25que é a gente
35:26mandando relatório,
35:27ó, fiz aqui o relatório,
35:28beleza,
35:2930 páginas de relatório
35:30que só está gerando
35:31mais tempo
35:32para a pessoa
35:32que ia ler,
35:33ler e não tem
35:35o que você realmente queria,
35:36sabe?
35:36Não tem valor.
35:38Então, está sendo transferido
35:39muito desse barulho,
35:41desse noise,
35:42desses documentos
35:44sem valor
35:44para cima e para baixo,
35:46onde só aumenta o tempo
35:47que eu vou gastar
35:47para ler,
35:48sabe?
35:50Porque o trabalho
35:51AI é muito bom
35:52em gerar coisas,
35:53é muito bom
35:54em gerar coisas
35:54falsamente boas,
35:56ou quase boas.
35:57E o trabalho
35:58do humano
35:59está sendo muito
36:00de verificar.
36:01Eu preciso,
36:02pelo menos,
36:03ler,
36:03entender exatamente
36:04o que está lá
36:05e ser um crítico
36:06e terá para melhorar.
36:08Mas,
36:08é muito difícil
36:09você distinguir,
36:10você fazer essa distinção,
36:11vem dois relatórios ali,
36:12nossa,
36:12tudo bonitinho aqui
36:13com gráfico,
36:14etc, etc, etc.
36:15O que é bom?
36:16Eu tenho que ler.
36:17E aí,
36:17agora eu vou gastar
36:17um tempo muito maior
36:18lendo,
36:19entendendo e tudo mais,
36:20porque agora eu tenho
36:21dez relatórios
36:22que chegaram para mim,
36:22sabe?
36:24E isso,
36:25sem falar de código,
36:26né?
36:26Que acho que é onde
36:27gasta mais dinheiro
36:28atualmente.
36:28É realmente escrever
36:29no código
36:30o software engineer.
36:31E está tendo agora,
36:32algumas empresas
36:33vieram procurar a gente,
36:34essa mudança não,
36:36mas essa expansão
36:38para a enterprise
36:39veio, na verdade,
36:41um pouco passiva.
36:42Foram empresas
36:42procurando a gente
36:43para fazer isso.
36:45E grande parte
36:47dos requests
36:49eram
36:49isso justamente de,
36:50ah,
36:51eu tenho agora
36:52codado,
36:53escrevido o código
36:53muito mais,
36:55e aí,
36:56três,
36:56quatro gerações
36:57depois de código,
36:58eu percebi
36:58que 90% do meu código
36:59era ruim,
37:00é difícil de manter
37:00e tudo mais.
37:02Então,
37:03como resolver isso,
37:04sabe?
37:04Como gastar menos
37:05de uma forma
37:07que seja melhor.
37:10E acho que vem aí
37:11um pouco desse,
37:12porque tem muito
37:13desse token maxim
37:14que a gente fala,
37:16né?
37:16Que é,
37:16em vez de você
37:18dar todo o contexto
37:19que a AI precisa
37:21e ter um output bom,
37:23você dá um contexto
37:24meio ruim ali e tal,
37:25pede uma coisa
37:25meio incompleta,
37:26e aí é que entram
37:28os agentes
37:29em vez de LLM,
37:31então o agente
37:31é tipo um LLM
37:32que tem ações
37:33e que fica testando
37:34coisas,
37:35e aí em vez de gastar
37:36fazer uma pergunta boa
37:38e ter o seu relatório
37:39pronto,
37:40ele vai ficar tentando,
37:41iterando, iterando
37:42e gasta literalmente
37:42cem vezes mais,
37:44várias vezes.
37:45Então,
37:45é um pouco,
37:46grande parte desse gasto
37:48em AI
37:48vem do fato
37:49da gente
37:50não saber usar bem.
37:53Existem formas
37:54mais técnicas
37:55de impor
37:57um bom uso,
37:58que é parte
37:59da nossa proposta
37:59de valor
38:00para a Enterprise.
38:01Então, Lucas,
38:02qual que seria
38:03o caminho das pedras
38:04para as empresas
38:06que estão adotando
38:07inteligência artificial
38:08para gastarem
38:09menos tokens,
38:10para terem gasto
38:11menor com a AI?
38:13Tem como a gente
38:14pensar
38:15que existe
38:16uma AI júnior,
38:17uma AI plena,
38:18uma AI sênior
38:19e cada um
38:20vai pegar uma tarefa
38:21ao invés de você pegar
38:22uma inteligência artificial
38:25sênior?
38:25fazendo uma analogia
38:26com cargos
38:28que a gente vê
38:29no mercado
38:29e colocar para fazer
38:30um trabalho
38:31de estagiário?
38:32Eu acho que a ideia
38:33é um pouco essa mesmo.
38:34Você não quer
38:35usar uma Ferrari
38:37para andar
38:37nos paralepípedos
38:38de uma rua
38:39de São Paulo,
38:40talvez.
38:42E acho que a ideia,
38:44a primeira forma
38:45de chegar lá
38:45e isso eu acho
38:46que é o que tem
38:46acontecido muito.
38:47Então,
38:48todo mundo usando,
38:49por exemplo,
38:49o Fable,
38:50que é esse modelo
38:50super caro,
38:51o último da Antropic,
38:52para fazer
38:52coisas básicas.
38:54E a primeira forma
38:55da gente
38:56de baixar esse curso,
38:57na minha opinião,
38:58é medir.
38:59Do mesmo jeito
39:00que você tem
39:01uma performance review
39:02de um funcionário
39:03no final do semestre
39:05e vai saber
39:06se ele é um senior
39:07ou um junior
39:07ou tudo mais
39:08e alocar ele
39:09de forma correta.
39:11é um pouco isso
39:12que a gente
39:12não está fazendo
39:13com o AI.
39:14A gente não
39:14está medindo.
39:15Então,
39:16de novo,
39:16eu tenho lá
39:16o meu assistente
39:18conversacional,
39:19eu não sei
39:20se ele é bom
39:20ou ruim.
39:21E essa eu acho
39:22que é a primeira etapa
39:23para conseguir
39:23baixar custo.
39:25Eu saber
39:27semideterministicamente,
39:28então eu ter
39:29uma medida lá
39:29de, ah,
39:30essa AI
39:31está performando
39:3270% aqui
39:33no meu use case
39:34e para mim
39:35é importante
39:36performar
39:3760% mais.
39:40nesse eu tenho
39:41aqui, por exemplo,
39:41sei lá,
39:43sumarização
39:43de documento.
39:44Ah, beleza,
39:45ninguém,
39:46quase ninguém
39:46no mercado
39:47está medindo isso.
39:49Está vendo,
39:49ah, eu tenho aqui
39:50minha AI
39:50e ela está performando
39:51o X.
39:52Uma vez que a gente
39:53consegue medir
39:54e é um pouco
39:55o que a gente
39:55tem feito
39:55para os labs,
39:57é um pouco
39:57esse é o conhecimento
39:58que a gente tem
39:58transferido para cá,
39:59que é lá
40:00o jeito de melhorar
40:01a AI
40:02é você literalmente
40:03medir
40:03como ela está
40:04performando
40:05e aí começar
40:06a fazer
40:06hill climb
40:07que a gente fala,
40:08que é aumentar
40:08nesse benchmark
40:09e a mesma coisa
40:10eu acho que tem
40:11que começar
40:11a ser feita
40:12em empresas.
40:13Primeiro você
40:14entende
40:15quão bom
40:15ou ruim
40:16a sua AI é
40:16para você conseguir
40:18testar alternativas,
40:20substituir AI
40:21por AI
40:21e aí que a gente
40:22substitui,
40:22por exemplo,
40:23um Fable,
40:23que é um AI
40:25Staff
40:25ou Senior
40:27e tudo mais
40:28por um Junior
40:29para fazer
40:30sumarização
40:31de documento,
40:32uma coisa mais simples.
40:33Então, dando exemplos
40:34aí, pensando
40:35para a gente entender
40:37qual seria
40:37uma AI
40:38por exemplo
40:39para revisar
40:40um documento
40:42e qual seria
40:42para fazer
40:43um código
40:43mais complexo?
40:45Por exemplo,
40:46para fazer um código
40:46mais complexo,
40:47o pessoal,
40:47melhor se usar
40:48um Fable
40:48ou um GPT 5.6
40:50para fazer
40:51sistemas muito grandes.
40:52Ah, quero fazer
40:53um aplicativo inteiro ali.
40:54Beleza, vamos usar
40:55um Fable,
40:55um GPT 5.6.
40:57Eu quero fazer
40:58uma sumarização
40:58de um documento
41:00de legal.
41:01Ah, pega um Kimi,
41:02até um DeepSeek
41:03da vida,
41:04aberto,
41:05você consegue até
41:05hostear
41:06no seu computador,
41:07na sua infraestrutura
41:08para não ter
41:09leak de data
41:10e tudo mais
41:10e isso consegue
41:12fazer muito bem.
41:13Mas você não sabe
41:14nem dizer
41:15a diferença
41:15se você não
41:16medir antes.
41:17Eu acho que
41:18essa é um pouco
41:19uma evangelização
41:20que está começando
41:21a acontecer agora
41:22e que eu estou vendo
41:23muito pouco
41:23no Brasil ainda.
41:25Então,
41:26chega para o CEO
41:27no final do ciclo
41:28assim,
41:29ah, olha,
41:29eu gasto de 100 milhões
41:30com AI.
41:31Quanto que eu poderia
41:32gastar menos?
41:32não sei,
41:33porque eu não sei
41:33nem quanto está performando,
41:34não sei nem
41:35onde que estão
41:36esses preços.
41:37Se, sei lá,
41:38será que eu consegui
41:39usar uma AI
41:40100 vezes mais barata?
41:41Não sei,
41:41porque eu não testei.
41:42Eu não consigo nem dizer
41:43se ela é tão boa
41:44quanto ou não.
41:45E é um pouco
41:46essa filosofia
41:47que a gente está tentando
41:48trazer para as empresas.
41:50De, primeiro,
41:51medir,
41:52entender
41:53onde está sendo gasto
41:54e como está sendo gasto
41:55e a performance
41:56daquilo e tudo mais.
41:57E uma vez que você mediu,
41:59tem várias oportunidades
42:00em cima.
42:00Você pode querer,
42:01por exemplo,
42:01melhorar a performance.
42:03Ah,
42:03meu Customer Service
42:04não está tão bom.
42:05Então,
42:05qual que é o ingrediente
42:06para melhorar a performance?
42:07Ah,
42:07posso fazer um
42:08post-training
42:08de um modelo.
42:10Então,
42:10beleza,
42:10vou fazer,
42:11vou treinar mais ali
42:12e especializar ele.
42:13Ou mudar a harness
42:14que a gente fala,
42:14que é esses agentes.
42:16Então,
42:16vou mudar a minha harness
42:17e entender,
42:18rodar ela nesse benchmark
42:19e ver se ela está melhor
42:20ou pior.
42:21Mas sem medir
42:21não tem muito
42:22como fazer isso.
42:23Ou,
42:24o objetivo pode ser outro.
42:25Ah,
42:25eu posso até ter
42:26uma performance menor
42:27se meu custo
42:27for menor.
42:28Então,
42:29eu quero baixar ali.
42:30Ah,
42:30estou com sucesso
42:31de 90%
42:32em sumarizar documento.
42:35Ou em fazer
42:36uma query SQL,
42:37não sei.
42:39Mas,
42:39se eu tivesse
42:40uma performance
42:40de 80%,
42:41já estaria satisfeito.
42:43E com isso,
42:43eu consigo 200 vezes
42:44menos gasto.
42:46Então,
42:46eu tenho um pouco
42:46esses trade-offs.
42:47Então,
42:48medir,
42:48eu acho que é a primeira etapa
42:49em te dar a informação
42:50que você precisa
42:51como CEO
42:53para poder tomar
42:54as decisões.
42:55Tem muita empresa
42:56que vem aqui,
42:57Lucas,
42:57e fala assim,
42:58ah,
42:58não dá para medir
43:00o retorno
43:01da inteligência artificial
43:02porque ela está
43:03muito entranhada
43:06em todos os sistemas.
43:07Não tem como medir
43:08esse ROI,
43:10né?
43:11Existe como medir
43:12o retorno
43:14dessa linha?
43:15Sim,
43:15e é exatamente
43:16essa proposta de valor
43:17que a gente acha
43:17que está faltando.
43:18Do mesmo jeito
43:19que é o nosso trabalho
43:22com os labs.
43:23A gente tem que medir
43:24quão bem
43:25o modelo está
43:26encodado.
43:27E como que faz isso?
43:28Ah,
43:28é uma arte toda
43:29de ir lá,
43:30o que precisa ser determinístico,
43:32escrever testes,
43:33o que pode ser
43:33um LLM as a judge.
43:35Tem várias e várias
43:35técnicas
43:36que são esses projetos
43:37de pesquisa gigantes
43:39que podem ser aplicados
43:41em qualquer área.
43:43Então,
43:43o caso mais simples
43:45é você definir
43:47um workflow
43:47muito preciso.
43:48Ah,
43:49então eu estou usando aqui
43:49AI para,
43:50não sei,
43:51fazer uma análise
43:53dos meus índices
43:54financeiros aqui.
43:56Como que eu meço
43:57se isso está bom ou não?
43:58Ah,
43:58então vamos isolar
43:59um pouco
43:59esse workflow ali.
44:01E não estou dizendo
44:01isolar no sentido
44:02de não estar integrado
44:03com o resto,
44:04mas criar
44:05uma versão dele,
44:06um snapshot dele
44:07meio isolado,
44:08criar dado fake
44:09ou dado representativo
44:11do mundo real
44:11mais isolado
44:12e umas formas
44:13de avaliar
44:14o output.
44:14E com isso
44:15eu consigo começar
44:16a medir.
44:16Então eu consigo medir,
44:17ah,
44:18eu estou
44:19gastando
44:20o X
44:20nesse workflow
44:21e isso está dando
44:22uma performance Y.
44:24E aí com esses números
44:25você consegue começar
44:26a tomar decisão,
44:27né?
44:28Mas eu acho que
44:29esse é um pouco
44:29que eu discordo
44:32otimisticamente
44:32que eu acho que dá
44:33para medir
44:34e isolar
44:35e começar a entender
44:36esse ROI.
44:37E eu acho que vai ser
44:38uma necessidade
44:39de todo mundo,
44:40né?
44:41Por agora.
44:42E se você fizesse isso,
44:44né?
44:44Se as empresas
44:44tivessem esse hábito
44:46de fazer essa medição
44:47ou então adotar
44:48essa escala, né?
44:52De inteligências
44:53artificiais
44:54para uma mais simples
44:55fazer tal tarefa,
44:56outra mais avançada
44:57fazer outra.
44:58Você acha que é possível
44:59economizar quanto?
45:01Então,
45:02as pesquisas recentes
45:03mostram coisa
45:04de cem vezes.
45:05Mas eu acho que
45:06depende muito
45:07da tarefa.
45:08Uma coisa interessante
45:10é que
45:12a diferença
45:14entre os modelos
45:15open source baratos
45:16e os que estão
45:17na fronteira
45:18sempre vai existir
45:19uma diferença.
45:20Mas imagina que,
45:21sei lá,
45:21os open source
45:22conseguem fazer
45:2270% do que
45:23os outros
45:24conseguem fazer.
45:25A quantidade
45:26de tarefa,
45:27e isso tudo
45:27vai aumentando,
45:29então a quantidade
45:29de tarefas
45:30que precisa ser feita
45:32só pela fronteira
45:33é cada vez menor.
45:35São só as coisas
45:36que estão realmente
45:36lá na fronteira
45:37do conhecimento,
45:38sabe?
45:38Só descoberta
45:39de droga,
45:41não sei,
45:41fazer genética,
45:43talvez codar,
45:44mas todo o resto
45:46vai sendo engolido
45:47cada vez mais
45:48por esses modelos
45:49baratos,
45:50por esses modelos
45:50juniors,
45:51que vão cada vez
45:52mais sendo menos
45:53juniors,
45:53porque eles também
45:54vão melhorando.
45:55Então a questão
45:57é como que a gente
45:58consegue identificar
45:59o que tem que ser
46:00feito por esses caros,
46:01fronteiras,
46:02super senior,
46:03e o que pode ser
46:04feito pelo resto.
46:06E a primeira etapa
46:07nisso é medir.
46:09Se você pudesse
46:10dar um conselho
46:11para um CEO
46:12que está querendo
46:13aplicar a inteligência
46:14artificial,
46:15ou então já começou,
46:15mas está muito
46:16sem orientação,
46:17qual seria?
46:18Eu acho que a primeira
46:19coisa é saber
46:21que AI não vai
46:23deixar todo mundo
46:24mais produtivo,
46:26só vai potencializar
46:28o que a pessoa
46:29já faz.
46:30Então,
46:30se tem muita gente
46:31que não faz
46:32coisa produtiva,
46:33AI vai potencializar
46:34isso e fazer
46:35ainda menos produtivo.
46:36E aí a questão
46:37é definir
46:38para poder adotar
46:39AI,
46:39eu acho que tem
46:40que definir primeiro
46:41quais são
46:41as métricas
46:43de sucesso
46:43ou não sucesso.
46:45Porque senão
46:45depois justamente
46:46vai ser difícil
46:46de medir o ROI,
46:47difícil de saber
46:48se está ajudando
46:49ou não,
46:49as consequências
46:50de ter usado
46:51a AI ruim.
46:51Só vamos vir daqui
46:52a seis,
46:52sete meses,
46:53quando você vê
46:54que a sua codebase
46:55inteira ficou ruim
46:56porque você usou
46:57a AI de uma forma
46:58incorreta.
46:59E eu acho que
47:00a segunda coisa
47:00é que realmente
47:01tem que passar
47:01um tempo usando,
47:02eu acho,
47:03para entender.
47:05Usando profundamente
47:06ali,
47:06entender o que são
47:07essas coisas
47:08de,
47:08ah,
47:09preciso passar
47:10um contexto
47:11meio inteiro ali
47:11para entender
47:12o que está acontecendo,
47:13senão vai vir
47:14resultado ruim.
47:15E aí eu acho
47:16que uma terceira coisa
47:16também é uma cultura,
47:18que a gente está tentando
47:19implementar agora
47:19na Veto,
47:20uma cultura
47:21de não ter
47:23AI slope.
47:24De,
47:25por favor,
47:27garanta que,
47:28use AI,
47:29gere coisas com AI,
47:30e isso é maravilhoso,
47:32mas garante,
47:33verifica,
47:33garante que está bom
47:34isso antes
47:35de ocupar
47:37o tempo
47:37de todo mundo,
47:38transferir
47:38essas coisas
47:39que não são boas,
47:40sabe?
47:40Então,
47:42não é que você
47:42tem que fazer
47:43menos com AI,
47:44é o que você
47:45tem que fazer
47:46é diferente.
47:46Tem que fazer
47:47coisa boa
47:48com a inteligência
47:49artificial,
47:49né?
47:49e tem que passar
47:50o tempo
47:50verificando,
47:53guiando a AI
47:54para o caminho
47:54certo,
47:55sabe?
47:55Justamente esse senso
47:56crítico que a gente
47:56falou e tudo mais.
47:58E se você,
47:59e é muito difícil
48:01separar,
48:02tipo,
48:02um documento
48:03que passou
48:04por esse senso
48:04crítico e foi
48:05melhorado e tal,
48:06e um documento
48:06que não tem.
48:07E como é que você
48:08consegue diferenciar
48:09isso e criar
48:10essa cultura
48:10na empresa
48:11de ter essa,
48:13de fazer
48:14essa verificação,
48:15essa garantia
48:16que o que você
48:16está mandando
48:17é bom?
48:17Porque não é
48:18milagre nenhum
48:18AI, não é que tudo
48:19que vai sair de lá
48:20é bom,
48:21é nosso trabalho
48:22fazer sair
48:23coisas boas,
48:24é uma tool,
48:25é uma ferramenta
48:26que nem tudo,
48:28não é uma coisa
48:29milagrosa ainda.
48:30Lucas,
48:31muito obrigada
48:31pela entrevista.
48:33Nada,
48:33que isso,
48:33o prazer foi meu.
48:35E a você que nos
48:36acompanhou,
48:36obrigada pela sua
48:37audiência,
48:38o Revolução
48:38Iá volta
48:39em breve,
48:40até lá.
48:41Casas Bahia,
48:42dedicação total
48:43a você.
48:48E aí
48:50Acession
48:50Acessão
48:50Acessão
48:51Acessão
48:52Acessão
48:54Acessão
48:54Tchau.
Comentários