Bancada Generative AI
Ir para notas que citam estaA Bancada Generative AI é a frente do Solutis LabS dedicada a ampliar o repertório técnico em inteligência artificial generativa, acompanhando a evolução dos LLMs, das arquiteturas, das categorias e das aplicações em software.
A inspiração declarada da bancada não é técnica: é compreender profundamente o universo da IA para permitir decisões técnicas conscientes e estratégicas. A pergunta que organiza o trabalho não é apenas o que a tecnologia faz, mas quando e por que ela gera valor, uma distinção que importa num domínio em que o ritmo de novidades convida a adotar ferramentas antes de entender seus limites. Na Identidade Visual do LabS, a bancada é representada pelo planeta laranja.
Os domain sets que mapeiam o território
O mapa de conhecimento da bancada está organizado em doze domain sets, que juntos cobrem dos fundamentos dos modelos à governança e à experiência de uso.
| Domain Set | Foco |
|---|---|
| Aspectos Sociais | Impactos organizacionais e humanos da IA |
| UX e Dados | Experiência do usuário e integração com dados |
| Componentes de Software | IA como parte da arquitetura de sistemas |
| Personalização em Escala | Adaptação de respostas e comportamentos |
| Exploração de LLMs | Arquiteturas, capacidades e limitações |
| Governança e Segurança | Ética, métricas e controle |
| LLMs com Dados | Datasets, APIs, pipelines e serviços |
| Edge AI | Execução em ambientes com recursos limitados |
| Modelos Open Source | Modelos abertos e self-hosted |
| IA Multimodal | Texto, imagem, áudio e vídeo |
| LLMs como Camada de Software | Integração em sistemas corporativos |
| UX para Sistemas com IA | Experiência mediada por inteligência artificial |
Do primeiro ciclo conceitual ao aprofundamento em recuperação
O primeiro ciclo da bancada foi de ampliação de repertório sobre as técnicas que dominavam a conversa do mercado: geração aumentada por recuperação, ajuste fino de modelos e agentes. O grupo se dividiu por técnica, estudou cada uma em nível conceitual e trouxe o resultado de volta para a bancada, num formato em que quem já tinha explorado o tema antes contribuía com a discussão.
O ciclo seguinte apertou o foco na geração aumentada por recuperação, pela constatação de que sua eficácia varia bastante conforme o tipo de aplicação. O aprofundamento cobriu a divisão dos dados em blocos e a escolha do tipo de bloco, a vetorização desses dados, os tipos de embeddings que viabilizam a busca vetorial, a comparação entre os modelos menores que estavam surgindo e os modelos grandes, e a integração de todas essas peças em uma aplicação de verdade. A conclusão prática foi que o conceito é simples e a montagem não: há muitos detalhes e muitas variações de ferramenta em cada decisão.
Na retomada seguinte, a bancada partiu para mapear as variações, alternativas e complementos surgidos em torno dessa técnica, já não tratando a recuperação como resposta única.
Learning prototypes e o foco em LLMs dentro do software
O Learning Prototype da bancada nasceu da fase de experimentação do Ciclo de Exploração da Bancada e tomou a forma de um projeto de especialização de LLM: fazer um modelo se comportar de maneira específica para um caso de uso, reunindo um grupo voluntário ao longo de cerca de seis a sete encontros usados para avaliar o trabalho e estender a abordagem a outros casos. O tema corresponde ao domain set de LLMs com dados, combinando ajuste fino e recuperação em contexto corporativo.
O foco seguinte desloca a bancada da técnica isolada para a arquitetura: tratar LLMs como componentes dentro de softwares, com atenção principal às frentes de experiência de uso e de dados. É o mesmo movimento que a Bancada faz em qualquer domínio, do entendimento da tecnologia à sua colocação dentro de um sistema.