ACE desenvolve playbooks para agentes de AI autossustentáveis
São Paulo — InkDesign News — Uma nova estrutura de inteligência artificial, chamada de Engineering Contexto Agentic (ACE), foi desenvolvida por Stanford University e SambaNova, abordando um desafio crítico em agentes de IA: a engenharia de contexto. Esta abordagem otimiza o uso de modelos de linguagem de grande escala (LLMs) por meio da automação de janelas de contexto que se adaptam e evoluem conforme o agente coleta experiências.
Tecnologia e abordagem
A ACE propõe uma nova forma de adaptar contextos, dividindo a tarefa em três funções especializadas: um Gerador, um Reflitor e um Curador. Inspirado no aprendizado humano, esse design modular evita sobrecarregar um único modelo. O Gerador elabora caminhos de raciocínio, o Reflitor analisa e extrai lições, enquanto o Curador sintetiza essas lições em atualizações compactas. Essa abordagem visa evitar a “amnésia digital” e a "tendência à brevidade", que afetam outras técnicas.
Estudos demonstraram que a ACE consegue prevenir a degradação do contexto ao manter um conjunto estruturado de informações, permitindo mudanças granulares sem reescrever o contexto inteiro. Ao invés de um resumo conciso, a ACE trata o contexto como um “playbook” dinâmico, que coleta e organiza estratégias ao longo do tempo.
Aplicação e desempenho
Os testes realizados em tarefas envolvendo raciocínio em múltiplas etapas e análise financeira específica demonstraram que a ACE supera outros métodos. A framework apresentou ganhos de desempenho médios de 10,6% em tarefas de agentes e 8,6% em benchmarks específicos de domínio, enquanto exigiu 86,9% menos latência em comparação com abordagens anteriores.
A ACE também oferece vantagens significativas em termos de transparência e rastreabilidade. Como os insights estão armazenados em texto legível, as partes interessadas podem facilmente reavaliar o que o AI aprendeu, facilitando a conformidade em setores regulados.
Impacto e mercado
A ACE redefine as práticas de implementação de LLMs em organizações, permitindo que empresas utilizem modelos locais e mantenham dados sensíveis, enquanto continuam a obter resultados de alta qualidade. A longo prazo, isso pode mudar o modo como as empresas utilizam IA, permitindo que especialistas em domínio personalizem diretamente o conhecimento que o AI possui.
Além disso, a estrutura não aumenta proporcionalmente os custos, pois as modernas infraestruturas estão otimizadas para gerenciar cargas de trabalho de longos contextos, utilizando técnicas como reutilização de cache e compressão.
“Isso significa que as empresas não precisam depender de modelos proprietários massivos para se manter competitivas.”
(“This means companies don’t have to depend on massive proprietary models to stay competitive.”)— Pesquisadores, Stanford University e SambaNova
A implementação da ACE representa um avanço significativo na engenharia de contexto em IA, ao oferecer um caminho para que sistemas continuem adaptando-se e melhorando continuamente.
Fonte: (VentureBeat – AI)
