Além do RAG: Como os modelos de supply chain da Articul8 alcançam 92% de precisão onde a IA geral falha.

Na corrida para implementar a IA nas operações empresariais, muitas organizações estão descobrindo que modelos de uso geral muitas vezes têm dificuldades com tarefas industriais especializadas que exigem profundo conhecimento do domínio e raciocínio sequencial.

Embora o ajuste fino e a Geração Aumentada por Recuperação (RAG) possam ajudar, muitas vezes isso não é suficiente para casos de uso complexos, como a cadeia de suprimentos. Esse é um desafio que a startup Articul8 está tentando resolver. Hoje, a empresa lançou uma série de modelos de IA específicos para o domínio de cadeias de suprimentos de manufatura, chamada A8-SupplyChain. Os novos modelos são acompanhados pela ModelMesh da Articul8, que é uma camada de orquestração dinâmica potenciada por IA que toma decisões em tempo real sobre quais modelos de IA usar para tarefas específicas.

A Articul8 afirma que seus modelos alcançam 92% de precisão em fluxos de trabalho industriais, superando modelos de IA de uso geral em tarefas complexas de raciocínio sequencial.

A Articul8 começou como uma equipe de desenvolvimento interno dentro da Intel e se tornou uma empresa independente em 2024. A tecnologia surgiu de trabalhos na Intel, onde a equipe construiu e implementou modelos de IA multimodais para clientes, incluindo o Boston Consulting Group, antes mesmo do lançamento do ChatGPT.

A empresa foi criada em torno de uma filosofia central que contrasta com a abordagem do mercado atual em relação à IA empresarial.

“Estamos fundamentados na crença de que nenhum modelo único levará a resultados empresariais; você realmente precisa de uma combinação de modelos”, disse Arun Subramaniyan, CEO e fundador da Articul8, ao VentureBeat em uma entrevista exclusiva. “Você precisa de modelos específicos para o domínio para realmente atacar casos de uso complexos em indústrias regulamentadas, como aeronáutica, defesa, manufatura, semicondutores ou cadeia de suprimentos.”

O desafio da IA na cadeia de suprimentos: Quando a sequência e o contexto determinam o sucesso ou o fracasso

As cadeias de suprimentos de manufatura e industriais apresentam desafios únicos para a IA que modelos de uso geral têm dificuldade em lidar de forma eficaz. Esses ambientes envolvem processos complexos de várias etapas onde a sequência, a lógica ramificada e as interdependências entre as etapas são críticas para a missão.

“No mundo da cadeia de suprimentos, o princípio subjacente é que tudo é uma série de etapas,” explicou Subramaniyan. “Tudo é uma série de passos relacionados, e os passos às vezes têm conexões e às vezes têm recursões.”

Por exemplo, se um usuário está tentando montar um motor a jato, normalmente existem vários manuais. Cada um dos manuais contém pelo menos algumas centenas, se não milhares, de etapas que precisam ser seguidas em sequência. Esses documentos não são apenas informações estáticas—são efetivamente dados de séries temporais representando processos sequenciais que devem ser seguidos com precisão. Subramaniyan argumentou que modelos de IA gerais, mesmo quando aumentados com técnicas de recuperação, muitas vezes falham em compreender essas relações temporais.

Esse tipo de raciocínio complexo—rastrear de volta por um procedimento para identificar onde ocorreu um erro—representa um desafio fundamental que os modelos gerais não foram projetados para lidar.

ModelMesh: Uma camada de inteligência dinâmica, não apenas mais um orquestrador

No coração da tecnologia da Articul8 está o ModelMesh, que vai além das estruturas típicas de orquestração de modelos para criar o que a empresa descreve como “um agente de agentes” para aplicações industriais.

“O ModelMesh é, na verdade, uma camada de inteligência que conecta e continua a decidir e avaliar as coisas ao longo do caminho, passo a passo,” explicou Subramaniyan. “É algo que tivemos que construir completamente do zero, porque nenhuma das ferramentas existentes de fato se aproxima do que precisamos fazer, que é tomar centenas, às vezes até milhares, de decisões em tempo real.”

Diferente de estruturas existentes como LangChain ou LlamaIndex que fornecem fluxos de trabalho pré-definidos, o ModelMesh combina sistemas bayesianos com modelos de linguagem especializados para determinar dinamicamente se as saídas estão corretas, quais ações tomar em seguida e como manter a consistência em processos industriais complexos.

Essa arquitetura possibilita o que a Articul8 descreve como IA agente industrial de alta qualidade—sistemas que não apenas raciocinam sobre processos industriais, mas que também os conduzem ativamente.

Além do RAG: Uma abordagem de baixo para cima para a inteligência industrial

Enquanto muitas implementações de IA empresarial dependem da geração aumentada por recuperação (RAG) para conectar modelos gerais a dados corporativos, a Articul8 adota uma abordagem diferente para construir expertise de domínio.

“Na verdade, pegamos os dados subjacentes e os dividimos em seus elementos constitutivos,” explicou Subramaniyan. “Dividimos um PDF em texto, imagens e tabelas. Se for áudio ou vídeo, nós o separarmos em seus elementos constitutivos e, então, descrevemos esses elementos usando uma combinação de diferentes modelos.”

A empresa começa com o Llama 3.2 como base, escolhido principalmente por sua licença permissiva, mas então o transforma através de um sofisticado processo em várias etapas. Essa abordagem em múltiplas camadas permite que seus modelos desenvolvam uma compreensão muito mais rica dos processos industriais do que simplesmente recuperar pedaços relevantes de dados.

Os modelos da SupplyChain passam por várias etapas de aprimoramento projetadas especificamente para contextos industriais. Para tarefas bem definidas, utilizam ajuste fino supervisionado. Para cenários mais complexos que exigem conhecimento especializado, implementam ciclos de feedback onde especialistas do domínio avaliam as respostas e fornecem correções.

Como as empresas estão usando a Articul8

Ainda é cedo para os novos modelos, mas a empresa já afirma ter diversos clientes e parceiros, incluindo a iBase-t, a Itochu Techno-Solutions Corporation, a Accenture e a Intel.

Como muitas organizações, a Intel começou sua jornada de IA generativa avaliando modelos de uso geral para explorar como poderiam apoiar operações de design e manufatura.

“Embora esses modelos sejam impressionantes em tarefas abertas, rapidamente descobrimos suas limitações quando aplicados ao nosso ambiente de semicondutores altamente especializado,” disse Srinivas Lingam, vice-presidente corporativo e gerente do grupo de rede, edge e IA da Intel, ao VentureBeat. “Eles tiveram dificuldades em interpretar a terminologia específica dos semicondutores, entender o contexto a partir de registros de equipamentos ou raciocinar através de complexos cenários de inatividade com múltiplas variáveis.”

A Intel está implantando a plataforma da Articul8 para construir o que Lingam chamou de – Assessor de Incidentes de Manufatura – um sistema inteligente baseado em linguagem natural que ajuda engenheiros e técnicos a diagnosticar e resolver eventos de inatividade de equipamentos nas fábricas da Intel. Ele explicou que a plataforma e os modelos específicos do domínio ingerem tanto dados históricos quanto em tempo real da manufatura, incluindo registros estruturados, artigos não estruturados de wikis e repositórios internos de conhecimento. Isso ajuda as equipes da Intel a realizar análises de causa raiz (RCA), recomenda ações corretivas e até automatiza partes da geração de ordens de trabalho.

O que isso significa para a estratégia de IA empresarial

A abordagem da Articul8 desafia a suposição de que modelos de uso geral com RAG serão suficientes para todos os casos de uso em empresas que implementam IA em contextos de manufatura e industriais. A diferença de desempenho entre modelos especializados e gerais sugere que tomadores de decisão técnica devem considerar abordagens específicas do domínio para aplicações críticas onde a precisão é primordial.

À medida que a IA avança de experimentação para produção em ambientes industriais, essa abordagem especializada pode oferecer um retorno sobre investimento (ROI) mais rápido para casos de uso específicos de alto valor, enquanto modelos gerais continuam a atender necessidades mais amplas e menos especializadas.