1
resposta

Preparando o ambiente

Muito bom ir mostrando o cada modelo consegue fazer, assim podemos ver qual se adequa melhor ao que precisamos

1 resposta

Olá, Marcelo. Como vai?

Sua reflexão é cirúrgica e toca em um dos pontos mais importantes da Inteligência Artificial hoje: a escolha estratégica do modelo de linguagem (LLM).

Muitas vezes, as pessoas acreditam que a Engenharia de Prompt consiste apenas em escrever textos bonitos ou comandos longos. No entanto, entender a capacidade técnica, o comportamento e até o custo-benefício de cada modelo para uma tarefa específica é uma habilidade de nível avançado.

Esse pilar da preparação do ambiente e avaliação de modelos se conecta perfeitamente ao seu dia a dia profissional como Analista de Crédito:

  • Tarefas de Classificação e Extração (Modelos Menores/Mais Rápidos): Se você precisa apenas ler um relatório financeiro bruto e extrair o CNPJ, o faturamento anual e o nível de risco atual em um formato padronizado (como JSON), modelos menores ou mais focados em automação resolvem o problema com extrema rapidez e baixo custo.
  • Tarefas de Raciocínio Complexo (Modelos Avançados/Raciocínio): Por outro lado, se o seu objetivo é cruzar dados macroeconômicos do mercado de varejo com o balanço patrimonial de uma empresa para prever cenários de inadimplência, você precisará de modelos mais robustos, que possuam capacidade de raciocínio profundo (Chain of Thought) para não deixar nenhum detalhe escapar.

Como você está entrando no capítulo de Few-Shot Prompting (técnica onde ensinamos a IA fornecendo alguns exemplos antes do comando final), testar essa técnica em diferentes modelos é um ótimo exercício. Você vai notar que modelos mais avançados aprendem padrões com apenas um ou dois exemplos (Few-Shot), enquanto modelos mais simples podem precisar de instruções mais amarradas ou de uma base maior de exemplos para não desviarem do padrão esperado.

Parabéns por acompanhar o curso com essa visão analítica e focada em aplicabilidade prática!

Espero que possa ter lhe ajudado!