Nos últimos anos, novas abordagens em aprendizagem máquina (ML) surgiram, caracterizadas por capacidades generalizáveis e extensivas na geração de textos e imagens. A combinação de GenAI, que produz conteúdo, e os chamados LFMs, ou seja, grandes modelos com bilhões de parâmetros treinados em enormes conjuntos de dados, demonstrou um sucesso notável em tornar a IA aplicável a áreas anteriormente desafiadoras de automatizar. Embora o ML clássico continue sendo uma ferramenta indispensável para muitas aplicações, os LFMs oferecem capacidades poderosas para uma ampla gama de tarefas complexas.
A ascensão do GenAI e dos LFMs já mudou e continuará a remodelar dramaticamente a forma como a IA é adotada na indústria. As organizações industriais podem obter benefícios significativos ao integrar LFMs, como OpenAI GPT-x, Google BARD e FALCON. As empresas estão atualmente experimentando o uso de GenAI e se esforçando para desenvolver novas ofertas de serviços, criar novos modelos de negócios ou aprimorar os modelos de negócios existentes para aumentar a eficácia e a eficiência.
Os LFMs oferecem às empresas um alto potencial para automatizar seus processos e desenvolver soluções mais rapidamente do que antes, abordando novos campos de automação. Estes incluem, atualmente, diálogo e interação conversacional entre humanos e máquinas, trabalho extensivo de texto, geração de imagens direcionadas, sistemas especialistas e trabalho de programação. No futuro, veremos LFMs com mais capacidades multimodais, permitindo combinar e processar diferentes tipos de entrada provenientes de fontes linguísticas, visuais, gestuais, espaciais e de áudio, levando a capacidades ainda melhores na interação com humanos, bem como novas capacidades completamente novas, por exemplo, no controle e manutenção de máquinas, assistência a humanos e na busca de soluções complexas em diferentes domínios como e-commerce, e-health, automação industrial, engenharia, cibersegurança e finanças. Assim, os LFMs abrem caminho para aplicações e serviços novos e inovadores que eram ineficientes ou impossíveis de implementar com modelos tradicionais.
Simultaneamente, o tamanho dos modelos, a natureza de seu treinamento, suas enormes capacidades e sua versatilidade apresentam muitos desafios imprevistos para a indústria que dificultam sua adoção ou levam a falhas em projetos. Os desafios variam desde o alto custo e a falta de infraestrutura para treinamento e operação, passando pela natureza propensa a erros dos modelos, até preocupações éticas, legais e de conformidade no contexto de privacidade, direitos de propriedade intelectual e direitos pessoais, conforme detalhado abaixo das perspectivas de tecnologia, regulamentação e mercado.
No geral, três perspectivas descrevem os desafios para a indústria europeia:
1. Novos desafios técnicos não resolvidos e riscos na adaptação, provisão, integração e manutenção de LFMs para uso eficiente**. Para usar GenAI e LFMs de forma eficaz, os modelos devem ser adaptados a problemas específicos. Semelhante a um processo clássico de treinamento e desenvolvimento, o processo de adaptação é intensivo em ferramentas e recursos, requer expertise específica e carrega o risco de não produzir os resultados desejados. Além disso, os LFMs compartilham problemas de qualidade e propriedades semelhantes aos modelos de ML clássicos, mas devido ao seu tamanho e falta de transparência, os problemas geralmente são ainda mais difíceis de identificar e eliminar. Atualmente, acredita-se que modelos contemporâneos, como o ChatGPT, produzem entre 15 e 20% de respostas incorretas para perguntas gerais complexas. A integração em aplicações industriais deve garantir a detecção e eliminação de problemas de qualidade.
2. Ambiguidades legais e regulatórias quanto ao uso e usabilidade de LFMs e conteúdo gerado por LFMs**. A Europa, em particular a União Europeia (UE), deu passos proativos para abordar os desafios e implicações da IA e das tecnologias digitais. LFMs que usam ou processam dados pessoais devem cumprir os rigorosos requisitos do GDPR. Mesmo quando os dados são anonimizados para treinar modelos generativos, há potencial para desanonimização ou recuperação de dados inferidos que poderiam violar os padrões de proteção de dados. Se um LFM for treinado em dados proprietários, os resultados gerados podem levar a violações de direitos. Atualmente, ainda não está claro quem possui os direitos sobre o conteúdo gerado pela IA, incluindo se invenções geradas por IA podem ser patenteadas. Além disso, há questões de responsabilidade não resolvidas e a implementação ainda não resolvida da Regulamentação Europeia de IA, incluindo questões regulatórias sobre transparência, explicabilidade, não discriminação e verificação necessária.
3. Tendências de monopolização na provisão de LFMs podem levar a novas e indesejáveis dependências na cadeia de valor para serviços industriais**. LFMs são amplamente fornecidos por grandes empresas de tecnologia, como OpenAI, Meta, Google e Baidu. 73% dos modelos originam-se dos EUA e 15% da China. Na Europa, iniciativas como LEAM, AlephAlpha, OpenGPT-X e BLOOM visam implementar valores europeus, mas ainda não desempenharam um papel decisivo. Há um risco significativo de que a situação atual possa resultar em um cenário onde modelos e serviços associados, como adaptação de modelos, serão predominantemente controlados por algumas empresas localizadas fora da UE. Isso levará a uma maior concentração de mercado, o que, considerando a importância dessa tecnologia, pode ter um impacto negativo imenso na competitividade da indústria europeia.
Dado que atualmente apenas grandes players não europeus, financeiramente fortes, como Google, Meta, Microsoft/OpenAI, podem arcar com os recursos para desenvolver, manter e prestar serviços de LFMs, há uma forte necessidade de capacitar as empresas europeias a superar os desafios técnicos, regulatórios e de mercado mencionados acima e aproveitar as capacidades europeias no desenvolvimento, adaptação, extensão, integração e implantação de LFMs dentro do quadro legal da UE de forma eficiente e eficaz. Embora LFMs e GenAI tenham um imenso potencial em várias indústrias, falta uma abordagem consistente e sistemática para permitir a adaptação de LFMs a tarefas específicas de domínio de maneira eficaz e eficiente. Isso se torna um obstáculo particular para aplicações, domínios de aplicação ou indústrias fortemente dependentes de capacidades específicas, como ajuste fino e adaptação de LFMs, e onde, entre outras, propriedades como correção, interpretabilidade e justiça são críticas.
O ELFMo abordará especificamente os problemas técnicos dentro da área de uma abordagem de engenharia e integração baseada em riscos para a adaptação confiável de GenAI e LFMs em casos de uso industrial personalizados ou personalizados. O ELFMo abordará o desafio da eficiência e eficácia em POC, desenvolvimento e operação em termos de esforço e recursos necessários.
Investimento total
765.254 €
Investimento elegível
765.202 €
Objetivo
Norte Mais Competitivo