Modelos de decisão estão ganhando espaço no uso de inteligência artificial, e a startup britânica Sqwish aposta que a personalização com dados dos clientes pode diferenciá-los. A empresa anunciou uma rodada pre-seed de US$ 3 milhões em 17 de novembro para desenvolver sua oferta, que inclui ferramentas para ajustar o comportamento dos modelos após o treinamento inicial.
Segundo a matéria, em outubro mais de um em cada quatro pedidos encaminhados pelo roteador de modelos de IA da Vercel foi para modelos de decisão. Eles são descritos como modelos de linguagem que, em vez de gerar texto, escolhem entre opções predefinidas e registram o nível de confiança da decisão. A abordagem pode ser útil em sistemas de produção, nos quais rapidez e custo podem pesar mais do que o raciocínio de um modelo de fronteira, geralmente mais lento e caro.
A TypeSafe, avaliada em US$ 7,5 bilhões após lançar a família Jev, continua liderando o uso observável desses modelos, de acordo com a matéria. Na semana anterior à publicação, o serviço OpenRouter processou mais de 1,5 bilhão de consultas aos modelos da empresa. A popularidade de Jev também levou ao lançamento de outras opções: em 17 de novembro, o presidente-executivo da Microsoft, Satya Nadella, disse que o Microsoft-Decision-1.1 estava sendo disponibilizado amplamente no Azure.
A Sqwish foi fundada por Ushnish Sengupta e Federica Freddi, que se conheceram durante a pós-graduação em Cambridge. Antes da chegada de Jev, os dois trabalhavam em modelos de linguagem menores; depois, perceberam que poderiam adaptar suas arquiteturas para criar modelos de decisão. A empresa também trabalha com dados sintéticos, usados para treinar e ajustar modelos.
A diferença que a Sqwish apresenta é oferecer ferramentas integradas de pós-treinamento que permitem usar dados próprios dos clientes para calibrar o julgamento do modelo. Sengupta afirmou que os clientes podem continuar enviando dados de produção para que os modelos melhorem nas tarefas de seu interesse. O executivo descreveu esse ajuste contínuo como motivo para que as empresas permaneçam usando o serviço, para além de testar o modelo inicialmente.
O modelo da startup, chamado kettei fat, teve bom desempenho em alguns benchmarks, mas a matéria ressalta que comparar modelos de decisão é difícil. Desenvolvedores costumam avaliar cada opção em seus próprios contextos, substituindo um modelo por outro e observando os resultados. Para Sengupta, os benchmarks servem sobretudo como convite para experimentar; o ajuste contínuo é o que pode incentivar a continuidade do uso.
A Microsoft também destaca a necessidade de avaliar os modelos em condições que se aproximem das aplicações reais. Achint Srivastava, vice-presidente de engenharia que liderou o projeto Decision 1.1, disse que a empresa buscou equilibrar custo, latência, inteligência e calibração. Ele alertou que modelos muito otimizados para benchmarks podem falhar rapidamente em uso empresarial e afirmou ser difícil reunir precisão, confiabilidade, velocidade e eficiência de custo em um único sistema. Segundo Srivastava, o Microsoft-Decision-1.1 e o Jev estão entre os poucos modelos que apresentam bom desempenho nessas quatro dimensões, inclusive em avaliações com benchmarks não vistos durante o desenvolvimento e voltados a casos de uso reais.
Para a Sqwish, a disputa com grandes empresas de tecnologia e laboratórios de modelos de fronteira pode abrir espaço para startups especializadas. Freddi prevê que sistemas futuros combinem a chamada inteligência System One, associada a decisões rápidas, com a System Two, ligada a modelos de fronteira capazes de raciocínio mais elaborado. Ela avalia que a primeira categoria pode representar uma oportunidade de US$ 10 bilhões a US$ 50 bilhões, embora seja um foco secundário para empresas que perseguem avaliações de mercado muito maiores.










