Lar
Provavelmente conseguirá recursos da ordem de 9 milhões de dólares para desenvolver uma IA mais confiável.

Apesar do crescente poder dos LLMs, as alucinações continuam sendo um desafio persistente. Mesmo os modelos mais avançados geram erros, e embora existam métodos para detectá-los, o setor ainda está aperfeiçoando a melhor abordagem.
A Probably, que recentemente obteve 9 milhões de dólares em financiamento inicial da Andreessen Horowitz, tem como objetivo desenvolver um método mais robusto para detecção de erros.
O fundador Peter Elias (na foto acima) explica que a missão da empresa é impedir que alucinações e erros factuais cheguem aos usuários, visando uma precisão de 99,99%, típica dos sistemas determinísticos — um nível muito mais difícil de alcançar com inteligência artificial. Para conseguir isso com LLMs, ele ressalta que é preciso repensar as premissas fundamentais da engenharia de IA.
O produto inicial da Probably é uma ferramenta de ciência de dados projetada para gerar respostas rápidas a partir de conjuntos de dados complexos. Cada resultado inclui uma citação e um rastro de auditoria de sua derivação, prática que está se tornando padrão em ferramentas de IA.
Para evitar que erros cheguem a esses resumos, a empresa criou um sistema elaborado que Elias chama de “traje mecânico de ciência de dados”. As respostas iniciais do LLM são validadas por um sistema determinístico, que rejeita quaisquer resultados inconsistentes com o conjunto de dados. O LLM foi treinado para funcionar em conjunto com esse validador, e todo o sistema é otimizado para velocidade e precisão, segundo a empresa.
“O que aprendemos é que, quanto mais robusto for o seu sistema de suporte, menor precisa ser o poder do modelo”, afirma Elias. “Se você aperfeiçoar suficientemente o contexto, o modelo não precisará se esforçar para produzir resultados corretos. Essencialmente, trata-se de reduzir a ambiguidade.”
Isso permite que a ferramenta de ciência de dados da Probably opere com modelos de IA muito menores. Elias observa que a versão atual utiliza um modelo “quatro categorias mais fraco do que os modelos de ponta”, o que lhe permite rodar em hardware local — um computador desktop, e não em um data center — reduzindo significativamente os custos associados ao uso da IA.
Essa abordagem é oportuna, já que os custos dos tokens estão aumentando e muitos clientes estão reavaliando seus orçamentos para IA. A visão de Elias vai além da ciência de dados; o mesmo mecanismo pode ser adaptado para casos de uso como contabilidade ou serviços médicos — em suas palavras, “qualquer cenário sensível à precisão”.
“É surpreendente que os principais laboratórios de IA ainda nem tenham tentado essa abordagem”, diz Elias. “Eles têm incentivos contrários, pois lucram com a necessidade de correções repetidas.”
Artigo relacionado
O TechCrunch Disrupt 2026 chega ao fim
Chegou o último dia do TechCrunch Disrupt 2026, encerrando uma semana intensa. Com mais de 10.000 fundadores, investidores e líderes do setor de tecnologia reunidos no Moscone West, em São Francisco,
A QueryStory recomenda cautela em relação ao conteúdo gerado por IA
Em 2009, Shapor Naghibzadeh descobriu o poder de uma narrativa envolvente enquanto trabalhava como engenheiro de operações de sistemas no Google. Durante a Operação Aurora, quando hackers patrocinados
Código de IA gasta 12,15 milhões de yuans, ultrapassando o orçamento em 860%: incidente interno na Amazon soa o alarme sobre os custos corporativos com IA
A mídia norte-americana noticiou recentemente um significativo estouro nos custos com IA na Amazon, onde o uso, por parte de um engenheiro, do modelo Claude Sonnet, da Anthropic, para cruzar dados de
Recomendações de tópicos especiais relacionados
Comentários (0)

Apesar do crescente poder dos LLMs, as alucinações continuam sendo um desafio persistente. Mesmo os modelos mais avançados geram erros, e embora existam métodos para detectá-los, o setor ainda está aperfeiçoando a melhor abordagem.
A Probably, que recentemente obteve 9 milhões de dólares em financiamento inicial da Andreessen Horowitz, tem como objetivo desenvolver um método mais robusto para detecção de erros.
O fundador Peter Elias (na foto acima) explica que a missão da empresa é impedir que alucinações e erros factuais cheguem aos usuários, visando uma precisão de 99,99%, típica dos sistemas determinísticos — um nível muito mais difícil de alcançar com inteligência artificial. Para conseguir isso com LLMs, ele ressalta que é preciso repensar as premissas fundamentais da engenharia de IA.
O produto inicial da Probably é uma ferramenta de ciência de dados projetada para gerar respostas rápidas a partir de conjuntos de dados complexos. Cada resultado inclui uma citação e um rastro de auditoria de sua derivação, prática que está se tornando padrão em ferramentas de IA.
Para evitar que erros cheguem a esses resumos, a empresa criou um sistema elaborado que Elias chama de “traje mecânico de ciência de dados”. As respostas iniciais do LLM são validadas por um sistema determinístico, que rejeita quaisquer resultados inconsistentes com o conjunto de dados. O LLM foi treinado para funcionar em conjunto com esse validador, e todo o sistema é otimizado para velocidade e precisão, segundo a empresa.
“O que aprendemos é que, quanto mais robusto for o seu sistema de suporte, menor precisa ser o poder do modelo”, afirma Elias. “Se você aperfeiçoar suficientemente o contexto, o modelo não precisará se esforçar para produzir resultados corretos. Essencialmente, trata-se de reduzir a ambiguidade.”
Isso permite que a ferramenta de ciência de dados da Probably opere com modelos de IA muito menores. Elias observa que a versão atual utiliza um modelo “quatro categorias mais fraco do que os modelos de ponta”, o que lhe permite rodar em hardware local — um computador desktop, e não em um data center — reduzindo significativamente os custos associados ao uso da IA.
Essa abordagem é oportuna, já que os custos dos tokens estão aumentando e muitos clientes estão reavaliando seus orçamentos para IA. A visão de Elias vai além da ciência de dados; o mesmo mecanismo pode ser adaptado para casos de uso como contabilidade ou serviços médicos — em suas palavras, “qualquer cenário sensível à precisão”.
“É surpreendente que os principais laboratórios de IA ainda nem tenham tentado essa abordagem”, diz Elias. “Eles têm incentivos contrários, pois lucram com a necessidade de correções repetidas.”
O TechCrunch Disrupt 2026 chega ao fim
Chegou o último dia do TechCrunch Disrupt 2026, encerrando uma semana intensa. Com mais de 10.000 fundadores, investidores e líderes do setor de tecnologia reunidos no Moscone West, em São Francisco,
A QueryStory recomenda cautela em relação ao conteúdo gerado por IA
Em 2009, Shapor Naghibzadeh descobriu o poder de uma narrativa envolvente enquanto trabalhava como engenheiro de operações de sistemas no Google. Durante a Operação Aurora, quando hackers patrocinados
Código de IA gasta 12,15 milhões de yuans, ultrapassando o orçamento em 860%: incidente interno na Amazon soa o alarme sobre os custos corporativos com IA
A mídia norte-americana noticiou recentemente um significativo estouro nos custos com IA na Amazon, onde o uso, por parte de um engenheiro, do modelo Claude Sonnet, da Anthropic, para cruzar dados de











