A IA da cadeia de suprimentos da Articul8 atinge 92% de precisão, superando os modelos convencionais

À medida que as empresas correm para integrar a IA em suas operações, muitas estão descobrindo que os modelos de uso geral frequentemente ficam aquém quando se trata de tarefas industriais especializadas que exigem profundo conhecimento da área e raciocínio sequencial.

Embora técnicas como ajuste fino e Retrieval Augmented Generation (RAG) ofereçam algumas melhorias, elas muitas vezes se mostram insuficientes para cenários complexos, como o gerenciamento da cadeia de suprimentos. Esse é precisamente o desafio que a startup Articul8 pretende enfrentar. A empresa lançou recentemente o A8-SupplyChain, um conjunto de modelos de IA específicos para o domínio, adaptados para cadeias de suprimentos de manufatura. Esses modelos são suportados pelo ModelMesh da Articul8, uma camada de orquestração dinâmica alimentada por IA que toma decisões em tempo real sobre quais modelos de IA implantar para tarefas específicas.

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

Originalmente uma equipe interna da Intel, a Articul8 tornou-se uma empresa independente em 2024. A tecnologia evoluiu a partir do desenvolvimento pela Intel de modelos de IA multimodais para clientes como o Boston Consulting Group, mesmo antes do lançamento do ChatGPT.

A filosofia fundamental da empresa contrasta com as estratégias de IA empresariais predominantes.

“Operamos com base na crença fundamental de que nenhum modelo isolado pode entregar resultados de nível empresarial; você realmente precisa de uma combinação de modelos”, compartilhou Arun Subramaniyan, CEO e fundador da Articul8, exclusivamente com a VentureBeat. “Modelos específicos de domínio são essenciais para lidar com aplicações complexas em setores regulamentados, como aeroespacial, defesa, manufatura, semicondutores e cadeia de suprimentos.”

O desafio da IA na cadeia de suprimentos: como a sequência e o contexto determinam os resultados

As cadeias de suprimentos industriais e de manufatura apresentam desafios distintos de IA que os modelos de uso geral muitas vezes não conseguem resolver. Essas configurações envolvem processos complexos de várias etapas, nos quais a ordem das operações, a lógica de ramificação e as interdependências são fundamentais para o sucesso.

“Na gestão da cadeia de suprimentos, o princípio fundamental é que tudo consiste em etapas interconectadas”, explicou Subramaniyan. “Essas etapas estão inter-relacionadas, às vezes ligadas sequencialmente e, ocasionalmente, envolvem loops recursivos.”

Por exemplo, a montagem de um motor a jato normalmente requer a consulta de vários manuais, cada um contendo centenas ou até milhares de etapas que devem ser executadas em uma sequência precisa. Esses documentos representam mais do que informações estáticas — eles incorporam dados de séries temporais que descrevem processos que exigem adesão exata. Subramaniyan observou que os modelos gerais de IA, mesmo quando aprimorados com métodos de recuperação, muitas vezes não percebem essas relações temporais.

Essa forma de raciocínio complexo — rastrear procedimentos retroativamente para identificar fontes de erro — representa um desafio fundamental que os modelos gerais não foram projetados para lidar.

ModelMesh: uma camada de inteligência dinâmica além da orquestração convencional

No centro da tecnologia da Articul8 está o ModelMesh, que transcende as estruturas padrão de orquestração de modelos para criar o que a empresa chama de “agente de agentes” para aplicações industriais.

“O ModelMesh funciona como uma camada inteligente que se conecta, avalia e decide continuamente à medida que os processos se desenrolam passo a passo”, explicou Subramaniyan. “Nós o construímos inteiramente do zero porque as ferramentas existentes não atendem aos nossos requisitos — tomar centenas, às vezes milhares, de decisões em tempo de execução.”

Ao contrário de estruturas como LangChain ou LlamaIndex, que oferecem fluxos de trabalho predefinidos, o ModelMesh integra sistemas bayesianos com modelos de linguagem especializados para avaliar dinamicamente a precisão da saída, determinar ações subsequentes e manter a consistência em fluxos de trabalho industriais complexos.

Essa arquitetura permite o que a Articul8 chama de IA agênica de nível industrial — sistemas capazes não apenas de raciocinar sobre processos industriais, mas também de impulsioná-los ativamente.

Além do RAG: construindo inteligência industrial a partir do zero

Embora muitas soluções de IA empresarial dependam da geração aumentada por recuperação (RAG) para vincular modelos gerais aos dados corporativos, a Articul8 adota uma abordagem fundamentalmente diferente para incorporar o conhecimento especializado do domínio.

“Desconstruímos os dados subjacentes em seus elementos constituintes”, detalhou Subramaniyan. “Um PDF é dividido em texto, imagens e tabelas. O conteúdo de áudio ou vídeo é decomposto de forma semelhante, e cada elemento é descrito usando uma combinação de modelos especializados.”

A empresa usa o Llama 3.2 como base, selecionado principalmente por seu licenciamento permissivo, mas depois o transforma por meio de um processo avançado de várias etapas. Essa metodologia em camadas permite que seus modelos desenvolvam uma compreensão muito mais profunda dos processos industriais do que a simples recuperação de fragmentos de dados.

Os modelos SupplyChain passam por várias etapas de refinamento projetadas especificamente para contextos industriais. O ajuste supervisionado lida com tarefas bem definidas, enquanto os ciclos de feedback envolvendo especialistas na área avaliam e corrigem as respostas para cenários mais complexos.

Aplicações empresariais do Articul8

Embora os novos modelos estejam em estágios iniciais, a empresa já conta com vários clientes e parceiros, incluindo iBase-t, Itochu Techno-Solutions Corporation, Accenture e Intel.

Como muitas organizações, a Intel iniciou sua jornada de IA generativa avaliando modelos de uso geral para suporte potencial em operações de design e fabricação.

“Embora esses modelos sejam excelentes em tarefas abertas, rapidamente reconhecemos suas limitações em nosso ambiente altamente especializado de semicondutores”, disse Srinivas Lingam, vice-presidente corporativo e gerente geral do Grupo de Rede, Borda e IA da Intel, à VentureBeat. “Eles tiveram dificuldades com a terminologia específica de semicondutores, a compreensão contextual dos registros de equipamentos e o raciocínio em situações complexas de tempo de inatividade com múltiplas variáveis.”

A Intel está implementando a plataforma da Articul8 para desenvolver o que Lingam chama de Assistente de Incidentes de Fabricação — um sistema inteligente baseado em linguagem natural que ajuda engenheiros e técnicos a diagnosticar e resolver o tempo de inatividade dos equipamentos nas fábricas da Intel. A plataforma, usando modelos específicos do domínio, processa dados de fabricação históricos e em tempo real, incluindo registros estruturados, artigos wiki não estruturados e bases de conhecimento internas. Ela auxilia as equipes da Intel na análise da causa raiz (RCA), recomenda medidas corretivas e até automatiza partes da geração de ordens de serviço.

Implicações para a estratégia de IA empresarial

A metodologia da Articul8 questiona a suposição de que modelos de uso geral com RAG podem atender a todas as necessidades de IA empresarial em contextos industriais e de fabricação. A disparidade de desempenho entre modelos especializados e gerais sugere que os líderes técnicos devem considerar soluções específicas para o domínio para aplicações de missão crítica, nas quais a precisão é imprescindível.

À medida que a IA passa da experimentação para a produção em ambientes industriais, essa abordagem especializada pode proporcionar um ROI mais rápido para casos de uso de alto valor, enquanto os modelos gerais continuam atendendo a requisitos mais amplos e menos especializados.