OpenAI disponibiliza personalização do GPT-3.5 Turbo para usos específicos
A OpenAI lançou uma funcionalidade que permite ajustes personalizados no GPT-3.5 Turbo. A partir de quarta-feira (23), os desenvolvedores têm a possibilidade de adaptar o modelo para atender de forma mais precisa às necessidades da aplicação, resultando em uma inteligência artificial mais eficiente e direcionada. Essa mesma funcionalidade estará disponível para o GPT-4.0 no terceiro trimestre.
O GPT-3.5 é um modelo generativo eficaz, porém, desde o seu lançamento, os desenvolvedores e empresas têm expressado o desejo por uma maior flexibilidade para personalizá-lo para tarefas específicas. De acordo com a OpenAI, essa capacidade agora está plenamente desenvolvida.
Nos testes internos realizados com a ferramenta, a OpenAI observou que o GPT-3.5 Turbo apresenta uma maior estabilidade, respostas mais consistentes e tons personalizados. Além disso, foi possível reduzir o tamanho das respostas mantendo o desempenho do assistente de chat.
A OpenAI informou que os modelos personalizados podem lidar com até 4 mil tokens, o dobro da capacidade dos modelos anteriores. Isso permitiu encurtar os estímulos de entrada em até 90%, já que as instruções agora são diretamente incorporadas ao modelo. Consequentemente, isso resulta em chamadas de API mais rápidas e econômicas.
Como é realizado o ajuste personalizado do GPT-3.5 Turbo?
A personalização do GPT-3.5 Turbo ocorre por meio de várias etapas, incluindo um novo treinamento com dados selecionados. Embora o desenvolvedor precise começar quase do zero, é possível aproveitar a base já estabelecida pela OpenAI e adaptá-la ao contexto específico do cliente.
Esse processo envolve a apresentação de dados e exemplos de respostas, o treinamento do modelo e, por fim, a implementação da IA.
Planos futuros da OpenAI
Em breve, a OpenAI também disponibilizará a funcionalidade de ajuste personalizado para o GPT-4.0, o modelo subjacente da versão paga do ChatGPT. No futuro, a empresa também planeja introduzir suporte para aprimoramento do modelo por meio de uma função específica.
