Medição por data, dados na proporção real, limpeza de abreviações e categorias e uso do contexto do atendimento estão entre as melhorias previstas para as próximas semanas.
A Inova definiu um plano para ampliar a precisão das sugestões geradas pelos classificadores da Aurora, sua plataforma de inteligência artificial para saúde pública. As melhorias serão implementadas nas próximas semanas e partem da avaliação técnica, publicada pela Inova, que comparou a arquitetura da plataforma com o Jev, a decodificação paralela com restrição (PCD) e a família GLiNER.
Os classificadores da Aurora apresentam ao profissional as opções mais prováveis para um campo, em ordem, e nenhuma delas é confirmada automaticamente. A avaliação confirmou essa arquitetura e indicou que o maior ganho provável de precisão não depende de trocar o modelo, e sim da forma como os dados históricos são medidos, organizados e limpos antes do treinamento.
O primeiro passo é a medição. Os testes passarão a separar os registros por data: o modelo aprende com os atendimentos mais antigos e é avaliado com os mais recentes, como acontece no uso real. Os indicadores principais continuam sendo a taxa de acerto da primeira sugestão ("Top-1") e a presença da opção correta entre as cinco primeiras ("Top-5").
Em seguida vem a montagem dos dados. Uma mesma descrição pode levar a registros diferentes, e o treinamento passará a considerar essa variação, em vez de apenas o valor mais frequente, para preservar as alternativas que aparecem depois da primeira sugestão. Os dados também serão usados na proporção em que ocorrem e em volume maior.
A terceira frente é a limpeza: padronizar abreviações e sinônimos, unificar categorias equivalentes e mascarar dados pessoais eventualmente registrados em campos de texto livre, em linha com a Lei Geral de Proteção de Dados (LGPD). Depois, as sugestões poderão considerar informações já registradas em etapas anteriores do atendimento, sem incluir dados que só existem mais tarde.
Somente então a Inova comparará modelos alternativos, como codificadores treinados em português e modelos abertos ajustados como classificadores. Cada etapa terá critério de aceite medido antes da seguinte, e o uso real seguirá acompanhado pelas taxas Top-1 e Top-5 que a Aurora já registra. Técnicas como PCD e GLiNER ficam reservadas para tarefas sem histórico rotulado.