Avaliação técnica comparou modelos que respondem com opções predefinidas, em vez de texto livre, à abordagem da Aurora: classificadores treinados com histórico e executados em infraestrutura própria. Um plano de melhoria será implementado nas próximas semanas.
A Inova concluiu uma avaliação técnica de três abordagens recentes para decisões automatizadas por inteligência artificial: o Jev, lançado pela TypeSafe AI em 15 de setembro; a decodificação paralela com restrição (em inglês, "parallel constrained decoding", ou PCD); e a família GLiNER, da Fastino. O objetivo foi verificar se alguma delas deveria substituir ou complementar os classificadores da Aurora, plataforma de inteligência artificial da Inova para saúde pública.
As abordagens têm objetivos próximos, mas funcionam de formas diferentes. O Jev, oferecido como serviço com acesso por lista de espera, não redige texto: devolve respostas estruturadas, escolhidas entre opções declaradas previamente, com probabilidades. Seu método de treinamento, chamado RLCD ("Reinforcement Learning for Calibrated Decisions"), não foi publicado. O PCD leva uma ideia parecida a modelos de pesos abertos, avaliando em paralelo as opções permitidas de cada campo. Já a família GLiNER reúne modelos compactos e de código aberto que classificam textos e extraem informações definidas em um esquema numa única passada; a versão GLiNER2.5 foi publicada em 24 de agosto.
Os números disponíveis mostram potencial e limites. A TypeSafe informa respostas entre 70 e 500 milissegundos para o Jev. Um estudo independente publicado em setembro mediu o PCD de 3,4 a 7,9 vezes mais rápido do que gerar a mesma resposta palavra por palavra e comparou um modelo aberto de 7 bilhões de parâmetros, executado localmente com a técnica, às respostas divulgadas do Jev: o modelo local concordou com a referência em 73,8% de 343 questões do conjunto público do fabricante, contra 86,6% do Jev. O estudo também registrou confiança acima de 90% em 13 dos 20 erros do modelo local: limitar a resposta às opções garante o formato, não o acerto. Uma das reproduções comunitárias divulgadas com o nome RLCD não traz pesos treinados, apenas código de demonstração. Para o GLiNER2.5, ainda não há resultados publicados em português.
Para saúde pública, a conclusão é que a arquitetura já adotada na Aurora é a mais adequada. A plataforma usa classificadores treinados com o histórico de cada aplicação e executados no Brasil, em ambiente operado pela Inova ou na infraestrutura do próprio órgão. Eles respondem em uma única etapa, atribuem probabilidade a cada opção e apresentam sugestões ordenadas, sem confirmação automática: a decisão continua com o profissional. Pesquisas sobre classificação de texto também apontam que modelos menores ajustados com dados da própria tarefa superam modelos maiores usados sem esse treinamento.
A avaliação identificou, ainda, espaço para ampliar a precisão das sugestões. O plano de melhorias será implementado nas próximas semanas. As técnicas avaliadas seguem em acompanhamento pela Inova para tarefas em que ainda não existe histórico rotulado.