Um estudo de pesquisa recente publicado por pesquisadores da Google revelou o desenvolvimento de um modelo de inteligência artificial especializado em engenharia de software chamado Gemini for Google (GfG). Este modelo visa preencher a lacuna enfrentada pelos grandes modelos de linguagem gerais ao lidar com sistemas de software grandes e proprietários de empresas.
Desafios dos modelos gerais em ambientes de programação
Embora mais de 75% do código na Google seja gerado ou rascunhado por inteligência artificial, os modelos gerais carecem de conhecimento profundo de bibliotecas proprietárias, padrões de design exclusivos e linguagens de programação internas nas quais a empresa confia. Para resolver esse problema, a equipe de pesquisa treinou o modelo Gemini com dados internos massivos que totalizaram 1 trilhão de tokens.
Mecanismo de treinamento e resultados práticos
A equipe baseou o treinamento do GfG em todo o ciclo de vida de desenvolvimento, incluindo revisões de código, logs de erros, documentação interna e registros de operações. Para garantir que o modelo não perdesse suas capacidades de raciocínio geral (conhecido como "esquecimento catastrófico"), os pesquisadores usaram técnicas de "intervenção de aprendizado intermediário" e "reprodução de dados" para integrar o conhecimento proprietário, mantendo a eficiência geral.
Testes envolvendo 29.000 desenvolvedores mostraram resultados tangíveis, com o número de interações necessárias com a inteligência artificial para concluir tarefas caindo 23,1% e a velocidade de resposta melhorando 8,9%. Além disso, a porcentagem de código gerado por inteligência artificial que permanece utilizável sem modificações por 14 dias aumentou em 16,8%.
Por que esta notícia é importante?
Este desenvolvimento representa uma mudança na forma como as grandes empresas dependem da inteligência artificial; o objetivo não é mais apenas usar ferramentas de assistência geral, mas construir modelos "corporativos" que compreendam o contexto técnico específico da empresa. O modelo provou sua eficácia em tarefas complexas, como atualizações de sistemas em larga escala, onde ajudou a reduzir o tempo gasto em 50% em comparação com o trabalho manual, além de melhorar o consumo de recursos computacionais por meio de sistemas de otimização automática de código.