Por Paulo de Godoy*

O DeepSeek não é só mais uma empresa de IA; é uma mudança de paradigma. A equipe por trás dele é formada por matemáticos por essência, pragmáticos na execução e indiferentes sobre como a IA foi abordada no passado – definitivamente não estão presos às metodologias tradicionais. Eles enxergaram um novo caminho, redefinindo nossa visão sobre os modelos de IA, gerenciamento de dados e, por fim, a infraestrutura que sustenta tudo isso.
O verdadeiro impacto do DeepSeek não está só nos modelos que eles construíram, mas no roadmap que eles apresentaram para o futuro da infraestrutura de Inteligência Artificial.

A ascensão dos menores e mais inteligentes
A indústria de IA tem se fixado na ideia de modelos de base, ou seja, redes gigantescas treinadas em tudo e qualquer coisa. Mas o DeepSeek demonstrou que modelos menores e mais especializados, além de viáveis, são também superiores em muitos aspectos. A abordagem deles? Um modelo mixture-of-experts (MoE), uma técnica de machine learning (ML) na qual modelos menores, altamente treinados, trabalham em conjunto para melhorar a precisão. Embora essa seja uma explicação simplificada, é uma técnica muito sofisticada para selecionar o modelo expert correto, o que garante a eficiência.

Esse é o pulo do gato. Em vez de um modelo gigantesco tentando fazer tudo, as empresas podem implementar um sistema de modelos interconectados, cada um especializado em um domínio específico. Os benefícios são imensos:

• Menor custo: Modelos menores exigem muito menos em poder computacional, mas o grande benefício não é só a redução de custos. A abordagem provou que é possível desenvolver uma IA com maior capacidade e, ao mesmo tempo, reduzir os custos com treinamentos.
• Facilita a validação: A especialização facilita o teste e a verificação do desempenho em aplicações do mundo real. Acredita-se que isso tornará mais simples a adição de novas capacidades especializadas sem as dificuldades da construção de um modelo de base.
• Modelos de raciocínio: Modelos menores desenvolverão capacidades de raciocínio com mais facilidade. Pense nisso: adicionar raciocínio é um passo fundamental para supervisão e transparência na IA.

Para as empresas, isso significa que a adoção da IA irá muito além dos chatbots. Nunca foi viável para uma empresa comum construir um modelo de base, simplesmente porque é muito caro. Mas agora existe um caminho para construir modelos altamente eficientes e específicos para cada domínio de forma acessível. É como contratar uma equipe de IA e, com isso, o obstáculo para criar modelos altamente eficientes e especializados cai drasticamente. O próximo passo será o desenvolvimento de ferramentas para isso, bem como modelos de base que permitam a destilação eficiente de dados para a construção de modelos menores e qualificados.

Gerenciamento de dados: a chave para extrair todo o potencial da IA
Por anos, a indústria de IA esteve obcecada por coletar e armazenar o máximo de dados possível. O foco era maximizar a contagem de tokens, treinar em tudo e esperar que a força bruta gerasse melhores resultados. Mas, no mundo do MoE, o gerenciamento de dados se torna o centro das atenções.

O desafio agora é selecionar os dados, organizá-los e refiná-los. As prioridades agora são:

• Curadoria de alta qualidade: A IA é tão boa quanto os dados em que é treinada. Filtrar ruídos e focar na relevância agora é uma vantagem estratégica.
• Otimização de pipelines: O enriquecimento contínuo dos dados, versionamento – a prática de gerenciar e rastrear alterações em dados ao longo do tempo – e rastreabilidade se tornam essenciais.
• Infraestrutura para IA: As empresas precisarão de infraestrutura capaz de indexar, filtrar e recuperar dados de forma dinâmica e em larga escala.
O DeepSeek já demonstrou essa abordagem com seu “pipeline de seleção de dados projetado meticulosamente.” Em vez de treinar de forma indiscriminada com todos os dados disponíveis, eles filtraram e refinaram os conjuntos de dados, aumentando a eficiência e reduzindo os custos. A seleção inteligente de dados impulsionada por IA emerge como o alicerce do futuro do treinamento da IA, garantindo eficiência e precisão no desenvolvimento dos modelos.
Infraestrutura do futuro
Com a transição da IA para modelos especializados e o refinamento de dados, a infraestrutura precisa evoluir para sustentar essa nova realidade. Os sistemas de IA exigirão:
• Desempenho multidimensional: Suporte para milhares de modelos menores trabalhando em paralelo e armazenamentos chave-valor (NoSQL) operando de forma eficiente no momento da inferência.
• Alta conectividade e disponibilidade contínua: Pipelines de dados impulsionados por IA atualizarão e refinarão conjuntos de dados de forma constante.
• Armazenamento escalonável e de alta velocidade: A capacidade de indexar, recuperar, filtrar e representar grandes volumes de dados em tempo real.

A nova era da IA
O DeepSeek revelou uma realidade: o futuro da IA está na gestão e processamento de dados, e não nos modelos gigantescos. A abordagem para escalonar a IA mudou, e agora entramos em uma era na qual qualquer modelo pode se tornar realidade sem um investimento massivo de capital. O raciocínio agora está disponível para qualquer modelo. E isso também transforma a infraestrutura, o armazenamento e o gerenciamento de dados.

O principal aprendizado? É que a verdadeira inovação está acontecendo na interseção entre IA, ciência de dados e gerenciamento de dados. O storage não é mais apenas sobre guardar dados e, mais do que nunca, agora é fundamental para a próxima evolução da IA.

Para as empresas e provedores de infraestrutura, o desafio agora é explorar o que é viável, reimaginando sistemas, fluxos de trabalho e arquiteturas que aproveitem totalmente o potencial dos insights e da tomada de decisão com a IA. E, claro, isso tudo com suporte para eliminar a complexidade e trazer sempre mais eficiência e escala.

*Paulo de Godoy é country manager da Pure Storage