Modelo híbrido de IA corta 4x custo na resolução de identidade

Inteligência Artificial

Novo sistema híbrido reduz significativamente os custos mantendo alta precisão na identificação.

Leia também: IA chinesa DeepSeek quase iguala OpenAI em ataques hacker hoje

Pesquisadores que testam modelos de linguagem e decisão em um cenário controlado acabam de apresentar um modelo híbrido, batizado de Jev + Opus, que promete revolucionar a resolução de identidade ao oferecer precisão de ponta com custo mais de quatro vezes menor que o de modelos tradicionais.

IA replica avaliação humana em escala

O estudo, conduzido nesta semana com dados simulados de uma cidade fictícia dos Estados Unidos, avaliou a capacidade de modelos como Jev e Luna para classificar identidades corretas e casos de over-merging — quando uma mesma identidade passa a representar, por erro, mais de uma pessoa real. A simulação usou a ferramenta pseudopeople, do Instituto de Métricas e Avaliação em Saúde da Universidade de Washington (IHME), que gera registros artificiais com ruídos parecidos com os do mundo real.

Foram criadas 1.000 identidades para o teste, metade representando uma única pessoa com dados ruidosos e metade com over-merging. A tarefa dos modelos era dizer, para cada identidade, se havia ou não mais de uma pessoa escondida naqueles registros, atribuindo ainda um grau de confiança à resposta.

Segundo os pesquisadores, a ambição é substituir, ao menos em parte, o trabalho de humanos que hoje revisam identidades manualmente. “Um LLM deve, intuitivamente, ser capaz de replicar o que um humano faz ao inspecionar uma identidade — isso permitiria avaliar 100 mil identidades em segundos”, afirmam. Hoje, uma equipe humana revisa cerca de 50 identidades por hora e precisa de mais de 1.000 amostras para estimar com erro inferior a mais ou menos 1 ponto percentual a taxa de over-merging em um sistema.

Entenda o contexto

Resolução de identidade é o processo de mapear registros de dados para pessoas reais, garantindo que cada conjunto de informações corresponda a apenas um indivíduo e que ninguém seja contabilizado duas vezes. É a base para qualquer operação de personalização, análise de comportamento ou comunicação em larga escala, de campanhas de marketing à gestão de pacientes em saúde.

Na prática, é um problema espinhoso: pessoas mudam de endereço, digitam nomes e e-mails com erro, compartilham contas e telefones, e bancos de dados se misturam ao longo do tempo. Sem um “gabarito” definitivo no mundo real, empresas dependem de amostragem manual para saber se seus algoritmos estão juntando os registros certos — um processo caro, lento e que sofre quando os erros são raros e difíceis de detectar.

É nesse ponto que entram os modelos de linguagem. Se conseguirem julgar identidades com precisão semelhante à humana, podem ampliar em ordens de grandeza a quantidade de casos avaliados, encurtar ciclos de ajuste dos algoritmos e reduzir a dependência de revisão manual.

Como foi o teste com Jev, Luna e Opus

O experimento usou pseudopeople para simular uma cidade, gerando múltiplas fontes de dados para cada morador — com erros e inconsistências realistas. Dessa base, os pesquisadores montaram 1.000 identidades, divididas igualmente entre perfis corretos e perfis com over-merging, e submeteram o conjunto a diferentes modelos, com prompts progressivamente mais elaborados.

Os testes começaram com instruções simples e avançaram para prompts mais ricos, incluindo explicações sobre tipos de ruído nos dados e exemplos explícitos de erros. A ideia era aproximar o raciocínio do modelo ao de um analista humano experiente. Com esses ajustes, a precisão dos modelos Jev e Luna ficou na faixa de 88,8% a 97,3%.

Um passo decisivo foi calibrar o limiar de confiança usado para classificar os casos. Em vez de aceitar o corte padrão de 50%, os pesquisadores ajustaram o ponto de corte para cada modelo, chegando a 60% para Jev e 70% para Luna, valores que maximizam a precisão em seus respectivos casos.

Luna, mais barato e rápido que modelos de ponta como o Opus, apresentou desempenho muito próximo ao topo logo de saída. “Luna está surpreendentemente próxima dos modelos de ponta a uma fração do custo”, resumem os autores.

Para estressar os sistemas, a equipe elevou a dificuldade do teste, construindo apenas casos complicados de over-merging, com combinações de ruídos e coincidências que confundem tanto humanos quanto algoritmos. Nessa fase, os modelos maiores, como o Opus, passaram a se destacar mais claramente em relação aos modelos de decisão.

Por que o modelo híbrido Jev + Opus se destaca?

Foi nessa etapa que surgiu o modelo híbrido que combina Jev e Opus. A chave está na calibração de confiança: Jev não é o mais preciso isoladamente, mas tende a ser bem calibrado — quando está em dúvida, sua pontuação fica mais próxima de 50%, comportando-se como um avaliador prudente.

Essa característica permitiu que Jev assumisse o papel de “porteiro” barato: ele analisa todos os casos e só encaminha para o modelo mais caro, o Opus, as identidades em que sua confiança não é suficiente. Com isso, o sistema como um todo atinge praticamente a mesma precisão do Opus usado isoladamente, porém com gasto muito menor.

“O modelo híbrido Jev + Opus alcança precisão de ponta a mais de 4 vezes menor custo”, destacam os pesquisadores. Em cenários com dados mais difíceis, Jev automaticamente envia uma fatia maior dos casos para revisão de Opus, aumentando o custo apenas quando necessário — sem que a equipe precise mexer na arquitetura ou no prompt.

Luna, embora performe muito bem sozinho, mostra um problema diferente: tende a ser “espetacularmente” confiante em suas respostas, mesmo quando erra em casos complexos. Essa confiança excessiva limita o ganho ao tentar combiná-lo com um modelo mais caro, já que ele acaba encaminhando poucos casos para segunda opinião.

Impacto para empresas e setores intensivos em dados

Na prática, a proposta de um modelo híbrido como Jev + Opus é reduzir drasticamente o custo de manter sistemas de resolução de identidade confiáveis. Empresas de marketing, saúde, serviços financeiros e análise de dados, que trabalham com milhões de registros, podem revisar seus grafos de identidades com muito mais frequência e em escala, sem multiplicar por cinco ou dez o orçamento de validação.

Ao cortar a necessidade de amostragem manual em larga escala e automatizar boa parte da avaliação, a tecnologia libera equipes de dados para tarefas mais estratégicas, como investigar causas dos erros ou aprimorar o desenho dos bancos de dados. Ao mesmo tempo, a redução de over-merging tende a melhorar a qualidade de métricas de negócio, como valor de cliente ao longo do tempo, segmentação de campanhas e detecção de fraudes.

Pesquisadores envolvidos no estudo avaliam que a combinação de um modelo barato e bem calibrado, capaz de pedir “ajuda” pontual a um modelo mais sofisticado, pode inspirar arquiteturas semelhantes em outras áreas em que alta precisão e baixo custo são essenciais, de auditorias automatizadas a triagem de documentos complexos.

Próximos passos e efeitos no mercado

Depois dos resultados animadores em ambiente simulado, a expectativa dos autores é aplicar o modelo híbrido em bases reais, sob diferentes níveis de ruído e em setores diversos, para testar a robustez da abordagem e ajustar limiares de confiança conforme o contexto.

A tendência é que, se a performance se mantiver, soluções de resolução de identidade passem a incorporar arquiteturas híbridas de forma mais ampla, pressionando concorrentes a revisitar seus modelos de custo e precisão. A mesma lógica pode acelerar processos regulatórios e de conformidade que dependem de identificação correta de indivíduos, com impacto direto em segurança e governança de dados.

Os pesquisadores indicam ainda que pretendem explorar próximos desafios, como o problema de under-merging — quando uma mesma pessoa aparece dividida em várias identidades — e testar modelos de decisão de código aberto, o que pode ampliar o acesso a esse tipo de tecnologia.