A Databricks Inc. estabeleceu uma parceria de cinco anos com a Anthropic PBC para integrar os modelos de linguagem avançados Claude à sua plataforma, oferecendo aos clientes acesso ao Claude 3.7 Sonnet.A Databricks Inc. anunciou uma parceria de cinco anos com a Anthropic PBC para disponibilizar os modelos de linguagem avançados Claude na Plataforma de Inteligência de Dados da Databricks.
Com essa colaboração, os clientes da Databricks terão acesso direto ao Claude 3.7 Sonnet, um modelo híbrido de raciocínio, dentro do ecossistema Databricks nas nuvens da Amazon Web Services, Microsoft Azure e Google Cloud.
O Claude 3.7 Sonnet destaca-se por sua capacidade de aprofundar o raciocínio conforme o tempo de reflexão permitido pelo usuário, resultando frequentemente em respostas mais precisas.
Além disso, o modelo pode fornecer diferentes respostas a uma mesma pergunta, dependendo do tempo concedido para seu processamento.
A parceria visa auxiliar empresas a construir, implantar e gerenciar agentes de inteligência artificial de forma mais segura, utilizando dados proprietários.
Essa iniciativa responde à crescente demanda por ferramentas de IA capazes de lidar com governança de dados em escala empresarial, privacidade e conformidade regulatória.
Enquanto isso, concorrentes como a Snowflake Inc. também têm estabelecido parcerias semelhantes, integrando os serviços da Anthropic e da Microsoft em suas plataformas de dados em nuvem.
Ao operar em conjunto com o Databricks Mosaic AI, os modelos Claude permitirão que clientes criem modelos personalizados para setores específicos, como saúde, gestão de energia e serviços financeiros.
O Databricks Mosaic AI é utilizado para desenvolver agentes de IA adequados a domínios específicos, baseados em dados exclusivos da organização, entregando resultados confiáveis e totalmente governados.
De acordo com previsão da Gartner Inc., até 2027, mais da metade dos modelos de IA generativa utilizados por empresas serão específicos de uma indústria ou função de negócios, um aumento significativo em relação a aproximadamente 1% em 2023.
Os modelos da Anthropic serão integrados ao Unity Catalog da Databricks, proporcionando rastreamento de linhagem de dados, controles de acesso e recursos de monitoramento alinhados aos padrões empresariais.
Esses recursos são essenciais para aplicações que exigem altos níveis de segurança e conformidade, como o onboarding de pacientes em ensaios clínicos ou o ajuste dinâmico de cargas em redes elétricas com base em flutuações de oferta e demanda.
Paralelamente, a Databricks revelou um novo método de ajuste fino que utiliza a Otimização Adaptativa em Tempo de Teste (TAO), um tipo de aprendizado por reforço que facilita a construção de agentes para tarefas e domínios específicos.
Esse método elimina a dependência de dados rotulados caros, permitindo que o ajuste fino de modelos seja realizado de forma mais rápida e econômica.
Em vez de se basear em grandes conjuntos de dados cuidadosamente preparados, o TAO aproveita os padrões existentes dentro do próprio modelo e os dados observados durante o teste.
Essa abordagem potencializa o conhecimento já incorporado no modelo para refiná-lo ainda mais, tornando o treinamento mais eficiente.
Ela também é eficaz em tarefas que não possuem dados rotulados bem definidos ou abundantes, beneficiando cenários em que as etiquetas são limitadas ou caras para obter.
Ao focar nas interações e nos sinais disponíveis no momento do teste—como a resposta do modelo a novos prompts—o TAO ajusta os parâmetros do modelo para melhorar a precisão sem a necessidade de conjuntos de treinamento rotulados por humanos.
A Databricks afirma que, mesmo sem dados rotulados, o TAO pode alcançar qualidade de modelo superior ao ajuste fino tradicional, equiparando modelos de código aberto mais baratos, como o Llama, a modelos proprietários custosos como o GPT-4o e o o3-mini da OpenAI LLC.
Outros benefícios incluem a redução da dependência de conjuntos de dados maciços e curados, além da capacidade de aprender continuamente em ambientes em constante mudança.
