Sinapro-SP

O BloombergGPT é um modelo de linguagem treinado a partir de 50 bilhões de parâmetros de dados financeiros para aplicar a inteligência artificial no segmento

A Bloomberg anunciou o lançamento da BloombergGPT. A novidade consiste em uma inteligência artificial própria desenvolvida com mais de 50 bilhões de informações que dará suporte a um conjunto de processamento de tarefas dentro do setor de finanças.

O desenvolvimento da tecnologia foi fruto de uma parceria entre as equipes de pesquisa e produto e de engenharia de IA da empresa. Segundo a Bloomberg, este é um dos maiores conjuntos de dados específicos do domínio construídos até o momento. A ferramenta atua com base nos recursos existentes de criação, coleta e curadoria de dados reunidos pela Bloomberg ao longo de 40 anos.

A empresa afirma que o novo modelo de linguagem auxiliará na melhoria de tarefas do processamento de linguagem natural, como análise de sentimento e reconhecimento de entidade nomeada. A solução auxiliará também na classificação de notícias e respostas a perguntas, por exemplo. Ainda, haverá a operação na organização dos dados do Bloomberg Terminal. O sistema de softwares que permite que profissionais possam monitorar e analisar dados do mercado financeiro.

A metodologia do BloombergGPT
Ao todo, a plataforma foi alimentada por mais de 700 bilhões de tokens, ou seja, fragmentos de palavras. A nível de comparação, a reportagem do NiemanLab sobre o lançamento indica que a OpenIA treinou o GPT-3 com aproximadamente 500 bilhões de tokens.

Em reportagem no portal, o CTO da Bloomberg explica que os modelos de linguagem generativos são atraentes por inúmeros fatores. Entre eles, está o chamado “few-shot learning”, geração de textos e sistemas de conversação. Segundo o executivo, o BloombergGPT permitirá que a companhia lide com novos tipos de aplicação, ao mesmo tempo em que oferece um alto desempenho em um maior time to market.

Além disso, o comunicado aponta que os pesquisadores da Bloomberg foram pioneiros em uma abordagem mista. A modalidade combina dados financeiros com conjuntos de dados de uso geral. A finalidade é treinar um modelo que alcance os melhores resultados da categoria em benchmarks financeiros, mantendo um desempenho competitivo em benchmarks de modelos de linguagem de uso geral.

Fonte: Meio&Mensagem