Em resumo
Se as suas entradas são dados estruturados ou textos curtos etiquetados e a saída é um número, uma categoria ou uma classificação, experimente primeiro um modelo clássico: um modelo linear, árvores com gradient boosting ou um classificador pequeno. Eles são muito mais baratos de executar, mais rápidos, mais fáceis de explicar e muitas vezes igualmente precisos. Recorra a um grande modelo de linguagem quando a tarefa precisa de fato de linguagem aberta.
Passos
- Escreva o tipo de entrada, o tipo de saída e o nível de qualidade.
- Construa primeiro uma referência simples, como uma regra, um modelo linear ou árvores com gradient boosting.
- Experimente um classificador pequeno com fine-tuning se a entrada for texto livre.
- Teste um LLM só se as referências não atingirem o nível, e com o mesmo conjunto de avaliação.
- Compare a qualidade, a latência e a energia por previsão antes de escolher.
Use o modelo mais simples que atinja o seu nível de qualidade. Para dados estruturados e tarefas estreitas de etiquetagem, esse costuma ser um modelo clássico de aprendizado de máquina, não um grande modelo de linguagem.
Por que isso importa?
Luccioni, Jernite e Strubell mediram a energia da execução de modelos em muitas tarefas. Classificar texto ficou entre as tarefas mais baratas, com cerca de 0,002 kWh por 1.000 inferências, enquanto os modelos generativos gerais custaram ordens de grandeza mais do que os específicos para a mesma tarefa. As Web Sustainability Guidelines do W3C também pedem às equipes que avaliem a necessidade de IA antes de implementá-la.
Um sandpit (laboratório colaborativo) britânico de IA verde de 2026, com matemáticos, cientistas da computação e indústria, chegou à mesma conclusão por outro ângulo: as pessoas recorrem muitas vezes à IA quando um método estatístico ou numérico bem conhecido já resolve o problema.
Um teste rápido
| A sua tarefa | Experimente primeiro |
|---|---|
| Prever um número a partir de dados tabulares | Modelo linear ou árvores com gradient boosting |
| Atribuir uma entre poucas etiquetas | Classificador pequeno com fine-tuning |
| Encontrar itens semelhantes | Embeddings mais um índice de vizinhos mais próximos |
| Prever uma série temporal | Métodos estatísticos de previsão consagrados |
| Escrever, explicar ou conversar | É aqui que um LLM compensa o seu custo |
Erros comuns
- Pular a referência. Sem ela, você não consegue saber se o LLM acrescenta alguma coisa.
- Usar um LLM para etiquetar dados que você nunca usa para treinar. Use-o uma vez para criar etiquetas e depois treine um modelo pequeno.
- Comparar só pela precisão. Inclua a latência, a energia por previsão e a facilidade de explicar os erros.
Leia mais em escolher o modelo certo e matemática para uma IA eficiente.
Fontes
- Power Hungry Processing: Watts Driving the Cost of AI Deployment?, Luccioni, Jernite and Strubell, ACM FAccT (2024)
- Web Sustainability Guidelines, W3C (2025)
Relacionados
Como sei se preciso mesmo de IA para uma tarefa?
Um teste rápido para saber se uma tarefa precisa de IA generativa ou se uma busca, calculadora, modelo pronto ou regra simples resolve mais rápido e gastando menos.
Como encontro um modelo específico para a minha tarefa em vez de usar um chatbot geral?
Como encontrar um modelo pequeno feito para uma só tarefa, como classificar, extrair ou traduzir, e confirmar que rende como um chatbot com menos energia.
Escolha o modelo certo para a tarefa
Como dimensionar a IA: quando usar modelos pequenos ou especializados, quando um modelo de fronteira compensa o custo, como funciona o roteamento e quando não usar IA.
A matemática que torna a IA mais eficiente
Poda, esparsidade, sketching, teoria de matrizes aleatórias e modelos informados pela física: como a matemática reduz a computação, a memória e a energia da IA.