Heidi AI ajusta modelo clínico menor para igualar desempenho de modelos de ponta com feedback real de médicos

A Heidi AI não só reduziu o tamanho do modelo clínico, ela redefiniu o que conta como 'sinal de treinamento válido' em IA para saúde. Enquanto a maioria das equipes ainda depende de dados sintéticos, anotações genéricas ou benchmarks acadêmicos, a Heidi construiu um loop fechado com mais de 3,5 milhões de interações reais em seu produto Evidence, onde médicos escolhem, cegamente, qual resposta é clinicamente superior. Esse sinal de preferência humana, coletado sem intermediários e integrado diretamente no fine-tuning, é o que impulsiona a equalização de desempenho, não a escala de parâmetros, mas a qualidade da retroalimentação.

O modelo menor foi treinado com técnicas de pruning de dados (como já mostramos em abril) e fine-tuning recursivo (abordado em maio), mas com um diferencial crítico: cada iteração foi validada por julgamento prático, não por métricas automáticas. Isso explica por que o resultado atinge não só acurácia estatística, mas confiabilidade operacional, essencial para ambientes regulados como hospitais da Beth Israel Lahey Health, que agora usam a tecnologia em 175 consultórios.

Em abril, destacamos o pruning de dados como forma de melhorar memorização de fatos e reduzir alucinações. Em maio, analisamos o fine-tuning de modelos recursivos de 4B parâmetros para tarefas específicas. Agora, a Heidi mostra a aplicação madura dessas duas linhas: um modelo menor, treinado com dados podados e ajustado via RL com feedback clínico real, não simulado. O que era teoria em abril/maio virou produção escalável em junho: paridade medida em testes cegos com profissionais, não em benchmarks artificiais.

Isso muda a economia de IA clínica. Modelos menores consomem menos GPU, rodam localmente em hospitais com restrições de conectividade, atendem a exigências de privacidade (HIPAA, GDPR) sem depender de nuvem externa e são auditáveis, algo quase impossível em modelos de 100B+ parâmetros. Para engenheiros de dados, significa pipelines mais leves, menos dependência de infraestrutura pesada e maior controle sobre qualidade, segurança e governança. E para os sistemas de saúde, significa adoção real: a Beth Israel Lahey Health não implantou um POC, mas uma solução em 14 hospitais e 175 clínicas, porque confiou no julgamento de seus próprios médicos, não no hype de parâmetros.