Como o RAG e o MCP se diferenciam na criação de experiências de TV baseadas em IA

A crescente presença da inteligência artificial (IA) em nosso dia a dia intensificou o desejo dos consumidores por personalização e rapidez. No mundo do entretenimento, as pessoas esperam respostas imediatas, sugestões personalizadas e a possibilidade de agir com base no que veem e ouvem. Para alguns, isso significa encontrar o filme perfeito para um determinado estado de espírito; para outros, significa encontrar a partida entre seu time favorito e seu maior rival.

Para proporcionar essas experiências, editoras, plataformas e serviços recorrerão cada vez mais a grandes modelos de linguagem (LLMs)¹, que se tornarão os mecanismos padrão para os ambientes de entretenimento da próxima geração. 

Os LLMs são matrizes de probabilidade, e não bancos de dados, treinados com dados exaustivos, mas finitos. A natureza fundamental dessa nova tecnologia significa que os LLMs sintetizam, mas não recuperam, dados e, portanto, estão sujeitos a “alucinações”, nas quais apresentam dados que parecem plausíveis, mas estão incorretos. Para garantir que as respostas dos LLMs sejam precisas, relevantes e confiáveis, eles devem estar conectados a fontes complementares de conhecimento do mundo real. Esse processo de “ancoragem” reduz erros, enriquece os resultados e proporciona relevância contextual. Existem dois métodos principais para a ancoragem de LLMs: a geração aumentada por recuperação (RAG) e o Protocolo de Contexto do Modelo (MCP).

Tanto o RAG quanto o MCP abordam as limitações dos LLMs, mas tratam da questão de maneiras fundamentalmente diferentes.

Em linhas muito gerais:

O RAG envolve um processo no qual a solicitação original é enriquecida com dados relevantes provenientes de uma base de conhecimento externa composta por documentos pertinentes. Ele processa essa solicitação enriquecida, e sua resposta reflete a precisão dos dados provenientes do aumento de conhecimento externo.

O MCP é um protocolo de código aberto que padroniza a forma como os aplicativos fornecem contexto aos LLMs. Como uma interface universal, às vezes descrita como o “USB-C da IA”, o MCP conecta os LLMs a fontes de dados e lógicas externas, eliminando a necessidade de programação e integrações personalizadas. Nesse caso, um LLM é conectado a um ou mais servidores MCP que facilitam a validação em tempo real das consultas recebidas.

RAG: o especialista em recuperação de documentos

Entre as duas técnicas, a RAG é a que tem mais história. Com origens nos primórdios da recuperação de informações, a RAG foi discutida pela primeira vez em 2020 como um processo para conectar dinamicamente os LLMs a repositórios de conhecimento externos.

Em termos simples, o RAG permite que os LLMs consultem informações fora de seus dados de treinamento antes de responder a uma consulta do usuário. Com o RAG, os LLMs não precisam ser constantemente retreinados para se manterem atualizados. Em vez disso, atualizações periódicas na base de conhecimento externa mantêm as respostas do LLM atualizadas e relevantes.

Embora o RAG melhore significativamente a precisão e a relevância dos resultados dos LLM, ele apresenta algumas limitações:

1. O RAG é mais eficaz quando utilizado na recuperação de informações não estruturadas e baseadas em documentos.
2. O RAG enriquece a solicitação antes que o LLM comece o processamento, de modo que o LLM não possa utilizar sua lógica interna para obter informações relevantes.

MCP: O facilitador de ações em tempo real

Disponibilizado no final de 2024 como um protocolo de código aberto, o MCP resolve o desafio de desenvolver integrações personalizadas entre fontes de dados e modelos de IA. Como um conector universal, o MCP cria uma interface entre um LLM e fontes de dados externas. Com uma API de baixa latência e uma interface uniforme e abstraída, o MCP permite que os LLMs obtenham informações atualizadas em tempo real de um ou mais serviços específicos de domínio, além de possibilitar que os LLMs invoquem ferramentas específicas que lhes permitam fornecer a melhor resposta possível.

Com o MCP, os LLMs podem ser integrados a diversas fontes de dados de maneira transparente, permitindo o acesso a dados e a ações em tempo real. Graças a essa arquitetura, o MCP fundamenta suas respostas em bases de conhecimento externas após uma consulta do usuário, tornando-o ideal para cenários que exigem as informações mais atualizadas disponíveis, como resultados esportivos ou variações nos preços das ações.

O MCP é a tecnologia certa para o entretenimento do futuro

O RAG e o MCP foram projetados, por natureza, para realizar a mesma função: enriquecer as respostas dos LLMs com contexto externo para reduzir alucinações e proporcionar relevância contextual. No entanto, eles se destacam em diferentes tipos de dados, oferecem diferentes níveis de sofisticação e os métodos que utilizam para executar essa tarefa são fundamentalmente diferentes.

O RAG é ideal para a recuperação de dados não estruturados, como documentos, enquanto o MCP é otimizado para o acesso a dados estruturados em tempo real. Embora os LLMs ofereçam experiências de pesquisa e descoberta significativamente melhores do que as infraestruturas tecnológicas tradicionais, o MCP é a solução de base ideal para experiências que priorizam o conteúdo, que aproveitam dados estruturados e dependem de um raciocínio melhor fornecido fora do próprio LLM.

A atualidade dos dados é fundamental neste contexto. Arquivos de documentos estáticos podem satisfazer uma consulta do usuário sobre o histórico de como um determinado filme ou série de TV foi desenvolvido, mas não ajudam os usuários a identificar quando ou onde essa série ou filme será transmitido. Os dados de treinamento dos LLMs são fixos no tempo; portanto, o “grounding” fornece aos LLMs não apenas dados corretos, mas também dados oportunos e atualizados, permitindo que eles acessem o mundo real fora de seu modelo de “conhecimento restrito”.

Mas a disponibilidade de programas é apenas a ponta do iceberg. O MCP inaugura uma nova era de experiências de entretenimento graças à sua capacidade de criar experiências extremamente ricas e personalizadas. Veja um exemplo:

• Uma operadora de TV a cabo deseja criar uma seleção diária de filmes recomendados com base na localização do usuário e nas condições meteorológicas do momento.
• O provedor conecta seu LLM básico a dois servidores MCP: um que fornece as condições meteorológicas do local e outro que fornece o conteúdo ID para uma combinação de filme e ano.
•  Quando o usuário faz login pela primeira vez naquele dia, o provedor solicita ao LLM que apresente os 10 filmes mais populares com base nas condições climáticas do endereço IP específico.
• O LLM utiliza o MCP meteorológico para determinar as condições climáticas atuais 
• Em seguida, o LLM seleciona uma lista de filmes que apresentam esse tipo de clima, com base apenas no conhecimento contido no modelo de base. 
• O LLM consulta um provedor de metadados de entretenimento que retorna o conteúdo ID para cada filme recomendado.
• As recomendações de filmes são enviadas ao provedor de TV a cabo e exibidas ao usuário.
  

O uso de LLMs será transformador para o público, mas, sem contextualização, esses modelos ficam restritos a respostas não verificadas e limitadas ao momento em que foram geradas. Os LLMs contextualizados permitirão que plataformas e serviços superem as limitações das infraestruturas tradicionais de busca, ao mesmo tempo em que abrirão as portas para uma ampla gama de consultas sofisticadas que gerarão respostas mais atuais e relevantes.

Para saber mais, baixe nosso white paper do MCP Server.

Nota

1. Os LLMs são um tipo de IA generativa que cria conteúdo com base em padrões aprendidos.