Resultados estruturados

As saídas estruturadas referem-se a uma metodologia na inteligência artificial em que as respostas do modelo são rigorosamente obrigadas a respeitar um formato de dados predefinido, normalmente um JSON Schema. Nos Grandes Modelos de Linguagem (LLMs) tradicionais, a geração de texto baseia-se na previsão probabilística de tokens, o que muitas vezes resulta em texto não estruturado e de formato livre. Ao utilizar saídas estruturadas, os programadores podem garantir que um sistema de IA devolve dados previsíveis e legíveis por máquina, eliminando a necessidade de scripts de análise sintática frágeis e de um tratamento complexo de erros.

Compreender as saídas estruturadas em comparação com o modo JSON

Embora as primeiras versões da IA generativa oferecessem um «modo JSON» básico, isso apenas assegurava que a saída fosse um JSON válido, sem garantir que contivesse as chaves específicas ou os tipos de dados solicitados. As saídas estruturadas resolvem isto através de uma técnica chamada descodificação restrita. Durante a geração, o motor de inferência filtra o vocabulário do modelo em cada etapa, ocultando tokens que violariam o esquema fornecido pelo programador. Isto garante 100% de conformidade com o esquema.

O conceito de Chamada de Funções (Utilização de Ferramentas) está intimamente relacionado com esta metodologia. Embora a chamada de funções permita que os modelos determinem quando executar uma ferramenta externa, depende inteiramente de saídas estruturadas para preencher com precisão os parâmetros necessários da ferramenta, sem gerar erros.

Adoção pelo setor e estruturas

Entre 2024 e 2025, os principais fornecedores de IA tornaram as saídas estruturadas uma funcionalidade nativa para melhorar a fiabilidade dos sistemas empresariais . Por exemplo, a API de Saídas Estruturadas da OpenAI permite aos programadores definir esquemas rigorosos utilizando Pydantic em Python Zod em JavaScript. Da mesma forma, as saídas estruturadas do ClaudeAnthropic e as ferramentas de saídas estruturadasGoogle agora suportam a aplicação rigorosa de esquemas para prompts complexos.

Os ecossistemas de código aberto também utilizam frameworks como o vLLM e o Outlines para fornecer metodologias de descodificação com restrições para modelos personalizados criados com PyTorch.

Aplicações no Mundo Real

A implementação de resultados estruturados transforma respostas ambíguas da IA em dados de modelação preditiva aplicáveis. Os principais casos de utilização incluem:

• Pipelines de extração de dados: as empresas utilizam resultados estruturados para extrair entidades específicas (como nomes de candidatos, valores totais de faturas e datas) de documentos brutos e não estruturados e importá-las diretamente para bases de dados SQL, sem necessidade de introdução manual de dados.
• Agentes de IA autónomos: os fluxos de trabalho baseados em agentes dependem de dados estruturados para navegar em software complexo. Um agente pode analisar uma consulta do utilizador e gerar uma resposta JSON rigorosa que aciona uma API externa, dimensionando as operações de forma segura através de sistemas como o Databricks Model Serving.

Resultados estruturados na visão computacional

Embora sejam amplamente discutidas no processamento de linguagem natural, as saídas estruturadas constituem o princípio operacional fundamental da Visão Computacional. Os modelos de visão não produzem texto de formato livre; produzem nativamente tensores altamente organizados que representam coordenadas, classes e pontuações de confiança. Por exemplo, modelos de última geração como Ultralytics avaliam uma imagem e devolvem dados espaciais com formato rigoroso, o que é ideal para uma implantação de modelos sem interrupções em ambientes de borda de baixa latência.

O trecho a seguir demonstra como é fácil extrair dados estruturados deteção de objectos resultados obtidos com o ultralytics pacote:

from ultralytics import YOLO

# Load the recommended Ultralytics YOLO26 model
model = YOLO("yolo26n.pt")

# Perform inference to generate structured visual data
results = model("image.jpg")

# The model strictly outputs structured bounding box objects
for box in results[0].boxes:
    print(f"Class ID: {box.cls}, Confidence: {box.conf}, Coordinates: {box.xyxy}")

Ao colmatar a lacuna entre a lógica probabilística da IA e os requisitos determinísticos do software, os resultados estruturados constituem um componente essencial na criação de sistemas escaláveis e prontos para produção na Ultralytics e noutros contextos.