En el món del màrqueting digital, la identificació d'influencers o KOLs (Key Opinion Leaders) s'ha convertit en un procés crític que requereix precisió i eficiència. Tradicionalment, les empreses recorrien a cerques per paraules clau en perfils estructurats, un mètode que ignora la semàntica i l'encaix contextual. Com a alternativa, els models de llenguatge de gran escala (LLMs) —com Kimi-K2.6— ofereixen alta precisió, però a un cost computacional i econòmic elevat, especialment quan cal avaluar un gran nombre de candidats. Davant d'aquest repte, investigadors han presentat un enfocament revolucionari: una cascada de tres etapes (recuperació, reordenament i raonament) construïda exclusivament amb models petits i oberts, aconseguint una qualitat comparable als models frontera amb un consum de tokens fins a 35 vegades menor. Aquest sistema, batejat com InfluMatch, demostra que és possible democratitzar l'accés a intel·ligència artificial d'alt nivell sense grans inversions en infraestructura.
L'arquitectura d'InfluMatch es basa en un flux eficient: primer, un model de recuperació densa selecciona 50 candidats; després, un reordenador de 4B puntua cadascun calculant la log-probabilitat d'un sol token 'Sí', retenint els 10 millors; finalment, un raonador també de 4B avalua cada candidat contra una rúbrica detallada, generant una justificació en tailandès. Aquest disseny no només accelera el procés —responent una consulta de 50 KOLs en uns 20 segons en una GPU A100— sinó que redueix dràsticament els costos d'inferència. El més notable és que l'únic ajust fi que realment millora el rendiment és l'entrenament per parelles (pairwise) del reordenador, mentre que ajustar el raonador amb etiquetes absolutes pot fins i tot degradar els resultats, una lliçó valuosa sobre com dissenyar tasques d'entrenament per a sistemes de cerca.
Aquest tipus d'innovació té implicacions profundes per a les empreses que busquen adoptar IA per a empreses de forma pràctica i escalable. En lloc de dependre de costosos models propietaris, les organitzacions poden implementar solucions modulars que combinin agents IA especialitzats, cadascun optimitzat per a una tasca concreta. La tendència cap a aplicacions a mida i programari a mida permet adaptar aquests fluxos a necessitats específiques, ja sigui per a selecció d'influencers, anàlisi de sentiment o recomanació de productes.
En aquest context, comptar amb un soci tecnològic que entengui tant la teoria com la implementació és crucial. Q2BSTUDIO es posiciona com una empresa de desenvolupament de programari i tecnologia que ofereix justament això: des de la creació d'aplicacions a mida fins a la integració de serveis cloud AWS i Azure, passant per solucions de ciberseguretat i serveis d'intel·ligència de negoci. La combinació de models lleugers com els d'InfluMatch amb una infraestructura cloud ben gestionada permet a les empreses obtenir resultats de frontera sense necessitat de mantenir clústers costosos.
A més, l'enfocament modular obre la porta a agents IA que puguin col·laborar entre si, similar a la cascada d'InfluMatch. Amb eines com Power BI per visualitzar els resultats de les avaluacions de KOLs o per monitoritzar el rendiment dels models, les empreses poden tancar el cicle d'intel·ligència de negoci. La capacitat d'executar inferències ràpides amb models petits també és rellevant per a sectors com la ciberseguretat, on la detecció en temps real d'amenaces requereix algoritmes lleugers però precisos.
En definitiva, el cas d'InfluMatch il·lustra com la intel·ligència artificial pot ser tant potent com accessible. La lliçó per als equips de tecnologia és clara: no sempre cal el model més gran; sovint, una arquitectura intel·ligent, un entrenament acurat i la integració de serveis cloud AWS i Azure poden oferir resultats comparables a costos molt menors. Q2BSTUDIO ajuda les empreses a navegar aquest panorama, desenvolupant IA per a empreses que combinen eficiència i efectivitat, ja sigui en la cerca de KOLs o en qualsevol altre procés crític de negoci.
