Para oferecer mais exatidão de informações, ChatGPT precisa adotar tecnologia de grafos

Alyson Welch explica por que sistemas de grande modelo de linguagem, utilizados na inteligência artificial, não podem ir além de aplicativos complexos até que sejam devidamente organizados

O ChatGPT e outras inteligências artificiais generativas se tornaram um assunto de interesse público e corporativo, mas ainda têm limitações no contexto empresarial. De ‘alucinações’, desinformação, preconceito e falta de exatidão de informações, até agora o uso de Inteligência Artificial (IA) no contexto de “Grandes Modelos de Linguagem” (GML) é mais uma curiosidade do que algo mais substancial.

O medo sobre a ‘ameaça’ que os GML’s representam paira no ar, e alguns líderes de tecnologia requisitaram aos pesquisadores de IA que diminuíssem a produção para que os riscos possam ser estudados em “um retrocesso da corrida perigosa para modelos de caixa preta cada vez maiores e imprevisíveis com capacidades emergentes”. Elon Musk, que está planejando introduzir sua própria IA generativa, afirma estar preocupado que o ChatGPT seja inerentemente tendencioso.

Há um debate a ser feito aqui. Mas o mais importante que precisa acontecer, é a IA generativa fazer um trabalho melhor ao fornecer visibilidade do que é verdadeiro para criar confiança. Mas para estabelecer as bases disso, precisamos ser claros sobre o que o ChatGPT e produtores de texto GLM não representam. Eles não são sensíveis e não podem substituir inteiramente a necessidade de você e eu escrevermos artigos, ensaios ou brochuras, embora possam ajudar nas tarefas iniciais de redação.

A tecnologia é um recurso valioso para melhorar a eficiência de um desenvolvedor, assim como já foi usada para assimilar vários exemplos de código de computador. Mas além de facilitar a geração de códigos e cópias, para aproveitar totalmente o poder da IA generativa, precisamos treinar sua próxima geração em dados de negócios estruturados e de alta qualidade, em vez de depender de ‘o que está por aí’ na Internet gratuitamente.

E a melhor maneira de fazer isso, em nossa opinião, é por meio de um Knowledge Graph (grafo de conhecimento) como suporte e interface. Essa abordagem é a melhor maneira de obter exatidão de informações, conformidade e reprodutibilidade, além de oferecer aos criadores de sistemas os muitos outros benefícios que o Knowledge Graph baseado em grafos e o GDS (graph data science) proporcionam.

Na verdade, as empresas estão cada vez mais começando a adotar essa abordagem. Por exemplo, uma empresa de petróleo e gás em Cingapura tentou um GML para suas pesquisas em toda a empresa, mas como a IA não sabia o que estava procurando, os resultados eram de valor limitado. No entanto, usando grafos para fornecer contexto, a empresa conseguiu aumentar a precisão e a relevância de sua IA.
Não há razão pela qual você não possa fazer o mesmo: você pode acumular um volume significativo de dados de texto, seja externamente (relacionado ao seu mercado específico) ou internamente (como catálogos de produtos).

Reduza radicalmente os erros do ChatGPT

Usando o novo GML sintetizado, você pode criar um grafo de conhecimento que ajudará a entender os dados acumulados, acelerando a Pesquisa e desenvolvimento ou refinando os procedimentos de conformidade. E você pode empregar esse processo ao contrário, aplicando um modelo de linguagem inteligente a um espaço de problema que você codificou em um grafo. Isso permite que você controle a entrada do modelo, resultando em uma interface de linguagem natural responsiva e fácil de interrogar na parte superior do seu grafo, sem exigir muito esforço para alcançá-la. Essa abordagem também oferece uma maneira de reduzir radicalmente os tipos de erros que você vê com o ChatGPT.

Esse tipo “pequeno” modelo de linguagem grande (que tal essa nova denominação, PMLG?), será em breve predominante em aplicações industriais e de negócios. Pense no que um marketplace poderia fazer com um PMLG – incorporando toda a documentação do produto de seus bancos de dados, carregando-a no ChatGPT e oferecendo aos clientes um chatbot de conversação interativo sobre toda essa complexidade.

Os CIOs devem olhar além de todas as manchetes frenéticas do ChatGPT e se concentrar em explorar o potencial inexplorado em seus armazenamentos de dados internos, aplicando PMLGs e construindo grafos de conhecimento usando algoritmos de ciência de dados grafos. Imagine o que você poderá alcançar em breve?