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

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?

Por Alyson Welch, Chief Revenue Officer da Neo4j.