São Paulo — InkDesign News —
A evolução do aprendizado de máquina (machine learning) tem se concentrado em técnicas inovadoras de prompting para modelos de linguagem. Estas abordagens visam melhorar a interação e a eficiência dos sistemas baseados em inteligência artificial.
Arquitetura de modelo
A arquitetura básica dos modelos de linguagem se fundamenta na utilização de técnicas como Chain-of-Thought (CoT) e ReAct. O CoT permite que o modelo descrita seu raciocínio passo a passo, enquanto o ReAct combina raciocínio e ação, permitindo que o modelo refine suas abordagens por meio de ciclos de pensamento, ação e observação. A flexibilidade destes modelos permite a derivação de diferentes técnicas, como o Tree-of-Thoughts (ToT) e o Graph-of-Thoughts (GoT), que exploram múltiplos caminhos de raciocínio de maneira simultânea.
Treinamento e otimização
As abordagens de treinamento desses modelos geralmente requerem data sets extensivos e uma significativa capacidade computacional. A implementação de Program-of-Thoughts (PoT) também se destaca, utilizando snippets de código executáveis para raciocínio. Como resultado, a interação entre os humanos e as máquinas se torna mais dinâmica e passa a ser vista como um loop interativo, onde a intenção humana e o raciocínio automático se complementam.
“A técnica ‘Program-of-Thoughts’ é um avanço significativo, podendo potencialmente substituir humanos em várias funções de escritório.”
(“The ‘Program-of-Thoughts’ technique is a significant advancement, potentially replacing humans in various office functions.”)— Mauro Dipietro, Especialista em AI, InkDesign
Resultados e métricas
As métricas de desempenho dos modelos variam conforme a técnica utilizada. Por exemplo, modelos aplicando ReAct mostram um aumento na precisão em tarefas complexas comparados aos métodos de prompting regulares. Estudos indicam que a convergência de métodos de Chain-of-Thought com iterações de reflexão resultam em respostas mais robustas e coerentes. Esses modelos são, portanto, continuamente refinados para aumentar a eficácia em operações práticas no dia a dia.
Conforme avançamos, a aplicação prática dessas tecnologias abrange diversas indústrias, desde a automação de serviços até o aprimoramento de processos decisórios. Os próximos passos incluem não apenas a melhora nas capacidades desses agentes inteligentes, mas também a garantia de que a interação com os humanos seja intuitiva e eficaz.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
