São Paulo — InkDesign News —
A pesquisa recente em machine learning, liderada pelo professor Rui Zhang e sua equipe na Universidade Estadual da Pensilvânia, explora novas abordagens para otimizar sistemas de inteligência artificial (AI), visando melhorar a eficiência e a utilidade das respostas geradas.
Contexto da pesquisa
A equipe de Zhang apresentou três trabalhos em conferências internacionais, destacando a importância da engenharia de prompts na interação com sistemas como ChatGPT. Esse processo envolve a criação de entradas que orientam a AI a fornecer respostas mais precisas e relevantes.
“A engenharia de prompts é o processo de projetar entradas eficazes que guiam sistemas de AI”
fala traduzida(“Prompt engineering is the process of designing effective inputs that guide AI systems”)— Rui Zhang, Professor Assistente, Universidade Estadual da Pensilvânia
Método proposto
Dentre as inovações, destaca-se o método GReaTer, que utiliza otimização baseada em gradientes para gerar e refinar prompts automaticamente. Isso não apenas melhora a performance, mas também economiza tempo e custos operacionais, aumentando a acessibilidade para usuários sem formação técnica.
Resultados e impacto
Os testes com o GReaTer mostraram que modelos de linguagem de menor escala conseguiram resultados comparáveis a modelos maiores em tarefas de raciocínio e resolução de problemas matemáticos. Essa abordagem ampliará suas aplicações em tutores AI, assistentes de escrita e atendimento ao cliente.
“Automatizar esse processo significa que a AI pode se adaptar a novas tarefas com menos intervenção humana”
fala traduzida(“Automating this process means AI can adapt to new tasks with less human input”)— Rui Zhang, Professor Assistente, Universidade Estadual da Pensilvânia
O potencial de ferramentas de AI que compreendem imagens de alta resolução foi ainda mais explorado através do benchmark HRScene, que visa avaliar como modelos de visão-linguagem lidam com imagens complexas. Isso poderá beneficiar áreas como saúde, agricultura e ciências ambientais, melhorando diagnósticos médicos e análise de imagens satelitais.
As próximas etapas da pesquisa envolvem a expansão do toolkit GReaTerPrompt e a aplicação prática dos métodos em desafios do mundo real, como diagnósticos radiológicos e monitoramento ambiental.
Fonte: (TechXplore – Machine Learning & AI)
