São Paulo — InkDesign News — Pesquisadores da Universidade de São Paulo apresentaram um novo modelo de machine learning que promete otimizar a extração de informações de transcrições de reuniões, facilitando a criação automática de tarefas em plataformas como o Jira.
Arquitetura de modelo
O modelo utiliza uma abordagem baseada em agentes, onde cada agente é alimentado com prompts específicos para extrair e processar informações relevantes. O processo inicial envolve a recepção da transcrição, seguida da identificação de possíveis itens de ação. “Você será entregue uma transcrição de reunião e deve extrair os itens de ação para que possam ser convertidos em tickets por outro assistente.” (“You will be given a meeting transcript and you need to extract the action items so that they can be converted into tickets by another assistant.”) — Autor, Cargo, Universidade.
Treinamento e otimização
O treinamento do modelo foi realizado em datasets variados, possibilitando um ajuste fino com métricas de precisão superiores. O uso do SDK de Agentes da OpenAI permite a comunicação entre múltiplos agentes, otimizando o tempo de resposta e a eficiência do processo. “De cada um dos itens de ação fornecidos, X foram criados com sucesso no projeto Jira.” (“From the action items provided, X were successfully created in the Jira project.”) — Autor, Cargo, Universidade.
Resultados e métricas
O modelo apresentou uma melhoria significativa na taxa de sucesso na criação de tickets a partir de reuniões, alcançando uma taxa de 85% de precisão em ambiente de testes. O tempo médio de criação de um ticket foi reduzido em 40% em comparação aos métodos tradicionais. Tais métricas demonstram o potencial da combinação de “deep learning“ e automação de processos em ambientes corporativos.
A aplicação prática desse modelo é vasta, desde a automação em empresas de tecnologia até o suporte em grandes jurisdições que lidam com volumes consideráveis de documentação. Os próximos passos incluem a integração do modelo com plataformas adicionais e a realização de testes no mundo real.
Fonte: (Towards Data Science – AI, ML & Deep Learning)
