Numa era de sobrecarga de informação, o desenvolvimento da IA requer não apenas novas tecnologias, mas também formas inteligentes de processar e compreender dados. Conheça um ao outro CírculoMindé uma startup de IA que reinventa a Geração Aumentada de Recuperação (RAG) usando gráficos de conhecimento e um algoritmo PageRank padronizado. Financiado pela Y Combinator, o CircleMind visa melhorar a forma como os modelos linguísticos de grande escala (LLMs) compreendem e geram conteúdo, fornecendo uma abordagem mais sistemática e livre de erros para a aquisição de informações. Vamos dar uma olhada mais de perto em como isso funciona e por que é importante.
Para quem não está familiarizado com RAG, é uma técnica de IA que combina recuperação de informação e geração de linguagem. Em geral, um modelo de linguagem grande como o GPT-3 responderá a perguntas com base nos seus dados de treinamento, que, embora grandes, tornam-se desatualizados ou incompletos com o tempo. O RAG aumenta isso extraindo dados em tempo real ou de domínios específicos durante o processo de produção – essencialmente uma combinação inteligente de desempenho e fluência do mecanismo de pesquisa.
Os modelos RAG tradicionais geralmente dependem de pesquisa baseada em palavras-chave ou incorporação densa de vetores, que podem carecer de complexidade contextual. Isto pode levar a uma enxurrada de pontos de dados sem garantir que as fontes mais relevantes e confiáveis sejam priorizadas, levando a respostas potencialmente não confiáveis. A CircleMind pretende resolver este problema introduzindo técnicas de recuperação de informação mais sofisticadas.
O método CircleMind: gráficos de conhecimento e PageRank
A abordagem CircleMind gira em torno de duas tecnologias principais: Knowledge Graphs e o Algoritmo PageRank.
Os gráficos de conhecimento são redes estruturadas de entidades interconectadas – pense em pessoas, lugares, organizações – projetadas para representar relações entre vários conceitos. Eles ajudam as máquinas não apenas a identificar palavras, mas a compreender suas conexões, melhorando assim a forma como o contexto é interpretado e usado durante a geração de respostas. Essa rica representação de relacionamentos ajuda a CircleMind a encontrar dados altamente propensos a erros e contextualmente precisos.
No entanto, compreender os relacionamentos é parte da solução. A CircleMind também usa o algoritmo PageRank, um método desenvolvido pelos fundadores do Google no final da década de 1990 que mede a importância dos nós dentro de um gráfico com base no número e na qualidade dos links recebidos. Aplicado a um gráfico de conhecimento, o PageRank pode priorizar nós confiáveis e bem conectados. No contexto do CircleMind, isso garante que as informações retornadas não sejam apenas relevantes, mas também carreguem algum grau de autoridade e credibilidade.
Ao combinar esses dois métodos, o CircleMind melhora a qualidade e a confiabilidade das informações retornadas, fornecendo dados contextualmente relevantes para que os LLMs gerem respostas.
Vantagem: Relevância, Autoridade e Precisão
Ao combinar gráficos de conhecimento e PageRank, o CircleMind aborda algumas limitações importantes das implementações convencionais de RAG. Os modelos tradicionais muitas vezes lutam com a ambiguidade contextual, enquanto os gráficos de conhecimento ajudam o CircleMind a representar relacionamentos de forma rica, levando a respostas lógicas e precisas.
O PageRank, por outro lado, ajuda a priorizar as informações mais importantes do gráfico, garantindo que as respostas da IA sejam relevantes e confiáveis. Ao combinar esses métodos, o RAG da CircleMind garante que a IA receba dados significativos e confiáveis, resultando em respostas informativas e precisas. Esta combinação melhora enormemente a capacidade dos sistemas de IA de compreender não apenas quais informações são importantes, mas também quais fontes são confiáveis.
Implicações práticas e casos de uso
Os benefícios da abordagem CircleMind são mais evidentes em casos de uso onde a precisão e a autoridade são importantes. As empresas que procuram IA para atendimento ao cliente, assistência em pesquisa ou gerenciamento de informações internas acharão a abordagem da CircleMind inestimável. Ao garantir que o sistema de IA receba informações contextuais e confiáveis, o risco de respostas incorretas ou enganosas é reduzido – um recurso importante para aplicações como saúde, aconselhamento financeiro ou suporte técnico, onde a precisão é crítica.
A arquitetura da CircleMind também fornece uma estrutura sólida para soluções de IA específicas de domínio, especialmente aquelas que exigem insights dinâmicos em grandes conjuntos de dados relacionais. Por exemplo, no campo jurídico, um assistente de IA pode usar o método da CircleMind não apenas para se basear na jurisprudência relevante, mas também para compreender precedentes e medir sua autoridade com base em resultados e citações jurídicas do mundo real. Isso garante que as informações apresentadas sejam precisas e contextuais, tornando o resultado da IA mais confiável.
Título antigo e novo
A inovação da CircleMind é tanto um reconhecimento do passado quanto do futuro. Ao atualizar e reprojetar o PageRank, a CircleMind mostra que melhorias significativas geralmente vêm da replicação e combinação de tecnologias existentes de novas maneiras. O PageRank original criava uma classificação de páginas da web baseada em links; Da mesma forma, o CircleMind cria sequências de informações significativas, projetadas para modelos produtivos.
O uso de gráficos de conhecimento reconhece que o futuro da IA depende de modelos inteligentes que entendam como os dados estão conectados. Em vez de depender apenas de grandes modelos com mais dados, o CircleMind concentra-se em relacionamentos e contexto, fornecendo uma abordagem sofisticada para recuperação de informações que, em última análise, leva a uma geração de respostas mais inteligentes.
O caminho a seguir
A CircleMind está em seus estágios iniciais e levará tempo para perceber todo o potencial de sua tecnologia. O principal desafio reside em dimensionar este método RAG híbrido sem sacrificar a velocidade ou incorrer em custos computacionais excessivos. A poderosa integração de gráficos de conhecimento em consultas em tempo real e a garantia de cálculo ou estimativa eficiente do PageRank exigirão engenharia criativa e recursos computacionais significativos.
Apesar destes desafios, os pontos fortes da abordagem CircleMind são claros. Ao refinar o RAG, a CircleMind pretende preencher a lacuna entre a recuperação de dados brutos e a geração de conteúdo abstrato, garantindo que o conteúdo recuperado seja contextualmente rico, preciso e confiável. Isto é especialmente importante numa era em que a informação imprecisa e a falta de credibilidade são problemas constantes para os modelos produtivos.
O futuro da IA não passa apenas pela recuperação de informações, mas pela compreensão do seu contexto e valor. A CircleMind faz progressos significativos nesse sentido, proporcionando um novo paradigma para aquisição de conhecimento na produção linguística. Ao integrar gráficos de conhecimento e aproveitar o poder estabelecido do PageRank, o CircleMind abre caminho para que a IA forneça não apenas respostas, mas também orientação informada, confiável e consciente do contexto.
Confira detalhes aqui. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal.. Não se esqueça de participar do nosso SubReddit de 55k + ML.
[FREE AI VIRTUAL CONFERENCE] SmallCon: Conferência Virtual GenAI gratuita com. Meta, Mistral, Salesforce, Harvey AI e mais. Junte-se a nós em 11 de dezembro para este evento de visualização gratuito para aprender o que é necessário para construir grande com pequenos modelos de pioneiros em IA como Meta, Mistral AI, Salesforce, Harvey AI, Upstage, Nubank, Nvidia, Hugging Face e muito mais.
Shobha é um analista de dados com histórico comprovado no desenvolvimento de soluções de aprendizado de máquina que geram valor comercial.
🐝🐝 Leia este relatório de pesquisa de IA da Kili Technology 'Avaliação de vulnerabilidade de um modelo de linguagem grande: uma análise comparativa de métodos de passagem vermelha'
