|
Abstract:
|
Situações em que dados confiáveis precisam ser prontamente e precisamente recuperados através da interação em linguagem natural, evidenciam a necessidade de métodos eficazes para a análise e síntese de informações. Visando superar os desafios associados à obtenção de informações confiáveis, precisas e relevantes, este trabalho objetiva a proposição e desenvolvimento de um método voltado à Sistemas de Respostas à Perguntas (QA). O método integra Modelos de Linguagem de Grande Escala (LLMs) e Grafos de Conhecimento (KGs), utilizando técnicas de Geração Aumentada por Recuperação (RAG) para responder a consultas formuladas em linguagem natural. A proposta está estruturada em oito etapas, sendo instanciada por meio de uma interface de QA mediada por LLM, que interpreta consultas, realiza buscas em grafo e gera respostas contextualizadas. A avaliação do método foi efetuada em dois cenários no contexto de análise de patentes; um voltado à classificação multi-saída (k saídas) e outro voltado à produção de conteúdo textual para subsidiar análises técnicas e geração de insights. Para a classificação atingiu-se uma acurácia em torno de 80% para k=5 e k=6, bem como uma acurácia por complexidade de patentes (patentes com 4 ou mais subclasses de saída) em torno de 90% para esses mesmos valores de k. Para o segundo cenário, os resultados foram avaliados de maneira mais subjetiva, apenas pela leitura do resultado textual produzido. De modo geral, os resultados demonstram uma capacidade eficiente de ranqueamento de classes, elevada diversidade semântica das respostas, desempenho consistente mesmo sob restrições computacionais, assim como o aprimoramento da recuperação de informações técnicas. O método contribui para aprimorar a recuperação de informações técnicas, apoiar a tomada de decisão, a prospecção tecnológica e a análise estratégica em domínios especializados, promovendo maior confiabilidade e eficiência em Sistemas de QA baseados em linguagem natural. |
