Série: IA na gestão do conhecimento - parte 1
No primeiro post da série, apresentaremos como a IA pode ser usada para a estruturação de dados
Nicholas ARand
4/22/20243 min read
A gestão do conhecimento constitui um desafio monumental nas organizações modernas, especialmente no contexto das indústrias manufatureiras, onde a eficiência e inovação são cruciais para a competitividade no mercado. Neste primeiro post de uma série dedicada ao tema, exploraremos como os Modelos de Linguagens (LLMs) podem ser instrumentais na captura e estruturação do conhecimento disperso em documentações diversas - procedimentos, e-mails, atas de reunião, entre outros. Este conhecimento, uma vez coletado e organizado, pode servir de alicerce para tomadas de decisão informadas e estratégicas.
Para a estruturação de informações dispersas na forma de gráficos de conhecimento, precisamos partir de uma ontologia clara, uma série de regras que definem os sujeitos, predicados e objetos como "entidades do conhecimento" e a forma como elas se relacionam. No contexto da manufatura, essas entidades podem abranger materiais, equipamentos, funções, peças, que se relacionam de diversas formas, como, "é utilizado em", "é produz por", ou "é feito de". Usaremos aqui, como exemplo, a estruturação do meu currículo profissional. No exemplo, as entidades são eu, minhas experiência, as empresas onde trabalhei, os idiomas que falo, e outros itens. Os predicados são "trabalhou em", "é fluente em", e assim por diante. A imagem a seguir demonstra como estas entidades e os tipos de relações entre elas são definidas para o LLM.
No próximo post, detalharemos como esses gráficos, uma vez criados, podem ser utilizados na prática, promovendo a inovação e a eficiência operacional. Esta série de postagens pretende não apenas iluminar o caminho para uma melhor gestão do conhecimento através do uso de LLMs mas também demonstrar aplicabilidades concretas no setor manufatureiro, abrindo portas para uma nova era de competitividade baseada em conhecimento estruturado e acessível.
Nota: tentei ser minimalista com relação à quantidade de código e imagens postadas aqui. Para quem se interessar, o notebook completo usado nesta demonstração está no meu github: https://github.com/nikinuk/KnowledgeGraphsDemo
Uma vez definida a ontologia, o papel dos LLMs é fazer o trabalho pesado. Ao fornecer ao modelo um prompt estruturado, ele pode ler, entender e extrair as informações relevantes e me retornar tudo no formato que preciso para criar a base estruturada (sujeito -> predicado -> objeto). Aqui é apenas um CV, mas este processo simula o desafio de interpretar e estruturar conhecimento não organizado seja ele qual for e onde estiver. Com uma boa engenharia de prompt, o LLM retorna o conteúdo de meu CV da forma que preciso (head -> relation -> tail), veja a seguir:
Agora que temos os dados estruturados, podemos apresentá-los desta forma. O desenvolvimento de gráficos de conhecimento oferece uma série de vantagens, a começar pela facilidade na busca por informações até a simplicidade em sua manutenção e atualização. Note como os objetos são ligados por meio de relações claras. Este é um exemplo muito simples, normalmente temos gráficos de conhecimentos com centenas de milhares de objetos e como se relacionam entre si.
Meu CV, em formato PDF traz informações valiosas sobre minhas experiências e habilidades, mas em um formato que não é facilmente utilizável para, por exemplo, um recrutador de RH que pcisa examinar e comparar centenas destes a toda hora.
