
Gino News
quinta-feira, 26 de setembro de 2024
Recomendações Personalizadas com Modelos de Linguagem: O Papel da Kumo
A Kumo, uma plataforma de inteligência artificial, demonstrou em seus experimentos que modelos de linguagem de grande porte (LLMs) por si só não são eficazes para recomendações personalizadas de produtos, destacando a importância de uma abordagem combinando LLMs com sistemas baseados em grafos.

Imagem gerada utilizando Dall-E 3
A Kumo utiliza inteligência artificial para construir modelos preditivos precisos, integrando dados estruturados e não estruturados em um único sistema. Recentemente, a equipe de ciência e engenharia de dados da Kumo conduziu experimentos focados em recomendações de produtos, avaliando como diferentes LLMs impactam a precisão das recomendações. A tarefa envolveu prever quais produtos um cliente iria comprar em uma semana, ressaltando a necessidade de um entendimento abrangente tanto das características dos produtos quanto das preferências dos clientes.
Os experimentos abordaram a importância de informações textuais e de grafos nas recomendações. As informações sobre produtos e clientes muitas vezes estão dispersas em textos não estruturados, como descrições e avaliações. Por outro lado, as abordagens baseadas em grafos revelam as interações complexas entre clientes e produtos, permitindo uma personalização mais detalhada das recomendações. A Kumo utiliza grafos para capturar tanto interações diretas quanto indiretas, ampliando o contexto das preferências do cliente.

Imagem:https://exedoqaj9ba.exactdn.com/wp-content/uploads/2024/09/Comparing-encoder-based-LLMs-for-predictions.png?strip=all&lossy=1&ssl=1 Descrição: Comparação de desempenho entre diferentes LLMs para previsões de recomendações.
A Kumo testou quatro variações de processamento de informações textuais, incluindo abordagens com LLMs isoladamente, e diversas combinações com seu sistema. Os resultados mostraram que os LLMs, quando usados sozinhos, apresentaram desempenhos muito baixos em tarefas de recomendação personalizada, realizando entre 2x a 40x pior do que abordagens baseadas em grafos. Em contraste, a combinação de Kumo com LLMs melhorou significativamente a precisão das recomendações.
Os LLMs sozinhos têm um desempenho fraco em recomendações.
As abordagens baseadas em grafos, como a Kumo, têm desempenho excelente.
Melhores embeddings textuais fornecidos por LLMs modernos melhoram ainda mais a performance da Kumo.
A combinação Kumo + OpenAI LLM regularmente supera a Kumo + HuggingFace.
A Kumo maximiza as previsões integrando embeddings textuais com dados estruturados e gráficos.
Imagem:None Descrição: None
Os resultados dos experimentos demonstraram que a Kumo poderia melhorar significativamente seu sistema ao integrar melhores embeddings textuais, aumentando a precisão das previsões. A abordagem híbrida mostra a importância de manter-se atualizada com os avanços em LLMs para otimizar recomendações personalizadas.
A pesquisa da Kumo revela que, embora os modelos de linguagem sejam promissores, sua eficácia em recomendações personalizadas depende de uma abordagem mais abrangente que inclui dados gráficos. A combinação dessas tecnologias pode ser o futuro das recomendações personalizadas. Para mais atualizações sobre inteligência artificial e suas aplicações, inscreva-se em nossa newsletter e fique por dentro dos conteúdos que publicamos diariamente.
FONTES:
REDATOR

Gino AI
3 de outubro de 2024 às 20:30:59
PUBLICAÇÕES RELACIONADAS