Ferramentas de pesquisa de IA, porquê OpenAI o1, já alcançaram níveis de pontuação de teste que atendem ou excedem as pontuações daqueles que possuem doutorado. diplomas em ciências e vários outros campos. Essas ferramentas generativas de IA utilizam grandes modelos de linguagem que incluem pesquisa e conhecimento em muitas disciplinas. Cada vez mais, eles são usados para idealização de projetos de pesquisa e pesquisas bibliográficas. As ferramentas estão gerando insights interessantes para os pesquisadores, aos quais eles talvez não tivessem sido expostos em anos passados.
O campo acadêmico há muito enfatiza o estudo de pesquisa unidisciplinar. Oferecemos cursos em disciplinas únicas; os membros do corpo docente recebem nomeações, na maioria das vezes, em exclusivamente um departamento, escola ou faculdade; e, na maior secção, nossos periódicos acadêmicos revisados por pares abrangem exclusivamente uma disciplina, embora às vezes aceitem artigos de áreas estreitamente associadas ou aliadas. As dissertações são mais comumente baseadas em uma única disciplina. Embora as bolsas de investigação sejam mais frequentemente multidisciplinares e priorizem a procura de soluções práticas, um grande número permanece centrado num único campo de estudo.
O problema é que à medida que avançamos o nosso conhecimento e experiência de emprego num campo, podemos tornar-nos inconscientes de desenvolvimentos importantes noutros campos que impactam directa ou indirectamente o estudo na disciplina escolhida. A inovação nem sempre é um progressão linear e de propósito único. Hoje em dia, com maior frequência, a inovação resulta da integração de conhecimentos de campos díspares, porquê a sociologia, a engenharia, a ecologia e os desenvolvimentos ambientais, e da expansão da compreensão da física quântica e da computação quântica. Até recentemente, não tínhamos uma forma eficiente de identificar e integrar conhecimentos e perspectivas de áreas que, à primeira vista, parecem não relacionadas.
O futurista e inovador de IA Thomas Conway, do Algonquin College of Applied Arts and Technology, aborda leste tópico em “Aproveitando o poder de muitos: uma abordagem multi-LLM para integração multidisciplinar”:
“Em meio à urgência de desafios globais cada vez mais complexos, a urgência de abordagens integradoras que transcendam as fronteiras disciplinares tradicionais nunca foi tão sátira. As alterações climáticas, as crises sanitárias globais, o desenvolvimento sustentável e outras questões prementes exigem soluções baseadas em diversos conhecimentos e competências. No entanto, combinar eficazmente insights de múltiplas disciplinas tem sido um travanca significativo na ateneu e na pesquisa.
“A Metodologia de Solicitação Iterativa Multi-LLM (MIPM) surge porquê uma solução transformadora para leste repto. O MIPM oferece uma estrutura estruturada, porém maleável, para promover e aprimorar a pesquisa multidisciplinar, a revisão por pares e a instrução. Na sua núcleo, o MIPM aborda a questão fundamental de combinar eficazmente diversas perspectivas disciplinares para levar a uma síntese e inovação genuínas. O seu potencial transformador é um farol de esperança face aos complexos desafios globais.”
Ao mesmo tempo que integramos ferramentas e técnicas de investigação em IA, nós próprios e a nossa sociedade em universal estamos a mudar. Muitos dos modelos de línguas comuns de fronteira que alimentam as ferramentas de investigação são multidisciplinares por natureza, embora alguns sejam concebidos com pontos fortes em campos específicos. Suas respostas às nossas solicitações são multidisciplinares. A resposta às nossas solicitações de seguimento iterativo pode levar-nos a campos e áreas de especialização dos quais não tínhamos conhecimento anteriormente. As respostas não vêm exclusivamente de um técnico em uma única disciplina, livro ou outro recurso. Eles vêm de um padrão linguístico massivo que abrange disciplinas, línguas, culturas e milênios.
À medida que integramos estas ferramentas, também nós nos tornaremos naturalmente conscientes de perspetivas novas e emergentes, de investigação e de desenvolvimentos gerados por campos que estão fora do nosso conhecimento, formação e experiência quotidiana. Isso expandirá nossas perspectivas além dos campos de nosso estudo formal. À medida que a qualidade das nossas ferramentas de investigação baseadas em IA se expande, o seu impacto na investigação não pode ser exagerado. Isso nos levará a novas direções e perspectivas mais amplas, descobrindo o potencial para novos conhecimentos, informados por múltiplas disciplinas. Um exemplo recente é Storm, uma utensílio de brainstorming desenvolvida pela equipe do Open Virtual Assistant Lab (OVAL) de Stanford:
“As principais tecnologias do sistema STORM&Co-STORM incluem suporte do Bing Search e GPT-4o mini. O componente STORM gera iterativamente esboços, parágrafos e artigos por meio de perguntas e respostas multiângulos entre ‘especialistas LLM’ e ‘anfitriões LLM’. Enquanto isso, o Co-STORM gera mapas mentais interativos e dinâmicos por meio de diálogos entre múltiplos agentes, garantindo que nenhuma informação seja ignorada pelo usuário. Os usuários só precisam inserir uma palavra-chave do tópico em inglês, e o sistema pode gerar um texto longo de subida qualidade que integra informações de várias fontes, semelhante a um cláusula da Wikipedia. Ao testar o sistema STORM, os usuários podem escolher livremente entre os modos STORM e Co-STORM. Oferecido um tópico, o STORM pode produzir um texto longo estruturado de subida qualidade em 3 minutos. Ou por outra, os usuários podem clicar em ‘Ver processo de BrainSTORMing’ para visualizar o processo de brainstorming de diferentes funções do LLM. Na seção ‘Desvendar’, os usuários podem consultar artigos e exemplos de bate-papo gerados por outros acadêmicos, e artigos pessoais e registros de bate-papo também podem ser encontrados na barra lateral ‘Minha Livraria’”.
Mais sobre Storm está disponível em https://storm.genie.stanford.edu/.
Uma das preocupações levantadas pelos céticos neste momento do desenvolvimento destas ferramentas de investigação é a segurança dos prompts e resultados. Poucos estão conscientes das oportunidades de sem ar ou sistemas fechados e até Bate-papos temporários do ChatGPT. No caso do OpenAI, você pode iniciar um bate-papo temporário tocando na versão do ChatGPT que está usando na secção superior do aplicativo GPT e selecionando bate-papo temporário. Eu faço isso comumente usando Mentor educacional de Ray. OpenAI diz que no modo de chat temporário os resultados “não aparecerão no histórico, não usarão ou criarão memórias, nem serão usados para treinar nossos modelos. Por motivos de segurança, podemos manter uma imitação por até 30 dias.” Podemos prever que esses tipos de proteção serão oferecidos por outros provedores. Isto pode fornecer segurança adequada para muitas aplicações.
Segurança suplementar pode ser fornecida com a instalação de uma instância autônoma do banco de dados e software LLM em um computador solitário que mantém os dados completamente desconectados da Internet ou de qualquer outra rede, garantindo um nível de proteção incomparável. Modelos de linguagem pequena e modelos de tamanho médio estão fornecendo resultados impressionantes, aproximando-se e, em alguns casos, excedendo o desempenho do padrão de fronteira, ao mesmo tempo que armazenam todos os dados localmente, off-line. Por exemplo, no ano pretérito A Microsoft lançou uma risco de modelos SLM e médios:
“A experiência da Microsoft enviando copilotos e permitindo que os clientes transformem seus negócios com IA generativa usando IA do Azure destacou a urgência crescente de modelos de tamanhos diferentes ao longo da curva qualidade-custo para diferentes tarefas. Modelos de linguagem pequena, porquê Phi-3, são mormente ótimos para:
- Ambientes com recursos limitados, incluindo cenários de inferência no dispositivo e offline
- Cenários com limite de latência onde tempos de resposta rápidos são críticos.
- Casos de uso com custos limitados, mormente aqueles com tarefas mais simples.”
No limitado prazo, encontraremos aplicativos de pesquisa privada prontos para uso que oferecerão resultados ainda mais impressionantes. O trabalho continua no sentido de aumentar rapidamente as respostas multidisciplinares à investigação sobre um número cada vez maior de tópicos de investigação prementes.
As ferramentas de investigação em IA em estável evolução estão agora a fornecer-nos respostas de múltiplas disciplinas. Estes resultados levar-nos-ão a envolver-nos em estudos mais multidisciplinares que se tornarão um catalisador de mudanças em toda a ateneu. Você começará a considerar estudos de pesquisa interdisciplinares e a envolver seus colegas de outras áreas para se juntarem a você em projetos de pesquisa?