O processo de construção de ontologias – aqueles mapas estruturados e interconectados de conhecimento que poderão tudo, desde os mecanismos de pesquisa até o raciocínio da IA - é notoriamente complexo. Requer uma mistura de experiência em domínio, rigor lógico e uma compreensão quase filosófica de como os conceitos se relacionam. Durante anos, os engenheiros de ontologia lutaram com o desafio de transformar o conhecimento abstrato em dados estruturados. Agora, os grandes modelos de idiomas (LLMs) estão entrando no ringue, alegando que eles podem fazer muito do levantamento pesado.
Uma equipe de pesquisadores, incluindo Anna Sofia Lippolis, Mohammad Javad Saeedizade e Eva Blomqvist, vem testando essa alegação. O mais recente deles estudar Avalia se os modelos de IA-especificamente o OpenAI da previsão O1, GPT-4 e a LLAMA 3.1 da Meta-podem gerar ontologias utilizáveis a partir de descrições de linguagem natural. Os resultados? Uma mistura de promessas, armadilhas e questões filosóficas sobre o papel da IA na representação do conhecimento.
O engenheiro de ontologia movido a IA
Tradicionalmente, a criação de ontologia confia em metodologias como METONTOLOGIA e Néonque orienta os engenheiros através de um intrincado processo de definição de conceitos, relacionamentos e restrições. Mas mesmo para especialistas experientes, esse processo é demorado e propenso a erros. Os pesquisadores propuseram uma abordagem diferente: permitem que os LLMs gerassem a base e permitam que os especialistas em humanos refinem os resultados.
O estudo deles introduziu duas técnicas de promoção –CQBYCQ sem memória e Ontogenia– Designado para ajudar a IA a gerar ontologias passo a passo. Ambos os métodos se basearam na alimentação de instruções estruturadas de IA com base em questões de competência (Consultas uma ontologia deve ser capaz de responder) e histórias de usuário (Cenários do mundo real que a ontologia deve suportar).
Em vez de forçar a IA a processar ontologias inteiras de uma só vez – uma tarefa que geralmente leva a saídas confusas e inchadas – essas abordagens quebraram o processo em etapas modulares, orientando os LLMs através de construções lógicas uma peça de cada vez.
Sensei: a IA que explora como uma criança curiosa
Quão bem a IA se saiu?
Os pesquisadores testaram seus métodos em um conjunto de dados de referência, comparando ontologias geradas por IA com as criadas por engenheiros humanos iniciantes. O artista de destaque? Open O1-Previewusando o método de solicitação de ontogenia. Produziu ontologias que não eram apenas utilizáveis, mas, em muitos casos, superaram as criadas por iniciantes humanos.
No entanto, o estudo também destacou limitações críticas. Ontologias geradas pela IA tinha uma tendência a produzir elementos redundantes ou inconsistentes-como definir ambos empregado desde e Empregostartdate para o mesmo conceito. Pior, modelos freqüentemente lutavam com os pontos mais finos da lógica, gerando domínios sobrepostos e relacionamentos inversos incorretos. O modelo de llama da Meta, em particular, teve um desempenho ruim, produzindo hierarquias emaranhadas e falhas estruturais que dificultam suas ontologias.
Uma das maiores sugestões? O contexto é importante. Quando os LLMs foram forçados a trabalhar com muita informação ao mesmo tempo, seu desempenho sofreu. Aparando sua entrada – daí a estratégia “sem memória” – reduziu a redução de saídas irrelevantes e a coerência aprimorada.
Então, devemos deixar a IA assumir a engenharia da ontologia? Não exatamente. Embora os LLMs possam acelerar o processo de desenho, a intervenção humana permanece essencial. A IA é ótima em produzir conhecimento estruturado rapidamente, mas seus resultados ainda precisam Refinamento lógico e Verificação semântica– Testas que requerem supervisão humana.
Os pesquisadores sugerem que o verdadeiro papel da IA na engenharia de ontologia é o de um co-piloto em vez de uma substituição. Em vez de construir gráficos de conhecimento a partir de zero, os LLMs podem ajudar gerando rascunhos estruturados, que os especialistas em humanos podem refinar. Melhorias futuras podem se concentrar na integração mecanismos de validação de ontologia diretamente nos fluxos de trabalho da IA, reduzindo a necessidade de correções manuais.
Em outras palavras, ai pode Ajude a mapear o territóriomas os humanos ainda precisam Verifique os marcos.
O estudo também levanta uma questão mais profunda sobre a capacidade da IA de entender o conhecimento. Um modelo pode realmente “entender” relacionamentos ontológicos ou está apenas jogando um jogo avançado de correspondência de padrões estatísticos? À medida que a IA continua a evoluir, a linha entre a lógica humana e o raciocínio gerado por máquina está embaçado-mas, por enquanto, os engenheiros humanos ainda têm a palavra final.
Os LLMs podem gerar rascunhos de ontologia surpreendentemente de alta qualidade, mas seus resultados permanecem inconsistentes e exigem refinamento humano. Se o objetivo for eficiênciaA engenharia de ontologia assistida pela AI já está se mostrando útil. Se o objetivo for perfeiçãoainda há um longo caminho a percorrer.
Crédito da imagem em destaque: Kerem Gülen/Imagen 3
