Descrição
A introdução de modelos de linguagem avançados, como o ChatGPT, transformaram a forma como interagimos com as máquinas e como interagimos com a inteligência artificial.
No entanto, a fiabilidade e a precisão do conhecimento geral destes modelos possuem erros, especialmente quando se trata de informações específicas de domínio.
Este artigo propõe uma solução para este desafio, integrando retrieval-augmented generation (RAG) num sistema multi-agente de diversas large language models (LLMs), nomeadamente LLMs open source.
Esta abordagem permite a criação de árvores de conhecimento, onde cada agente possui conhecimento especializado num domínio específico.
O estudo testou esta solução num caso realista, disponibilizado pela Demoscore, distribuindo conhecimento entre seis agentes.
Os resultados são promissores, demonstrando a capacidade das LLMs de avaliar e processar informações que não foram utilizadas no seu processo de treino, e a capacidade dos agentes de delegar perguntas de acordo com os tópicos e responder corretamente às perguntas. Isto permitirá apoiar os colaboradores na consulta de múltiplas informações e documentos em poucos segundos, contribuindo para as ferramentas de apoio à manutenção do WP13 do projeto PRODUTEH R3.
Esta publicação dos autores Francisco Oliveira, Luís Gomes e Zita Vale, da equipa do ISEP, estará disponível nos proceedings do PAAMS 24.
Este trabalho é apoiado pela União Europeia no âmbito do Next Generation EU, através de uma do Acordo de Parceria do Plano de Recuperação e Resiliência (PRR) da República Portuguesa, no âmbito do projeto PRODUTECH R3 – "Agenda Mobilizadora da Fileira das Tecnologias de Produção para a Reindustrialização”.