Como é que se consegue que a IA compreenda problemas complexos?

A questão de fazer com que a IA compreenda problemas complexos é mais fácil de dizer do que de fazer. Descobri recentemente um fenómeno interessante ao depurar o ChatGPT: a qualidade da resposta à mesma pergunta, feita de formas diferentes, pode ser muito diferente. Por exemplo, se perguntarmos "como compreender a mecânica quântica", a IA pode dar um monte de terminologia obscura e difícil de compreender; no entanto, se mudarmos para "pode usar o exemplo de fazer café para explicar a mecânica quântica", a resposta torna-se imediatamente vívida e interessante. Isto fez-me perceber que o limite superior da capacidade de compreensão da IA depende, em certa medida, da arte de fazer perguntas.

A arte de resolver problemas

Um estudo de caso publicado pela OpenAI no ano passado mostra que quando os utilizadores dividem uma grande questão como "como começar um negócio" em 5-7 sub-questões específicas como "como validar uma ideia de negócio" e "como escrever um plano de negócios", a precisão das respostas da IA aumenta em 63%. "Isto é como ensinar as crianças a construir blocos. Em vez de lhes dar um guia para construírem um castelo inteiro de uma só vez, devemos ensiná-las a construir as muralhas, as torres e as pontes levadiças passo a passo. Na prática, também descobri que dar à IA um quadro de pensamento claro, como "por favor, responda de acordo com a estrutura de razão, estado e solução", pode muitas vezes obter um resultado mais estruturado.

No entanto, há também uma razão para decompor o problema. Uma experiência do MIT Media Lab mostrou que decompor o problema em demasiados pormenores reduziria a capacidade da IA para o compreender. Por exemplo, decompor "como escrever um romance" em "como escrever a primeira frase do primeiro parágrafo do primeiro capítulo" é demasiado mecânico. A desmontagem ideal deve ser como descascar uma cebola, camada a camada, aproximando-se do núcleo, mas cada camada deve manter uma lógica completa.

O poder do contexto

Os investigadores da Google DeepMind descobriram que, ao fornecer à IA o contexto adequado, a sua compreensão pode ser melhorada em mais de 40%. Por exemplo, se perguntarmos "como resolver conflitos de equipa" e acrescentarmos "somos uma equipa de arranque remota com membros de 5 fusos horários diferentes", o conselho dado pela IA será muito mais específico. Isto faz-me lembrar um caso em que ajudei um amigo a consultar a IA na semana passada: a simples pergunta "E se o meu filho não gostar de estudar?" deu-me generalidades, mas acrescentar pormenores como "O meu filho tem 12 anos, é viciado em vídeos curtos e é particularmente resistente à matemática" tornou o conselho imediatamente mais acionável. O conselho torna-se imediatamente acionável.

Curiosamente, mais contexto não é melhor. A investigação em IHC da Universidade de Stanford mostra que as descrições contextuais com mais de 500 palavras podem, pelo contrário, distrair a IA de ir direto ao assunto. A melhor prática é começar com 1-2 frases que descrevam a pergunta principal, depois 3-5 pontos para fornecer o contexto principal e, finalmente, tornar clara a forma desejada da resposta.

A magia dos loops de feedback

O que mais me surpreendeu foi a capacidade da IA para aprender em tempo real. A investigação da Anthropic mostra que, através de 3-5 rondas de feedback do diálogo, a precisão de Claude na compreensão de perguntas complexas pode ser melhorada dos 58% iniciais para 89%. Por exemplo, quando a primeira resposta não é satisfatória, dizendo "Esta explicação ainda é demasiado profissional, pode utilizar um exemplo mais realista", a IA ajusta realmente a expressão. A IA ajusta realmente a expressão. Utilizo frequentemente este método de "questionamento progressivo", como se estivesse a falar com um assistente inteligente, mas preciso de o orientar, cada feedback está a alinhar o nosso canal de pensamento.

Note-se, no entanto, que o feedback tem de ser específico. Em vez de dizer "não percebo", indique que "a relação de causa e efeito no passo 3 não é muito clara"; a IA é como um aluno sério, quanto mais específica for a orientação que lhe der, mais depressa aprende. Recentemente, quando estava a lidar com um problema de otimização da cadeia de abastecimento, a solução final que obtive após 4 rondas de feedback específico era muito mais refinada do que a primeira versão.

No fim de contas, fazer com que a IA compreenda problemas complexos é essencialmente exercitar a nossa capacidade de pensar com clareza. Cada diálogo com a IA é um espelho das ambiguidades e dos saltos da nossa própria expressão. Talvez um dia, no futuro, quando a IA conseguir compreender facilmente todos os problemas complexos, a nossa forma humana de pensar se torne mais clara e organizada.