s
INTELIGÊNCIA ARTIFICIAL

Por uma IA que trabalhe melhor com o português

Centro de Inteligência Artificial da USP, em parceria com a Fapesp e a IBM, se prepara para liberar três conjuntos de dados open source para treinamento de modelos NLP no nosso idioma

As máquinas estão cada vez melhores em entender a complexidade da linguagem humana. Cada vez que alguém treina um modelo, estamos um passo mais perto de integrar nossas máquinas com mais eficiência em nossas vidas. Acontece que a maioria dos modelos e dos conjuntos de dados usados para treiná-los estão em inglês. Treinar um modelo em português, por exemplo, tem desafiado os cientistas de dados. Os  conjuntos de dados existentes são, em sua maioria, proprietários e os poucos abertos, listados no fórum do AI Lab, versam sobre domínios específicos como saúde e gestão do pessoal e projetos.

Foi tentando resolver esse problema que, no seu primeiro ano, completados este mês, o Centro de Inteligência Artificial (C4AI), parceria entre IBM, USP e Fapesp, investiu na construção de três conjuntos de dados a partir de pesquisas concentradas tanto na modalidade escrita, quanto falada do português.

  • Um deles, batizado de Carolina é composto pelo maior conjunto de dados sintáticos disponível no Brasil, contendo notícias, blogs, tuites, textos jurídicos, teses, interações e comentários de consumidores publicados na internet, e por aí vai, sempre que tornados públicos. Os dados seguem todas as normas de controle de privacidade da LGPD.
  • O outro, chamado CORAA, contém mais de 600 horas de gravações da língua portuguesa, de diversas regiões do Brasil, provenientes de quatro conjunto de dados pré-existentes, mas agora auditadas pelos alunos da universidade. A multidiversidade do conteúdo disponibilizado oferece, por exemplo, maior diversidade regional na criação de futuros aplicativos de conversação, respeitando sotaques, culturas e costumes locais. O objetivo é chegar a 1200 horas de gravações na próxima versão.
  • E o terceiro, o feto Carolina, contém informações sobre mais de 120 bilhões de palavras e termos em português, que estão sendo anotados e etiquetados por tipologia e origem, oferecendo um amplo leque de detalhes sobre sintaxe, semântica, morfologia.

"Vemos essas iniciativas como estruturantes para o mercado, uma vez que os data sets poderão ser usados livremente tanto por acadêmicos quanto por empresas", comenta Claudio Pinhanez, gerente de pesquisa em Inteligência Conversacional do IBM Research Brasil e vice-diretor do C4AI.

Este é um conteúdo exclusivo para assinantes.

Cadastre-se grátis para ler agora
e acesse 5 conteúdos por mês.

É assinante ou já tem senha? Faça login. Já recebe a newsletter? Ative seu acesso.

Da automação à autonomia

Inteligência Artificial

Da automação à autonomia

2024 será o ano que as LLMs irão se desenrolar com força total, então prepare-se para as novidades e avanços na indústria.

Como fica a propriedade intelectual em tempos de IA Generativa?

Inteligência Artificial

Como fica a propriedade intelectual em tempos de IA Generativa?

E por que ela deve caminhar lado a lado com a proteção de dados pessoais?

Por Yasodara Cordova *
Tendências de IA a partir de 2024

Inteligência Artificial

Tendências de IA a partir de 2024

A corrida para 2028 já está acelerada. Empresas investem em tecnologias inovadoras, em fase inicial, para ganhar quando estiverem maduras. Aqui estão 29 tendências de IA que agitarão o circuito.

Um ano de GPT-4

Inteligência Artificial

Um ano de GPT-4

O GPT-4 completa um ano de atividade. As expectativas desceram para a terra, enquanto problemas persistem. Mas ele continua reinando como o principal modelo. O que esperar para o segundo ano?

Organoid Intelligence, a IA do futuro

Inteligência Artificial

Organoid Intelligence, a IA do futuro

O aumento de desempenho que poderia ser alcançado pela produção de computadores a partir de material biológico em vez de silício é significativo. Mas há obstáculos a serem superados.

Receitas de IA para Bipharma

Inteligência Artificial

Receitas de IA para Bipharma

A corrida das patentes é o nome do jogo das Big Pharma hoje. E as startups que trabalham com IA para inovar na descoberta de medicamentos, moléculas e proteínas estão na mira para parcerias.