Guillem Alsina Gonzàlez
Um estudo recente mostra como os grandes modelos de linguagem, especificamente o GPT, estão a transformar a investigação através da automatização da extração de informações complexas, conseguindo reduzir custos e tempos de execução, enquanto mantêm ou superam a precisão humana em tarefas de gestão de dados.
Um grupo de investigadores de instituições como a Universidade do Sul da Califórnia, Stanford, Oxford, Princeton e a Universidade de Nova Iorque analisou em profundidade a utilidade dos grandes modelos de linguagem (LLM), centrando a sua atenção na capacidade destes sistemas para extrair informação estruturada a partir de textos não estruturados e no contexto atual de integração destas ferramentas nas organizações a todos os níveis.
A investigação afasta-se das utilizações mais comuns da IA generativa, como a criação de textos ou a simulação de conversas, para se concentrar numa necessidade crítica para as empresas e organizações: transformar dados brutos em informação estruturada e processável.
Os autores da análise demonstraram que esta tecnologia não só torna mais acessível a recolha exaustiva de dados, como, em geral, permite aumentar a eficiência e o alcance das investigações, permitindo abordar volumes de informação que anteriormente eram impossíveis de abranger devido a limitações orçamentais ou de pessoal.
A principal conclusão do estudo é que a implementação de modelos como o GPT reduz significativamente o tempo e os recursos necessários para a recolha de dados, automatizando a recuperação de detalhes em fontes tão diversas como documentos históricos, atas de reuniões administrativas e artigos de imprensa.
Para validar estas capacidades, foram realizadas quatro aplicações práticas que ilustram a versatilidade da ferramenta.
Em primeiro lugar, a API do GPT foi utilizada para corrigir erros de reconhecimento ótico de caracteres (OCR) em arquivos históricos da Segunda Guerra Mundial. Ao combinar ferramentas de código aberto como o Tesseract com o modelo da OpenAI, foi possível eliminar o «ruído» do texto digitalizado. Os resultados mostraram que o sistema foi capaz de corrigir erros tipográficos e de espaçamento com notável eficácia, reduzindo a taxa de erros de caracteres em 6% em comparação com o texto original e facilitando a identificação precisa de locais e atores chave.
Num segundo cenário, voltado para a gestão administrativa, foram processadas atas de reuniões de comitês consultivos federais dos Estados Unidos. O objetivo era extrair nomes, afiliações e cargos dos participantes a partir de documentos em formato PDF semiestruturados. Apesar da complexidade apresentada pelas etiquetas dos cargos, que variavam enormemente, o modelo conseguiu estruturar as informações em formato CSV.
O custo desse processamento acabou sendo extremamente baixo, ficando em torno de 30 centavos de dólar por cada transcrição de 50.000 caracteres, o que representa uma economia drástica em comparação com a contratação de pessoal para a introdução manual de dados.
O terceiro e quarto casos de uso abordaram a extração de fontes em notícias jornalísticas e a compilação de dados biográficos a partir de pesquisas na Internet, respetivamente. Nestes testes, a tecnologia demonstrou a sua capacidade de lidar com a lógica complexa e a ambiguidade da linguagem natural. De facto, na tarefa de codificar informações familiares de presidentes de câmara italianos a partir de resultados de pesquisa, o modelo GPT-4 superou os codificadores humanos em termos de precisão, cometendo menos erros de falsos positivos, embora tenha mostrado uma tendência para omitir informações quando estas eram apresentadas de forma muito complexa.
No entanto, a implementação destas soluções não está isenta de desafios técnicos que os responsáveis pela tecnologia das organizações devem considerar. O estudo sublinha a importância crítica da «engenharia de prompts», ou seja, o design iterativo das instruções que são dadas ao modelo.
Os melhores resultados são obtidos quando o contexto, o objetivo e o formato de saída desejado, como JSON ou CSV, são claramente especificados e, em tarefas complexas, é benéfico dividir o processo em várias etapas sequenciais. Da mesma forma, foram detetadas limitações relacionadas com a janela de contexto dos modelos, uma vez que o desempenho tende a degradar-se quando se processam textos excessivamente longos, o que obriga a segmentar a informação.
De uma perspetiva operacional e ética, a adoção dessas ferramentas levanta questões sobre o futuro do emprego em tarefas de assistência à investigação. Embora a automação permita redirecionar o talento humano para tarefas de maior valor agregado, como validação de dados e análise qualitativa, existe a preocupação com a redução de oportunidades de formação para os perfis juniores que tradicionalmente realizavam essas tarefas manuais.
Além disso, os responsáveis pelas decisões de compra devem ter em conta os riscos de privacidade ao lidar com dados sensíveis e o impacto ambiental derivado do elevado consumo energético que estes modelos computacionais requerem.
