À medida que a IA continua a se transformar, o mesmo acontece com a experiência das pessoas que ela atende.
Uma pesquisa da McKinsey mostra que, até 2025, pelo menos 62% das organizações estão experimentando agentes de IA e quase 9 em cada 10 afirmam que os utilizam regularmente.
Reitor da Escola de Engenharia da Universidade de Manhattan, Professor Emérito de Projeto de Engenharia e Engenharia Mecânica na Penn State University e Praticante KAI.
Embora estes números sejam encorajadores, as preocupações sobre a tecnologia permanecem consistentes, especialmente em torno da qualidade e fiabilidade dos dados e do potencial de respostas falsas das ferramentas de IA. A falta de precisão é o risco que a maioria das organizações está a trabalhar para mitigar, de acordo com a McKinsey.
Então, existe uma maneira de melhorar a produção do LLM e obter as respostas e informações que desejamos e da maneira que precisamos? Atualmente, a resposta é simplesmente dizer aos usuários para melhorarem suas perguntas, mas se observarmos como os humanos interagem entre si, pode haver outra solução.
Apresentando a diversidade cognitiva e por que ela é importante para os LLMs
Nos humanos, a diversidade cognitiva refere-se às diferenças na forma como os indivíduos pensam, resolvem problemas, geram ideias e tomam decisões.
O inventário KAI sugere que esta diversidade surge na forma de uma preferência inata pelo número de estruturas que utilizamos quando criamos soluções, configuramos o nosso ambiente e respondemos às normas e às normas do grupo.
A Teoria da Inovação Adaptativa, na qual o KAI se baseia, descreve um espectro que vai do altamente adaptativo ao altamente inovador, com infinitas variações entre eles.
Em geral, as pessoas mais adaptáveis preferem mais estrutura e preferem utilizar regras claras e consistentes, enquanto as pessoas mais inovadoras preferem menos estrutura e são mais propensas a ignorar ou alterar as regras para permanecerem envolvidas.
Querer mais autoadaptação ou mais inovação não tem nada a ver com inteligência ou motivação; e, portanto, não existe uma posição ideal a ocupar no espectro KAI.
As décadas de pesquisa do Dr. MJ Kirton em Teoria da Adaptação-Inovação sugerem que quando os indivíduos compreendem seus estilos cognitivos, as soluções podem ser alcançadas de forma mais eficaz, mais criativa e mais eficiente, tanto individualmente quanto em grupos.
Mas como aplicamos esta teoria à tecnologia e podemos treinar LLMs para trabalhar de forma semelhante? A pesquisa sugere que a resposta é “sim”.
O que a pesquisa sugere:
Um artigo recente de pesquisadores da Carnegie Mellon University e da Penn State University – Colocando o fantasma na máquina: imitando o estilo cognitivo em grandes modelos de linguagem – explorou uma questão fundamental: Como os LLMs podem imitar estilos cognitivos se os ensinarmos?
Os pesquisadores ensinaram um modelo LLM sobre Teoria da Inovação Adaptativa para compreender a diversidade cognitiva e como as pessoas se comportam de forma mais adaptativa e inovadora. Eles foram então encarregados de resolver três problemas de design usando dois prompts diferentes, cada prompt projetado especificamente com um estilo cognitivo diferente.
Um convite foi elaborado de forma adaptativa: nítido, orientado para os detalhes e refletindo o estilo de pensamento de alguém que gosta de trabalhar com expectativas claras; outra sugestão foi formulada de uma forma inovadora – refletindo o estilo de pensamento de alguém que é fortalecido quando as expectativas são mais ambíguas e há mais flexibilidade.
As respostas foram avaliadas quanto à viabilidade (quão viáveis e realistas eram as soluções) e relacionadas ao paradigma (se as ideias permaneceram dentro das estruturas existentes ou se desviaram delas).
Os resultados revelaram que o convite adaptativo apresentou soluções mais viáveis, estruturadas e tradicionais. Em vez disso, a iniciativa inovadora produziu soluções menos viáveis, mas maiores desafios de paradigma.
Simplificando, o LLM não estava apenas gerando soluções ou respostas, mas sim gerando os tipos certos de soluções com base no conhecimento da diversidade cognitiva e no estilo cognitivo eficaz do indivíduo que fez a pergunta.
Como resultado, ele forneceu uma solução mais inovadora/adaptativa, dependendo do que foi solicitado e do que o questionador precisava.
Mas o que tudo isso significa para o futuro dos LLMs?
Estaremos simplesmente desperdiçando o poder dos LLMs se não considerarmos a diversidade cognitiva. Se quisermos obter soluções melhores, mais relevantes e produtivas da IA, e se quisermos obtê-las de forma mais eficiente, a próxima geração de tecnologia deve ter uma compreensão inerente da diversidade cognitiva.
Na vida real, raramente antecipamos uma pergunta explicando exatamente como pensamos ou abordamos os problemas, mas sabemos se uma resposta se adapta à nossa maneira de pensar, e esse é o tipo de resposta que procuramos. Se os LLMs puderem nos oferecer a mesma gama de respostas possíveis representadas pelo espectro de estilos cognitivos, isso eliminará o ciclo interminável de questionamentos até encontrarmos a resposta que precisamos.
A pesquisa mostra que, ao integrar uma compreensão dos estilos cognitivos humanos na própria tecnologia, estamos dando a nós mesmos e às nossas ferramentas de IA uma vantagem inicial. A partir daí, o potencial para taxas ainda melhores de produtividade, eficiência e satisfação do usuário pode aumentar.
Oferecemos o melhor dos Grandes Modelos de Linguagem de Codificação (LLM)..
