Glossário

Raciocínio multi-hop

O que é Raciocínio multi-hop?

O raciocínio multi-hop é a capacidade de um sistema de IA responder a uma pergunta através de várias inferências sucessivas, combinando muitas vezes informações de fontes diferentes. Exemplo: «Que departamento é chefiado pela pessoa responsável pelo projeto X?» exige primeiro identificar a pessoa responsável e depois o respetivo departamento. Estas perguntas são exigentes para os sistemas de pesquisa e de RAG, porque cada passo intermédio tem de ser encontrado e ligado corretamente.

Temas

raciocínio
resposta a perguntas
RAG

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Geração aumentada por recuperação (RAG)

A geração aumentada por recuperação combina pesquisa com geração de texto: antes de responder, o sistema pesquisa numa coleção de conhecimento – como manuais, diretrizes ou FAQ – as passagens relevantes e transmite-as ao modelo de linguagem como contexto. A resposta baseia-se assim em conteúdos atuais e específicos da empresa, e não apenas no conhecimento de treino do modelo. Isto reduz as afirmações inventadas, torna as fontes rastreáveis e permite atualizações sem retreino.

RAG
pesquisa de conhecimento
+1

Resposta a perguntas

A resposta a perguntas (question answering, QA) é uma área do processamento de linguagem natural em que um sistema responde diretamente a perguntas formuladas em linguagem corrente, em vez de devolver uma lista de resultados de pesquisa. Os sistemas modernos procuram passagens relevantes numa base de conhecimento e compõem uma resposta a partir delas, idealmente com referência à fonte. Utilizações típicas são o apoio ao cliente, bases de conhecimento internas e manuais – por exemplo, perguntar ao manual do colaborador "Quantos dias de férias tenho no primeiro ano?"

NLP
Gestão do conhecimento
+1

Modelo

LazyGraphRAG

O LazyGraphRAG é uma abordagem de geração aumentada por recuperação baseada em grafos, apresentada pela Microsoft Research em 2024. Ao contrário do GraphRAG, não faz um modelo de linguagem criar resumos durante a indexação; em vez disso, identifica conceitos e as suas coocorrências com processamento de linguagem natural clássico, e o modelo de linguagem só é usado no momento da consulta. Segundo a Microsoft, isto reduz os custos de indexação ao nível do RAG vetorial básico. É particularmente adequado para perguntas que exigem uma visão geral de grandes coleções de documentos.

RAG
Grafo de conhecimento
+1

Encadeamento de modelos

O encadeamento de modelos consiste em ligar vários modelos de IA ou passos de IA em sequência, de modo que o resultado de um passo se torne a entrada do seguinte. As tarefas complexas podem assim ser decompostas em subtarefas geríveis, que podem ser verificadas e melhoradas individualmente. Exemplo: um passo resume um pedido de cliente, um segundo atribui-o a um departamento e um terceiro redige a resposta.

orquestração
fluxos
+1