Creando una nueva base de conocimientos con LLMs

Imagina un mundo donde las computadoras saben un montón sobre todo. Suena de lujo, ¿no? Bueno, los científicos están intentando hacerlo realidad construyendo algo llamado Bases de Conocimiento (KB). Estas KB son como bibliotecas gigantes llenas de Información que ayudan a las computadoras a tomar decisiones inteligentes. Nombres importantes en el juego de las KB incluyen Wikidata, Yago y DBpedia. Estas KB han existido desde hace tiempo y son súper útiles, pero les vendría bien un poco de aire fresco.

#¿Cuál es el plan?

La idea es crear una base de conocimiento enorme usando una herramienta llamada modelo de lenguaje grande (LLM). Piensa en un LLM como un loro superinteligente que puede aprender y escupir datos rapidísimo. Este modelo toma información y puede producir un montón de datos estructurados, que es lo que forma una base de conocimiento. Los investigadores querían ver si podían crear una base de conocimiento que fuera grande y correcta, usando el LLM y muy poco más.

#Los números hablan

En este proyecto, el equipo utilizó una versión del modelo GPT llamada GPT-4o-mini. Lograron crear una base de conocimiento con 105 millones de hechos sobre más de 2.9 millones de Entidades, ¡que suena bastante impresionante! Y adivina qué: lo hicieron por una fracción del costo de proyectos anteriores-¡unas 100 veces más barato! Eso es como comprar un café fancy por el precio de un sobre de café instantáneo.

#Los desafíos

Pero espera un momento. No todo fue miel sobre hojuelas. Tuvieron algunos obstáculos en el camino. Aquí hay algunos retos que enfrentaron:

1. Costo y tiempo: Hacer una base de conocimiento tan grande lleva tiempo y dinero. Los investigadores tuvieron que averiguar cómo hacerlo de manera eficiente sin arruinarse.

2. Recopilar buena información: El modelo de lenguaje es un cofre del tesoro de conocimiento, pero no todo es verdad. Tuvieron que tener cuidado de no creer en las "historias inventadas" que el modelo a veces soltaba.

3. Mantenerlo organizado: Organizar todo de una manera que tenga sentido es crucial. Necesitaban crear un sistema confiable para asegurar que las entidades y sus relaciones fueran claras y coherentes.

#Cómo lo hicieron

Los investigadores tomaron un enfoque paso a paso. Empezaron con una entidad-Vannevar Bush, un tipo que tuvo buenas ideas sobre vincular información-y construyeron a partir de ahí. A medida que obtenían datos sobre él, encontraban entidades relacionadas (como lugares y eventos) y seguían avanzando. Se podría decir que eran como detectives tratando de resolver un misterio-¿quién diría que rastrear la web podría ser una carrera?

Le preguntaron al LLM una pregunta sencilla: “¿Qué sabes sobre esta persona?” El LLM luego respondió con una lista de hechos. Para mantener todo claro, usaron algunas herramientas para identificar entidades nombradas y asegurarse de que solo estaban obteniendo información útil.

#El gran sombrero clasificatorio

Una vez que reunieron suficiente información, era hora de organizarla. Necesitaban clasificar los nuevos hechos en categorías, como poner los libros en la estantería correcta en una biblioteca. Crearon una Taxonomía, que es solo un término elegante para una manera de organizar datos en una estructura jerárquica. Esto ayuda a los usuarios a encontrar lo que buscan sin meterse en el caos.

Para asegurarse de que no estaban incluyendo a la misma persona más de una vez, tuvieron que hacer un poco de trabajo de detectives de nuevo. Buscaron duplicados revisando cosas como fechas de nacimiento y nombres. Imagina si tuvieras dos amigos llamados Mike; querrías saber de cuál estás hablando, ¿verdad?

#Los resultados: una mezcla

Entonces, ¿qué encontraron? Bueno, terminaron con un gran lío de información. Descubrieron que su base de conocimiento tenía información excelente pero también algunos errores. Por ejemplo, algunos hechos eran precisos, mientras que otros eran conjeturas locas que podrían hacer que cualquier escritor de ficción se pusiera celoso. Muestrearon su KB y encontraron que el 22.5% de los hechos parecían verdaderos, el 57.5% parecían plausibles pero necesitaban un poco más de respaldo, y el 19% eran totalmente incorrectos. Suena como una bolsa variada de dulces de Halloween, ¿no?

#Comparaciones y conclusiones

Compararon su creación con Wikidata. Sorprendentemente, mucha de la información en su KB era nueva, lo que sugiere que habían descubierto algunas joyitas ocultas de conocimiento. Sin embargo, reconocieron que su base de conocimiento no iba a reemplazar las opciones probadas y verdaderas que ya existen. Por el momento, si necesitas info sólida, es mejor quedarte con lo confiable.

#Lecciones aprendidas

Esta aventura enseñó un montón a los investigadores. Aprendieron que construir una base de conocimiento tan vasta es posible, pero hay mucho que ajustar. Se dieron cuenta de que solo porque un modelo parece inteligente no significa que sea preciso todo el tiempo. Hay un famoso dicho sobre no creer todo lo que lees, y definitivamente aplica aquí.

#Para cerrar

En resumen, crear una base de conocimiento masiva usando un modelo de lenguaje es como cocinar un gran banquete. Tienes que reunir los ingredientes correctos, tomarte tu tiempo y asegurarte de que todo esté bien hecho antes de presentarlo. Mientras han logrado grandes avances, todavía tienen espacio para mejorar. Así que, hasta que lo resuelvan todo, quizá sea mejor quedarse con tu antigua enciclopedia confiable por ahora. Después de todo, ¡a nadie le gusta servir galletas quemadas en una fiesta!