Cargo atual
Professor Assistente de MS&E e, por cortesia, de Ciência da Computação e Engenharia Elétrica
Intersecção com o projeto
Visão geral
As pesquisas de Vasilis Syrgkanis fundamentam os pilares de adaptabilidade e inteligência analítica do chatbot agrícola, especialmente no que diz respeito ao aprendizado das preferências do usuário e à compreensão das capacidades cognitivas da inteligência artificial. O trabalho do pesquisador foca na intersecção entre o aprendizado de máquina e a inferência causal, fornecendo a base técnica para que o sistema não apenas processe informações, mas “aprenda” dinamicamente com o histórico de interações e execute raciocínios complexos necessários para a gestão financeira da propriedade rural.
”Personalized Adaptation via In-Context Preference Learning” (2024)
Esta pesquisa introduz o Preference Pretrained Transformer (PPT), um framework que permite a personalização de modelos de linguagem sem a necessidade de retreinamento constante. O termo central é o Aprendizado em Contexto (In-Context Learning - ICL), onde o modelo adapta seu comportamento anexando o histórico de interações recentes ao seu prompt. Outro termo relevante é o Contextual Bandit, um cenário onde a IA toma decisões (como sugerir uma resposta ou ação) com base no contexto para maximizar a utilidade para o usuário.
Adaptação Dinâmica à Rotina do Produtor
- “PPT aproveita as capacidades de aprendizado em contexto dos transformers para se adaptar dinamicamente às preferências individuais.” “PPT leverages the in-context learning capabilities of transformers to dynamically adapt to individual preferences.”
- Interseção: Esta tecnologia é o que sustenta o “Motor de Aprendizado Contínuo” do chatbot. Como cada fazenda possui fornecedores e rotas específicas, o bot utiliza o histórico de conversas no WhatsApp para aprender o que é prioridade para aquele produtor sem exigir configurações manuais burocráticas.
Melhoria Contínua através da Interação
- “O modelo interage com o usuário, anexa o histórico de interação ao seu contexto e gera respostas mais personalizadas.” “The pretrained model interacts with the user, appends the interaction history to its context and generates more personalized responses.”
- Interseção: No projeto, o usuário envia áudios sobre demandas urgentes. O chatbot utiliza essa técnica para que, com o tempo, a interpretação semântica e os alertas se tornem mais precisos, reduzindo em até 80% as falhas por esquecimento ao “conhecer” melhor os hábitos do gestor.
”Discovering Hierarchical Latent Capabilities of Language Models via Causal Representation Learning” (2024)
Este trabalho investiga como as habilidades de um modelo de linguagem (como o Claude, utilizado no projeto) são estruturadas de forma hierárquica. O termo Aprendizado de Representação Causal (Causal Representation Learning) refere-se à identificação de fatores ocultos que explicam o desempenho da IA. A pesquisa demonstra que habilidades complexas, como o Raciocínio Matemático, dependem de habilidades fundamentais, como o Seguimento de Instruções.
Dependência Causal para Gestão Financeira
- “Revelamos uma direção causal clara começando pelas capacidades gerais de resolução de problemas, avançando pela proficiência em seguir instruções e culminando na habilidade de raciocínio matemático.” “we reveal a clear causal direction starting from general problem-solving capabilities, advancing through instruction-following proficiency, and culminating in mathematical reasoning ability.”
- Interseção: Para que o chatbot forneça relatórios de fluxo de caixa com análises preditivas, ele precisa primeiro ser excelente em seguir as instruções contidas nos áudios do produtor. A pesquisa de Syrgkanis valida que o sucesso da automação financeira do bot depende da robustez da IA em interpretar comandos simples do campo.
Precisão na Interpretação de Comandos Operacionais
- Tarefas matemáticas exigem adesão precisa às instruções para formatação correta e interpretação do problema, onde mal-entendidos impactam severamente a precisão.” “mathematical tasks demand precise adherence to instructions for correct formatting and problem interpretation, where misunderstandings severely impact accuracy.”
- Interseção: O chatbot extrai dados fiscais de imagens de comprovantes e áudios. A descoberta de Syrgkanis sobre o elo causal entre “seguir instruções” e “precisão matemática” explica por que o Processamento de Áudio Avançado é a funcionalidade crítica do projeto: se a IA não interpretar corretamente a instrução vocal, os cálculos de desperdício de insumos e combustível serão comprometidos.
Papers na íntegra
Vasilis Syrgkanis - Personalized Adaptation via In-Context Preference Learning.pdf Vasilis Syrgkanis - Discovering Hierarchical Latent Capabilities of Language Models via Causal Representation Learning.pdf