A equipe de pesquisa do MIT desenvolveu o ChartNet, um conjunto de dados sint\u00e9ticos focado em modelos que combinam vis\u00e3o e linguagem para interpretar gr\u00e1ficos. O objetivo \u00e9 melhorar a extra\u00e7\u00e3o de dados, reconstru\u00e7\u00e3o de gr\u00e1ficos e sumariza\u00e7\u00e3o por parte de modelos de IA.<\/p>\n
O ChartNet re\u00fane mais de um milh\u00e3o de imagens de gr\u00e1ficos, cada uma acompanhada do c\u00f3digo gerador, descri\u00e7\u00e3o textual e uma tabela com os valores num\u00e9ricos. Tamb\u00e9m incluem pares pergunta-resposta para treinar a modelagem de respostas a perguntas sobre o gr\u00e1fico.<\/p>\n
Os pesquisadores usaram ChartNet para treinar modelos abertos, como a s\u00e9rie Granite Vision da IBM e outras solu\u00e7\u00f5es de c\u00f3digo aberto. Os resultados mostraram melhoria na precis\u00e3o em tarefas de reconstru\u00e7\u00e3o, extra\u00e7\u00e3o de dados, sumariza\u00e7\u00e3o e resposta a perguntas sobre gr\u00e1ficos.<\/p>\n
O estudo destaca que, apesar dos avan\u00e7os em IA, interpretar dados complexos multimodais de gr\u00e1ficos ainda \u00e9 um desafio para muitos modelos. A gera\u00e7\u00e3o de dados sint\u00e9ticos \u00e9 apresentada como solu\u00e7\u00e3o para ampliar o treinamento sem depender de grandes volumes de dados reais.<\/p>\n
ChartNet foi desenvolvido em duas etapas: transformar gr\u00e1ficos existentes em c\u00f3digo e, a partir disso, ampliar o c\u00f3digo para variar tipo de gr\u00e1fico, valores, tema e cores. O processo inclui verifica\u00e7\u00f5es autom\u00e1ticas de qualidade para garantir imagens precisas e leg\u00edveis.<\/p>\n
Al\u00e9m disso, o conjunto incorpora uma sele\u00e7\u00e3o de pontos de dados anotados por especialistas, ampliando a diversidade de gr\u00e1ficos com garantias de validade. Esses dados podem ser usados para ajustar modelos j\u00e1 existentes para aplica\u00e7\u00f5es espec\u00edficas.<\/p>\n
Os autores afirmam que modelos menores, treinados com ChartNet, superaram em desempenho muitos modelos comerciais de maior porte em tarefas de interpreta\u00e7\u00e3o de gr\u00e1ficos. A pesquisa tamb\u00e9m aponta potencial de democratiza\u00e7\u00e3o da IA para empresas com or\u00e7amento restrito.<\/p>\n
O estudo \u00e9 liderado por Jovana Kondic, estudante de p\u00f3s-gradua\u00e7\u00e3o do MIT EECS, com coautorias de membros do MIT, MIT-IBM Computing Research Lab e IBM Research. A pesquisa ser\u00e1 apresentada na IEEE Conference on Computer Vision and Pattern Recognition.<\/p>\n
A equipe planeja ampliar ChartNet com dados de maior complexidade e buscar feedback da comunidade cient\u00edfica. O objetivo \u00e9 manter a compatibilidade com ferramentas de treino de modelos de IA e incentivar o desenvolvimento de solu\u00e7\u00f5es mais eficientes.<\/p>\n
A pesquisa foi parcialmente financiada pelo MIT-IBM Computing Research Lab. Autores destacam que a abordagem pode favorecer organiza\u00e7\u00f5es de pequeno porte ao oferecer dados de alta qualidade para treinar modelos abertos.<\/p>\n","protected":false},"excerpt":{"rendered":"