Year: 2024
Type: dissertation
Abstract: Modelos especialistas têm sido um dos focos da academia e da indústria, uma vez que procuram cumprir tarefas atribuídas a especialistas da área, assim otimizando processos e custos. Contudo, os grandes modelos de linguagem pré-treinados permitem que ferramentas especializadas possam ser desenvolvidas sem exigir o próprio dataset ou poder computacio nal para treinamento, uma vez que a engenharia de prompt tem se mostrado promissora para diversas aplicações. Os últimos meses têm sido caracterizados pelo crescimento no número de pesquisas que utilizam Generative Pre-Trained Transformers (GPTs), em que os autores procuram encontrar novas aplicações para os modelos conversacionais - os chat-bots, mesmo que estes não sejam inseridos na área de linguísticas. Entretanto, não há na literatura a utilização de modelos de linguagem focados em auxílio a projeto de sistemas de aquisição de sinal. Portanto, este trabalho apresenta uma ferramenta com o intuito de fornecer sugestões de sistemas de aquisição de sinal seguindo uma metodologia de síntese a nível de sistema por uma abordagem top-down. Dessa maneira, por meio do GPT-4-Turbo, o aplicativo fornece o diagrama da arquitetura do projeto e, em seguida, apresenta os detalhes de implementação de cada bloco. No total, a ferramenta dispõe de 26 prompts distintos, nos quais as técnicas de personas, perguntas e templates foram empregadas. Para testar a ferramenta, se desenvolveu um método novo de teste, no qual dois GPTs adicionais são utilizados, um para emular o usuário humano e outro para avaliar a qualidade da solução. Com o intuito de aproximar os testes do caso de uso proposto, foram selecionados dois projetos da disciplina de Instrumentação A da UFRGS e dois projetos do livro Data Acquisition for Sensor Systems de Taylor (1997) para compor o conjunto de testbenches. Além de testar o desempenho do modelo em gerar sugestões adequadas, foram implementados dois cenários distintos de contexto, uma nas quais todos as restrições de projeto são fornecidas diretamente ao modelo, e outra na qual o modelo é obrigado a fazer perguntas ao usuário para obtê-las. Assim, após 160 iterações de teste, o trabalho concluiu que existe um potencial das LLMs se tornarem adequados para a síntese e/ou auxílio ao projeto de sistemas de aquisição de sinal, mas que ainda existem limitações tecnológicas. Os resultados apresentam arquiteturas e topologias coerentes com o solicitado, porém os GPTs têm dificuldades em considerar simultaneamente todos os requisitos e, ocasionalmente, cometem erros teóricos. A hipótese de que os diferentes contextos - com ou sem necessidade de perguntas - são igualmente efetivos foi rejeitada para metade dos testbenches.
Author: Brown, Jonathan Paul Driemeyer
Institution: Universidade Federal do Rio Grande do Sul
Language: Portuguese
Subfield: Hardware and Architecture
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W6999260491
