• A

  A causa é a tokenização inadequada da consulta, que gerou tokens ambíguos como 'ICMS' e 'ISS', fazendo com que o modelo de embeddings os representasse como sinônimos. A solução é substituir o tokenizador por um que separe siglas em caracteres individuais, aumentando a granularidade e evitando confusões.

• B

  A causa é a alta dimensionalidade dos embeddings, que provoca a maldição da dimensionalidade e faz com que documentos distintos tenham similaridade de cosseno elevada. A solução é reduzir a dimensionalidade dos vetores por meio de PCA (Análise de Componentes Principais) antes de armazená-los no banco vetorial.

• C

  A causa é a falta de um mecanismo de reranking ou de filtragem por metadados, pois a similaridade de cosseno no espaço de embeddings captura proximidade semântica global, mas não distingue contextos específicos como ICMS e ISS. A solução é implementar uma etapa de reranking com um modelo cross-encoder ou adicionar filtros por metadados (ex.: tributo) na busca vetorial.

• D

  A causa é o uso de um banco vetorial que não suporta busca por similaridade de cosseno, utilizando instead a distância euclidiana, o que aproxima vetores de temas diferentes. A solução é migrar para um banco que implemente exclusivamente similaridade de cosseno, como o FAISS.

• E

  A causa é a ausência de um agente de IA que possa reformular a consulta original, pois o modelo de linguagem não compreende a pergunta. A solução é adicionar um agente que traduza a consulta para uma linguagem formal lógica, eliminando ambiguidades antes da busca vetorial.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.