Catalogação, Metadados e IA Generativa: Primeiras Experiências e Perspectivas Futuras / JLIS
Três estratégias são propostas para integrar IA em fluxos de trabalho bibliográficos:
1) Sistemas de IA especializados, treinados exclusivamente em conjuntos de dados controlados e de alta qualidade.
2) Geração Aumentada por Recuperação (RAG), combinando Modelos Locais de Biblioteca (LLMs) com bases de conhecimento autorizadas.
3) LLMs de próxima geração, aprimorados por meio de modelos de raciocínio, entradas multimodais, janelas de contexto expandidas e modelos locais de pequena/média escala para alinhar as saídas generativas com os padrões de metadados.
Os principais desafios incluem alucinações, escassez de dados em corpora bibliográficos e a obsolescência de experimentos centrados em MARC. O artigo defende cautela ao adaptar IA a modelos de dados desatualizados, instando ao alinhamento com o LOD e o Modelo de Referência de Biblioteca (LRM) da IFLA. Considerações éticas (viés, transparência, alfabetização em IA) e o potencial de SLMs/MSLMs locais para aplicações sensíveis à privacidade são destacados.
#Catalogação #IA
Disponível em: https://www.jlis.it/index.php/jlis/article/view/693
