Refinamentos de modelos de linguagem de código aberto para a geração de respostas às avaliações negativas de clientes sobre restaurantes

Abstract

Avaliações online de restaurantes desempenham um papel crucial na formação da decisão de um cliente em fazer um pedido, conforme indicado por estudos anteriores. Consequentemente, avaliações negativas podem levar a uma queda nas vendas. No entanto, a influência adversa de tais avaliações pode ser atenuada por meio de respostas adequadas. Este trabalho propõe o ajuste fino de Modelos de Linguagem de Grande Escala de código aberto pré-treinados para elaborar respostas a avaliações negativas de clientes sobre restaurantes. O objetivo é garantir que as respostas sejam respeitosas, específicas e assegurem de forma convincente ao cliente que medidas corretivas serão tomadas para abordar suas preocupações, incentivando-os a considerar fazer um pedido no restaurante novamente.

Dado que esses modelos já passaram por um pré-treinamento em extensos conjuntos de dados não supervisionados, a quantidade de dados necessária para o ajuste fino é significativamente menor se comparada à utilizada na fase inicial de treinamento. Para este estudo, foram selecionadas as versões menores dos Modelos de Linguagem de Grande Escala escolhidos, que possuem 7B de parâmetros. O resultado obtido sugere que o desempenho desses modelos para a tarefa específica, após o ajuste fino, é equivalente aos modelos de linguagem gigantescos, como o ChatGPT-3.5, que possui aproximadamente 175B de parâmetros - quase 25 vezes maior em tamanho.