PatentPT: búsqueda de patentes con soluciones basadas en LLM

En esta publicación, analizamos otra idea destacada del evento YOLO VISION 2023 (YV23), organizado por Ultralytics en el Google for Startups Campus de Madrid.

En este artículo exploraremos la charla de Davit Buniatyan, fundador de Activeloop, en la que nos explica los orígenes de PatentPT, una solución basada en un modelo de lenguaje grande (LLM) para buscar patentes.

Descubre PatentPT#

¿Te has sentido alguna vez abrumado por el enorme volumen de datos de patentes y lo tedioso que resulta buscarlos? PatentPT se creó precisamente para resolver ese problema.

En esta charla, Davit Buniatyan comparte conocimientos prácticos sobre el ajuste y la implementación de modelos de lenguaje grandes (LLM) para autocompletar patentes, generar resúmenes y reivindicaciones, y realizar búsquedas avanzadas en un amplio corpus de patentes.

Activeloop y DeepLake: una capa unificada de almacenamiento de datos para IA#

Antes de profundizar en los detalles de PatentPT, echemos un vistazo a la creación de Activeloop: DeepLake, una base de datos para IA. Como la pila de datos de IA está fragmentada entre distintos sistemas de almacenamiento, DeepLake ofrece una capa unificada de almacenamiento de datos que agiliza los flujos de trabajo de IA.

Desde el almacenamiento de metadatos hasta los datos no estructurados y los embeddings, DeepLake simplifica el proceso para que los científicos de datos puedan centrarse en entrenar modelos de ML sin tener que ocuparse de la gestión de datos.

Descubre la arquitectura y las funciones de DeepLake#

Veamos ahora la arquitectura y las funciones de DeepLake. Gracias a sus componentes de código abierto y su diseño sin servidor, DeepLake permite almacenar y versionar datos en almacenamiento de objetos, y conectarlos directamente con modelos de ML. También incluye Deep Memory, una función que mejora la precisión de las búsquedas sin modificar los embeddings.

Demostración de Deep Memory: mejora de la búsqueda de patentes#

Davit nos permitió profundizar en este flujo de trabajo con una demostración en directo que mostraba cómo Deep Memory mejora la búsqueda de patentes. Pudimos comprobar de primera mano que Deep Memory aumenta la precisión hasta un 22 %, permite hacer consultas en menos de un segundo y cuesta mucho menos que las soluciones tradicionales.

El resultado es una búsqueda de patentes más rápida y precisa, sin tener que desplazarse interminablemente por bases de datos de patentes.

Los orígenes de PatentPT: del concepto a la realidad#

¿Te has preguntado alguna vez cómo surgió PatentPT? Rebobinemos y veamos más de cerca los pasos que se siguieron para crear esta solución. Davit Buniatyan repasó cada una de las etapas del trabajo del equipo de Activeloop, desde el entrenamiento y el ajuste de modelos LLM hasta el desarrollo de funciones personalizadas y la implementación de API de búsqueda.

El poder de los LLM: el futuro de las soluciones de IA#

En conjunto, PatentPT ejemplifica el potencial de las soluciones basadas en LLM en ámbitos especializados como la búsqueda de patentes. El trabajo de Activeloop con DeepLake apunta a soluciones de IA que permiten usar datos no estructurados de forma más rápida y económica.

Conclusiones#

A medida que la IA sigue avanzando, su verdadero valor no reside únicamente en la tecnología, sino también en cómo nos ayuda a resolver problemas del mundo real. Únete a nuestra comunidad, consulta nuestra documentación y nuestro repositorio de GitHub para estar al día de los últimos avances.