Grab aprimora Knowledge Graphs com feedback de busca crowdsourced em tempo real

A Grab está redefinindo a gestão de Knowledge Graphs ao tratar cada relação como uma hipótese dinâmica, não uma verdade absoluta. O sistema usa o comportamento do usuário em tempo real na busca como validador. Quando um Large Language Model (LLM) sugere uma conexão, como entre "Pho" e "Italian Noodle Soup", ela não entra direto no grafo. Primeiro, vira uma "aresta candidata" e é injetada sutilmente nas sugestões de busca, testando a aceitação real do usuário.

Esse modelo de verificação contínua se baseia em métricas de engajamento, como cliques, tempo de permanência e conversões, que geram um "confidence score". Se o score é alto, a aresta vira "verificada" e é promovida. Caso contrário, a aresta é removida, corrigindo a alucinação da IA. Isso aborda a dificuldade de escalar a verificação manual e a imprecisão que LLMs podem trazer, garantindo que o Knowledge Graph se mantenha relevante e preciso em ambientes de alta velocidade. A estratégia de "exploration vs. exploitation" é fundamental aqui, equilibrando a apresentação de resultados confirmados com a experimentação de novas hipóteses.

A abordagem da Grab destaca uma evolução significativa em relação a outras implementações vistas no setor. Enquanto o CEVIU News noticiou, em 29 de julho de 2026, que empresas como DoorDash exploram Large Language Models offline para refinar seus Knowledge Graphs, a Grab opta por uma validação contínua e em tempo real, diretamente com o feedback crowdsourced dos usuários na interface de busca. Isso reflete a visão da Amazon, noticiada em 8 de junho de 2026, de que "ground truth é um processo vivo, não um dataset congelado", onde a IA pode contestar e validar labels. A Grab leva essa filosofia ao extremo, usando o ambiente de busca como um laboratório de validação para as relações do grafo.

A capacidade de validar e refinar Knowledge Graphs de forma dinâmica é crucial para superapps que lidam com milhões de entidades e catálogos em constante mudança. Isso melhora drasticamente a relevância da busca, a confiança do usuário e a escalabilidade, superando as limitações da curadoria manual e das alucinações de Large Language Models. Ao transformar o "comportamento" do usuário em dados para o grafo, a Grab alinha-se com o conceito de "grafos de conhecimento comportamental" que o CEVIU News abordou em 20 de março de 2026, onde a confiança das relações é impulsionada pela interação real. Isso assegura que o conhecimento subjacente à plataforma seja sempre um reflexo da realidade semântica, e não apenas de inferências estatísticas da IA.