Uma organização, várias contas
· By Lucian Fialho
The blog is written in Portuguese for now.
A Alibaba publica por mais de uma conta e a Samsung aparece como quatro instituições. Como o mapa junta sem misturar.
No começo, cada organização do mapa tinha um campo por rede: uma conta no Hugging Face, uma no GitHub. Bastou crescer para isso quebrar.
- A Alibaba publica modelos por mais de uma conta no Hugging Face.
- A Samsung aparece no OpenAlex como quatro instituições.
- A Meta tem uma conta só para a família Llama.
Somar só a conta principal faz a organização parecer menor do que é. Somar tudo o que tem nome parecido faz ela parecer maior.
O conceito: resolução de entidades
É o nome do problema de decidir quando dois registros falam da mesma coisa. "Alibaba-NLP" e "alibaba-pai" são a mesma empresa? "Samsung SDS" é a Samsung ou é outra organização que pertence a ela?
São duas perguntas diferentes, e o mapa trata como duas relações:
- tem conta: a conta é da própria organização;
- pertence a: é outra organização, que fica abaixo dela.
Um vínculo por linha
Cada ligação é uma linha num arquivo, com quatro informações além das duas pontas: de onde veio, como foi achada, se alguém conferiu e quando.
A regra que importa é a do "conferido". Só vínculo conferido entra na coleta e no site. O que a máquina achou e ninguém olhou fica guardado, à espera.
Hoje são 83 ligações de hierarquia, todas vindas da linhagem que o próprio OpenAlex declara, e 9 contas extras conferidas. Há uma conta achada por semelhança de nome que continua de fora, porque ninguém confirmou.
Por que não automatizar tudo
Porque o erro aqui é silencioso e fica bonito. Uma conta errada somada aumenta os downloads de alguém, e nada na tela denuncia. A fonte declarada (a linhagem do OpenAlex) entra direto. O palpite por nome, não.
O que ainda falha
A coleta do Hugging Face para em mil itens por conta. Organização muito grande aparece com exatamente mil modelos, e esse número é teto da coleta, não a contagem real.