Como sua empresa pode se beneficiar do aprendizado de máquina e NLP

Pablo Grill13 de abril de 2020

Os termos aprendizado de máquina, inteligência artificial, redes neurais e processamento de linguagem natural (NLP) estão em alta pelos resultados que essas tecnologias alcançam em certos problemas complexos. Muitas empresas de tecnologia querem incorporá-las aos produtos. Porém, escolher quais e como fazer isso não é simples, principalmente porque as informações disponíveis nem sempre são precisas. Esta publicação busca esclarecer suas capacidades, sobretudo NLP, e mostrar exemplos concretos de como sua empresa pode aproveitá-las ao máximo.

Introdução à terminologia

Vamos começar com definições breves de alguns conceitos. São apenas uma introdução; você encontrará mais informações no nosso glossário de IA e aprendizado de máquina.

IA versus aprendizado de máquina

Às vezes, aprendizado de máquina e inteligência artificial são usados como sinônimos, embora se refiram a conceitos diferentes.

Vamos começar com inteligência artificial. Não existe um consenso oficial sobre seu significado. A ideia principal aparece na definição da Wikipedia: “Na ciência da computação, inteligência artificial (IA), às vezes chamada inteligência de máquina, é a inteligência demonstrada por máquinas, em contraste com a inteligência natural de humanos e animais”.

Já o meio acadêmico define aprendizado de máquina (ML) de forma muito mais específica e oferece várias definições. Uma das que melhor resume a ideia é a do Dr. Tom Mitchell, da Carnegie Mellon University: “Dizemos que um programa aprende com uma experiência E em relação a uma classe de tarefas T e uma medida de desempenho P se seu desempenho nas tarefas T, medido por P, melhora com a experiência E”. Ou seja, há aprendizado de máquina quando um programa aprende a realizar uma tarefa sem intervenção humana.

Ao analisar as duas definições, a diferença fica evidente. IA costuma ser um termo coloquial mais do que técnico; aprendizado de máquina tem várias definições acadêmicas aceitas. Inteligência artificial descreve o comportamento de um programa, enquanto aprendizado de máquina é uma maneira de “ensiná-lo” a resolver um problema específico. A principal causa da confusão é que as melhores abordagens para implementar IA usam técnicas de aprendizado de máquina.

Processamento de linguagem natural (NLP)

Processamento de linguagem natural é uma área da inteligência artificial que abrange tecnologias e métodos focados na linguagem humana. Inclui compreensão de linguagem (NLU), geração de linguagem (NLG) e classificação, como análise de sentimentos e rotulagem automática. Pode usar algoritmos de aprendizado de máquina. O diagrama a seguir mostra graficamente a relação entre esses termos.

Representação gráfica de como esses campos se sobrepõem. Imagem de Good Audience.

Outras áreas da inteligência artificial incluem temas como visão computacional, robótica e resolução de jogos. Aqui, vamos focar em NLP e nas seguintes formas de ajudar seu negócio.

NLP é útil para a maioria dos produtos.
- Todos os produtos digitais podem se beneficiar de NLP porque melhora a experiência do usuário. Usuários são humanos: se o produto compreende linguagem natural, você entende melhor suas reações e oferece suporte melhor para seus problemas.
NLP é uma tecnologia realmente inovadora.
- Grande parte da tecnologia mais avançada de aprendizado de máquina é bastante antiga: foi descoberta nas décadas de 80 e 90. Sua popularidade atual vem da grande quantidade de dados e das máquinas melhores disponíveis. NLP continua sendo um campo inovador, com descobertas diárias.
NLP melhora o desempenho e reduz custos.
- Suporte e classificação de textos envolvem NLP. Normalmente, pessoas fazem essas tarefas porque implementar um programa parece complexo demais. Porém, NLP mostrou que uma máquina pode obter resultados semelhantes e, às vezes, melhores.
NLP não é uma alternativa às pessoas.
- Muitas vezes, supõe-se que um algoritmo ML substituirá os trabalhadores; isso é um mito. Ele pode trabalhar junto com as pessoas, melhorando a eficiência ao eliminar tarefas triviais para que se concentrem em questões mais importantes.

Definimos os conceitos principais e explicamos por que focamos em NLP. Agora veremos situações específicas em que aplicá-lo. Existe a ideia equivocada de que somente grandes empresas podem implementar ML e NLP. Há dez anos, talvez fosse verdade, mas hoje a maioria pode fazê-lo. Vamos focar em exemplos simples de NLP nos quais qualquer empresa pode investir.

Classificação automática de textos

Classificar um texto com um ou vários rótulos é um dos usos mais comuns de NLP. Os algoritmos e as estratégias para resolver esse problema são muito maduros e permitem resultados precisos.

Uma aplicação comum é a análise de sentimentos. Pesquisadores de NLP trabalham nela há anos e às vezes superam resultados humanos. Talvez não seja uma funcionalidade útil por si só para sua empresa, mas sua tecnologia pode ser aplicada a outros problemas, como definir automaticamente a urgência de um chamado ao chegar ao sistema de suporte.

A abordagem depende das informações disponíveis. O cenário ideal é um sistema com muitas informações rotuladas manualmente. Se forem suficientes, você pode criar facilmente um algoritmo que rotule as informações recebidas com alta acurácia.

Talvez você tenha informações rotuladas, mas não suficientes para treinar do zero. Há alternativas para usar ML: procurar dados públicos rotulados de um problema semelhante e treinar uma solução genérica. Depois, use os dados da empresa para melhorar o algoritmo e adaptá-lo ao problema específico. Isso se chama aprendizado por transferência e é uma das estratégias mais usadas para aplicar aprendizado de máquina sem grandes conjuntos de dados rotulados.

Automatizar essas tarefas tem várias vantagens:

Você pode economizar tempo porque as informações são rotuladas assim que chegam.
Você pode aumentar imediatamente a capacidade de processamento. Às vezes, rotular textos exige capacitar pessoas no assunto. Aumentar a capacidade requer contratar e treinar, o que leva tempo. Com ML, você pode aumentá-la imediatamente adicionando unidades de processamento.
Você pode evitar classificações subjetivas. Quando pessoas classificam, sua personalidade, emoções ou experiência podem influenciar o resultado.

Analisar informações textuais

Muitos produtos gerenciam enormes quantidades de informações textuais. Processá-las e analisá-las é importante e não é trivial. NLP permite fazer isso e obter métricas; por exemplo, criar nuvens de palavras, agrupar informações ou detectar anomalias.

Pessoas não conseguem concluir esse processo por vários motivos:

A quantidade de dados costuma ser enorme. Uma pessoa não consegue processá-los manualmente. Coordenar uma equipe também é complexo porque ela precisa concordar sobre os critérios de análise. Defini-los não é fácil e pode gerar divergências que afetem o desempenho e tornem o processo mais lento. Um algoritmo automático pode processar mais dados com eficiência. Além disso, divergências de critérios só ocorrem durante o treinamento; a execução cotidiana é simples.
Algoritmos NLP podem detectar divergências e anomalias com mais eficiência do que pessoas. Técnicas como word2vec permitem transformar um texto em um vetor numérico considerando sua semântica. Encontrar grupos e anomalias em um espaço vetorial numérico é mais fácil do que fazê-lo manualmente.
NLP permite transferir o aprendizado entre produtos com mais facilidade do que equipes humanas. Há muitos dados públicos em vários idiomas que podem alimentar o algoritmo e melhorar sua acurácia ou precisão. Fazer isso com equipes diferentes exige reuniões e discussões.
NLP é mais fácil de aplicar a outro idioma. Transferir um único algoritmo é mais simples e sem complexidade. Como podemos transformar qualquer texto em um vetor numérico, mudar o idioma só muda a função de mapeamento. Com pessoas, não é viável sem várias equipes ou equipes multilíngues.
Por fim, não é preciso eliminar completamente a participação humana. O algoritmo pode ajudar a equipe a se concentrar no importante em vez do trivial. Podemos criar um algoritmo que sugira grupos para as pessoas analisarem mais profundamente.

Informação é um recurso valioso; compreendê-la e analisá-la com algoritmos automáticos é uma grande vantagem para qualquer negócio.

Um chatbot para interagir com usuários

Ao falar de chatbots, costumamos imaginar algoritmos extraordinários que replicam o cérebro humano. Alguns chatbots complexos parecem pessoas reais, mas são difíceis de implementar e geralmente caros. Um bot simples, por outro lado, não é uma tarefa complexa e pode ser útil para seu negócio.

Vamos ver as vantagens de ter um bot:

Pessoas já se comunicam usando linguagem natural. Interagir com um bot é fácil para os usuários e quase não exige treinamento.
Algumas ideias são fáceis de expressar em linguagem natural, mas não correspondem diretamente a outra interface; por exemplo: “Mostre informações sobre casas na Califórnia, excluindo LA”. Definir uma interface com filtros e exclusões que funcione para todos não é simples.
Com um bot, você pode reduzir ou especializar sua equipe de suporte. Ele pode responder à maioria das perguntas, deixando a equipe focar nas exceções. Você também pode ter especialistas e usar o bot para encontrar a pessoa adequada para cada pergunta.
Um bot usa interfaces visuais e de áudio. Oferecer diferentes formas de interação torna o produto mais acessível.

Embora talvez não seja possível adicionar um bot inteligente, incorporar um simples é fácil, pode agregar valor ao negócio e ajudar a equipe a trabalhar com mais eficiência.

Esses três exemplos são apenas algumas das muitas formas de incorporar NLP a um produto ou negócio. Como mostramos, o tamanho da empresa não deve impedir seu uso; basta encontrar a melhor forma de aplicá-lo considerando os dados e recursos disponíveis.