Olá pessoal!✌🏽
Muitas vezes, confundimos os termos Inteligência Artificial (IA), Processamento de Linguagem Natural (NLP) e Large Language Models (LLMs). 🤖
A Aula 2 e a mentoria nos deram uma clareza maior sobre o assunto, decidi resumir alguns tópicos para comparação das tecnologias e dar algumas opiniões de como podemos usar IA para melhorar nossas métricas de desempenho para curadoria:
1. Inteligência Artificial (IA): É o campo mais amplo da ciência da computação, focado em criar sistemas que simulam a inteligência humana, englobando raciocínio, aprendizado e tomada de decisão.
2. Processamento de Linguagem Natural (NLP/BLU da BLIP): É uma subárea da IA, o NLP dá às máquinas a habilidade de entender, interpretar e gerar a linguagem humana (falada ou escrita).
Um dos exemplos clássicos do uso do NLP é a Análise de Sentimentos, que é o campo de estudo que analisa as opiniões, sentimentos,avaliações,apreciações, atitudes e emoções das pessoas em relação a entidades como produtos, serviços, organizações, indivíduos, questões, eventos, tópicos e seus atributos.
3. Large Language Models (LLMs): São algoritmos de aprendizado de máquina que representam uma técnica avançada dentro do NLP. Eles são treinados com vastos volumes de dados textuais para gerar texto de forma contextualizada.
Exemplos de LLMs incluem o ChatGPT, o Gemini e o Llama.
E como a análise de sentimento pode nos ajudar?
Ela pode servir como um termômetro que mede a temperatura emocional das interações.
A classificação de um review de filme como "positivo" ou "negativo" pode ser feita com um modelo de NLP clássico, baseado nas expressões e termos usados pelas pessoas que deram sua opinião,então podemos também usar essa análise baseada em métricas para ajudar o desempenho do chatbot, como no exemplo:
A Brisa descobriu que 40% das pessoas perguntavam sobre manchas antes de sair. Mas na análise de sentimento, se revelou que 70% desses inputs tinham tom de dúvida/ansiedade ("será que tiram mancha de café?"), isso poderia ser um sinal de dor, não curiosidade.
A análise de sentimento pode servir também como apoio ao DC-UX para definir e acompanhar métricas de experiência por ser capaz de fornecer contexto qualitativo para fazer interpretação de sucesso ou fracasso dessas métricas.
Pode também mapear o comportamento do usuário, a identificar momentos de tensão e oportunidades ou pontos de gargalo e frustração, por exemplo, um aumento no escore negativo pode sinalizar problemas específicos no fluxo conversacional que levam ao abandono, classificar um grande número de interações antes da pesquisa de satisfação como "negativas", isso forneceria um insight direto sobre os problemas que estão impactando o CSAT e etc.
Espero que tenha conseguido sintetizar bem as ideias, ótimo bootcamp a todos 😄
