![](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2021\/04\/Medium-Blog.png\" "\\"M\u00e9dio")
<\/span><\/div><\/div><\/div>NOT\u00cdCIAS \/ TECNOLOGIA AI<\/p>\n<\/div>
25 de novembro de 2020
\nOs consultores de call centers est\u00e3o come\u00e7ando a ver o surgimento da NLU em seu dia a dia, ajudando-os a atender \u00e0s solicita\u00e7\u00f5es dos clientes com mais facilidade. Para que uma ferramenta possa fazer isso, ela deve ser capaz de reconhecer ao mesmo tempo a solicita\u00e7\u00e3o do cliente e suas caracter\u00edsticas, em outras palavras, uma inten\u00e7\u00e3o e entidades nomeadas.<\/p>\n<\/div><\/div><\/div><\/div><\/div>
\u201cOK Google, toque os Rolling Stones no Spotify.\u201d, \u201cAlexa, como est\u00e1 o tempo em Paris hoje?\u201d, \u201cSiri, quem \u00e9 o presidente franc\u00eas?\u201d.\u201d<\/em><\/p>\n Se o senhor j\u00e1 usou assistentes vocais, indiretamente usou alguns processos de compreens\u00e3o de linguagem natural (NLU). A mesma l\u00f3gica se aplica aos assistentes de chatbot ou ao encaminhamento automatizado de t\u00edquetes no atendimento ao cliente. H\u00e1 algum tempo, a NLU faz parte da nossa vida cotidiana e provavelmente n\u00e3o vai parar por a\u00ed.<\/span><\/p>\n Automatizando a extra\u00e7\u00e3o da inten\u00e7\u00e3o do cliente, por exemplo, a NLU pode nos ajudar a responder \u00e0s solicita\u00e7\u00f5es de nossos clientes com mais rapidez e precis\u00e3o. \u00c9 por isso que toda grande empresa embarcou no desenvolvimento de sua pr\u00f3pria solu\u00e7\u00e3o. No entanto, com todas as bibliotecas e modelos existentes no campo da NLU, todos alegando resultados de \u00faltima gera\u00e7\u00e3o ou f\u00e1ceis de obter, \u00e0s vezes \u00e9 complicado encontrar o caminho. Depois de experimentar v\u00e1rias bibliotecas em nossos projetos de NLU no Artefact, gostar\u00edamos de compartilhar nossos resultados e ajudar os senhores a entender melhor as ferramentas atuais de NLU.<\/span><\/p>\n O que \u00e9 NLU?<\/strong><\/span><\/p>\n A compreens\u00e3o de linguagem natural (NLU) \u00e9 definida por\u00a0Gartner<\/a>\u00a0como \u201ca compreens\u00e3o por computadores da estrutura e do significado da linguagem humana (Por exemplo.<\/em>, A NLU \u00e9 um subdom\u00ednio do artificial intelligence que permite a interpreta\u00e7\u00e3o de texto, analisando-o, convertendo-o em linguagem de computador e produzindo uma sa\u00edda de forma compreens\u00edvel para os seres humanos. Em outras palavras, a NLU \u00e9 um subdom\u00ednio da artificial intelligence que permite a interpreta\u00e7\u00e3o do texto, analisando-o, convertendo-o em linguagem de computador e produzindo uma sa\u00edda em uma forma compreens\u00edvel para os seres humanos.<\/p>\n Se o senhor observar atentamente como os chatbots e os assistentes virtuais funcionam, desde a sua solicita\u00e7\u00e3o at\u00e9 a resposta, a NLU \u00e9 uma camada que extrai sua inten\u00e7\u00e3o principal e qualquer informa\u00e7\u00e3o importante para a m\u00e1quina, para que ela possa responder melhor \u00e0 sua solicita\u00e7\u00e3o. Digamos que o senhor ligue para o atendimento ao cliente de sua marca favorita para saber se a bolsa dos seus sonhos est\u00e1 finalmente dispon\u00edvel em sua cidade: A NLU dir\u00e1 ao assistente que o senhor tem uma solicita\u00e7\u00e3o de disponibilidade de produto e procurar\u00e1 o item espec\u00edfico no produto database para descobrir se ele est\u00e1 dispon\u00edvel no local desejado. Gra\u00e7as \u00e0 NLU, extra\u00edmos uma inten\u00e7\u00e3o, um nome de produto e um local.<\/p>\n (Acima: ilustra\u00e7\u00e3o da inten\u00e7\u00e3o de um cliente e v\u00e1rias entidades que s\u00e3o extra\u00eddas da conversa)<\/em><\/p><\/div>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n A linguagem natural est\u00e1 presente no data da maioria das empresas e, com os recentes avan\u00e7os nesse campo, considerando a democratiza\u00e7\u00e3o dos algoritmos de NLU, o acesso a mais capacidade de computa\u00e7\u00e3o e mais data, muitos projetos de NLU foram lan\u00e7ados. Vamos dar uma olhada em um deles.<\/span><\/p>\n Apresenta\u00e7\u00e3o do projeto<\/span><\/strong><\/p>\n Um projeto t\u00edpico que usa NLU \u00e9, como mencionado anteriormente, ajudar os consultores de call center a responder \u00e0s solicita\u00e7\u00f5es dos clientes com mais facilidade \u00e0 medida que a conversa avan\u00e7a. Isso exigiria que realiz\u00e1ssemos duas tarefas diferentes:<\/span><\/p>\n Quando examinamos pela primeira vez as solu\u00e7\u00f5es simples e prontas para uso lan\u00e7adas para essas duas tarefas, encontramos mais de uma d\u00fazia de estruturas, algumas desenvolvidas pelo GAFAM, outras por colaboradores de plataformas de c\u00f3digo aberto. \u00c9 imposs\u00edvel saber qual delas escolher para o nosso caso de uso, como cada uma delas se comporta em um projeto concreto e real data, aqui conversas de \u00e1udio de call center transcritas em texto. Por isso, decidimos compartilhar nosso benchmark de desempenho com algumas dicas, al\u00e9m de pr\u00f3s e contras de cada solu\u00e7\u00e3o que testamos.<\/span><\/p>\n \u00c9 importante observar que esse benchmark foi feito com o ingl\u00eas data e texto de fala transcrito e, portanto, n\u00e3o pode ser usado como refer\u00eancia para outros idiomas ou aplicativos que usam diretamente texto escrito, <\/span><\/i>Por exemplo.<\/span> casos de uso de chatbot.<\/span><\/i><\/p>\n<\/div><\/div><\/div><\/div><\/div> Refer\u00eancia<\/strong><\/span><\/p>\n Detec\u00e7\u00e3o de inten\u00e7\u00e3o <\/strong><\/p>\n O objetivo aqui \u00e9 poder detectar o que o cliente deseja, sua inten\u00e7\u00e3o. Dada uma frase, o modelo deve ser capaz de classific\u00e1-la na classe certa, sendo que cada classe corresponde a uma inten\u00e7\u00e3o predefinida. Quando h\u00e1 v\u00e1rias classes, isso \u00e9 chamado de tarefa de classifica\u00e7\u00e3o multiclasse. Por exemplo, uma inten\u00e7\u00e3o pode ser \u201cwantsToPurchaseProduct\u201d ou \u201cisLookingForInformation\u201d. No nosso caso, definimos <\/span>5 inten\u00e7\u00f5es diferentes<\/b> e as seis solu\u00e7\u00f5es seguintes foram usadas para o benchmark:<\/span><\/p>\n Todos os modelos a seguir foram treinados e testados nos mesmos conjuntos data: 1.600 enunciados para treinamento e 400 para teste. Os modelos n\u00e3o foram ajustados, portanto, alguns deles poderiam ter desempenhos melhores do que os apresentados a seguir.<\/span><\/p>\n *Tempo de infer\u00eancia no Macbook Air local (Intel Core i5-8 dual-core de 1,6 GHz Go 1600 MHz DDR3 RAM).<\/em><\/p>\n Extra\u00e7\u00e3o de entidades<\/span><\/strong><\/p>\n O objetivo \u00e9 conseguir localizar palavras espec\u00edficas e classific\u00e1-las corretamente em categorias predefinidas. Na verdade, depois de detectar o que o cliente gostaria de fazer, o senhor pode precisar encontrar mais informa\u00e7\u00f5es na solicita\u00e7\u00e3o dele. Por exemplo, se um cliente quiser comprar algo, o senhor pode querer saber qual \u00e9 o produto, em que cor, ou se um cliente quiser devolver um produto, o senhor pode querer saber em que data ou em que loja a compra foi feita. Em nosso caso, definimos <\/span>16 entidades personalizadas<\/b>O senhor pode usar o seguinte: 9 entidades relacionadas ao produto (nome, cor, tipo, material, tamanho, etc.) e entidades adicionais relacionadas \u00e0 geografia e ao tempo. Quanto \u00e0 detec\u00e7\u00e3o de inten\u00e7\u00e3o, v\u00e1rias solu\u00e7\u00f5es foram usadas para fazer um benchmark:<\/span><\/p>\n Todos os modelos a seguir foram treinados e testados nos mesmos conjuntos data: 1.600 enunciados para treinamento e 400 para teste. Os modelos n\u00e3o foram ajustados, portanto, alguns deles poderiam ter desempenhos melhores do que os apresentados a seguir.<\/span><\/p>\n Conclus\u00e3o<\/strong><\/span><\/p>\n Entre as solu\u00e7\u00f5es testadas em nosso call center dataset, seja para detec\u00e7\u00e3o de inten\u00e7\u00e3o ou reconhecimento de entidades, nenhuma se destaca em termos de desempenho. De acordo com nossa experi\u00eancia, a escolha de uma solu\u00e7\u00e3o em detrimento de outra deve, portanto, basear-se em sua praticidade e de acordo com seu caso de uso espec\u00edfico (o senhor j\u00e1 usa o Azure, prefere ter mais liberdade para ajustar seus modelos...). Como lembrete, usamos as bibliotecas como elas s\u00e3o para produzir esse benchmark, sem ajustar os modelos, portanto, os resultados exibidos devem ser considerados com uma leve retrospectiva e podem variar em um caso de uso diferente ou com mais treinamento data.<\/span><\/p>\n<\/div><\/div><\/div><\/div><\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0OjPKI5wNoTgCuUKG.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n<\/div>\n
\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0xOx9HfmdoP11xP-r.png\")
<\/p>\n<\/div>\n<\/div>\n<\/div>\n
![\"Image](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2024\/09\/0I1biKTnMgj7kziLM.png\")
![](\"https:\/\/www.artefact.com\/wp-content\/uploads\/2020\/06\/Global-Newsletter-Data-Digest_LinkedIn_600x315_april.jpg\" "\\"data-driven\\"")
<\/span><\/div><\/div><\/div>