Experiências ricas para o usuário extrapolam interfaces tradicionais baseadas em mouse-tela-teclado. Atualmente, usuários “conversam” com os sistemas por escrito e por voz. Entretanto, para serem efetivas, estas interfaces precisam ser inteligentes. Caso contrário, geram apenas descontentamento.
Uma das alternativas para a construção de inteligências artificiais capazes de potencializar um “bate-papo” inteligente é o LUIS – Language Understanding Intelligence Service. Trata-se de uma solução no code, desenvolvida e fornecida pela da Microsoft, com suporte, atualmente, para 19 idiomas, incluindo o Português do Brasil.
Veja também
O serviço utiliza uma inteligência artificial para aprender continuamente e para entender linguagem natural, inferindo entidades, intenções e até sentimentos.
A utilização da solução é muito simples e começa pelo acesso a um portal específico. A construção do serviço começa pelo cadastro das intenções e entidades previstos para os “bate-papos” que o serviço precisa entender. Em termos simples, generalizando, as “intenções” revelam as operações que o usuário poderá querer executar e as “entidades” são os elementos afetados por essas operações. Por exemplo, “comprar algo” é uma intenção; o produto que será comprado é a entidade.
No exemplo a seguir, cadastramos, em uma nova aplicação, algumas frases relacionadas a “intenção” de compra de produtos financeiros.
O score dado para cada frase é composto de uma nota com valores que vão de zero a um. Ele representa o grau de confiança da relação encontrada entre a frase e intenção existente na mesma, baseado nas capacidades built-in da IA do serviço. Na medida que “treinamos” nosso modelo, com novas frases, intenções e entidades, o score é adaptado.
A partir do cadastro das frases, podemos indicar, em cada uma, as principais entidades. No exemplo, identificamos e destacamos quais são produtos financeiros que estão sendo comercializados.
Após concluídos, serviços criados com LUIS podem ser consumidos através de requisições HTTP. Exemplificando, no nosso exemplo, caso fizéssemos seguinte consulta: “Quais são os melhores investimentos para o meu perfil?”, receberíamos uma resposta em JSON semelhante a que segue:
{
"Query": "quais são os melhores investimentos para o meu perfil?",
"topScoringIntent": {
"intent": "Compra de Produto",
"score": 0.8051206
},
"intents":
[
{
"intent": "Compra de Produto",
"score": 0.8051206
},
{
"intent": "Informações Pessoais",
"score": 0.193294257
},
{
"intent": "None",
"score": 0.008954141
}
],
"entities": [
{
"entity": "perfil",
"type": "Perfil de Investidor",
"startIndex": 47,
"endIndex": 52,
"score": 0.54230684
},
{
"entity": "investimentos",
"type": "Produto",
"startIndex": 22,
"endIndex": 34,
"score": 0.930569351
}
],
"sentimentAnalysis": {
"score": 0.4697882
}
}
Pelo retorno, sabemos que há grandes chances da consulta estar relacionada a um desejo de compra de um produto financeiro, identificado como “investimentos”, com intensidade sentimental neutra. Esse feedback é mais do que suficiente para disparar ações em serviços correlatos, como o backend da aplicação, chatbots e dispositivos IoT.
As possibilidades são quase infinitas e os custos são muito baixos. Soluções como LUIS são um ótimo passo seguro para adoção de recursos digitais que realmente transformam as interações com os clientes.
