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.

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.