Inovações em PLN trazem potencial de valor real em dados de negócios e decisões mais informadas para empresas
Embora a linguagem humana seja simples o suficiente para uma criança entender, para as máquinas ela é incrivelmente complexa, até mesmo para os sistemas mais avançados de TI. E a parte mais desafiadora ao ensinar um sistema de IA é fazê-lo entender a intenção humana, pois isso requer grandes quantidades de dados, muito tempo e experiência.
Quando você faz uma pergunta, o que realmente está tentando dizer? Quais informações você está realmente tentando obter? A linguagem humana é cheia de nuances, resultando em muitas maneiras diferentes de expressar uma intenção particular. Isso pode ser problemático para a maioria dos chatbots de conversação como IA, que “tropeçam” quando confrontados com a complexidade da sintaxe e se prendem a palavras específicas ao invés do contexto mais amplo da frase.
Se alguma vez você já usou um chatbot para obter ajuda, provavelmente esteja familiarizado com respostas como “Desculpe, não entendi” ou “Você pode reformular sua pergunta?”. Com respostas frustrantes como essas, muitas empresas ainda veem os chatbots como ferramentas imaturas de atendimento ao cliente. O maior impedimento para automatizar as interações é entender corretamente a necessidade do usuário.
A tecnologia de IA precisa entender a intenção que está por trás das frases – e suas infinitas variações de palavras e erros ortográficos. Mesmo para uma intenção básica como, por exemplo, “quero falar com um atendente”, é necessário um processamento complexo de linguagem natural (PNL) e técnicas de classificação para acerto. Agora, imagine a complexidade ao tentar configurar um sistema para ajudar, digamos, com aplicativos de hipotecas.
O uso de técnicas de aprendizado de máquina e aprendizado profundo tem ajudado sistemas de IA a entender como responder às perguntas do usuário final com precisão com conjuntos de dados relativamente pequenos. A inteligência artificial no núcleo do Watson Assistant, por exemplo, é projetada para identificar corretamente as incontáveis trocas de intenções nas interações do mundo real. Resumindo, a tecnologia foi projetada para ser fácil de treinar e para reconhecer com precisão o que o usuário deseja. E, melhor precisão pode significar melhores resultados de negócios.
Com esses aprimoramentos no aprendizado de máquina, as tecnologias de IA também são capazes de melhorar as taxas de contenção (com que frequência a IA resolve solicitações de ajuda do cliente sem intervenção de agentes humanos) e a resolução no primeiro contato (com que frequência o sistema resolve o problema com IA ou agentes humanos na primeira tentativa). Além disso, o reconhecimento da intenção pode reduzir o tempo necessário para configurar e ajustar o desempenho dos sistemas de atendimento ao cliente alimentados por IA.
Outro recurso avançado de PLN é o de compreensão de leitura, que permite encontrar um fato específico ou uma resposta curta contida em um longo texto. A compreensão de leitura recupera um grande número de parágrafos de um conjunto de documentos, procura uma resposta para a pergunta em questão e retorna ao usuário com as respostas correspondentes. A compreensão de leitura aplica a compreensão contextual para entender as consultas e aproveita os modelos de linguagem massiva para extrair respostas específicas do documento em questão – e então o usuário recebe uma pontuação de confiança que indica o grau de confiança que o sistema tem ao oferecer determinada resposta.
Hoje, o processamento de linguagem natural está na vanguarda da adoção recente no Brasil. Segundo o estudo Global AI Adoption Index 2021, 46% dos profissionais de TI brasileiros estão usando aplicativos de processamento de linguagem natural. Agentes virtuais para atendimento ao cliente são os casos de uso mais comuns de tecnologias de PLN (42%), seguido de automação de call center e análise de pesquisas.
Esse recurso é ideal para organizações do setor financeiro, por exemplo, que muitas vezes precisam identificar fatos precisos em documentos complexos, algo que, normalmente, levaria horas ou dias se fosse feito manualmente.
As inovações em PLN podem ajudar as empresas a compreender ainda mais e obter valor real de seus dados de negócios, para que possam tomar decisões mais informadas e fornecer aos clientes e funcionários percepções mais eficientes sobre dados e insight, sem falar numa melhoria imediata dos índices de satisfação do cliente/usuário final da tecnologia.
*Marcela Vairo é diretora de Dados, Inteligência Artificial e Automação da IBM Brasil
