Tag: IA

  • Auditoria de Comentários – o que faz um(a) “professor(a)” de I.A. na Postmetria

    Auditoria de Comentários – o que faz um(a) “professor(a)” de I.A. na Postmetria

    Você sabe como a auditoria de comentários funciona aqui na Postmetria? Entenda como funciona o aprendizado da IA e quem são seus professores!

    Você pode não se dar conta, mas as Inteligências Artificiais estão cada vez mais presentes em nossas vidas. Seja na recomendação de filmes, vídeos, músicas, produtos em sites de e-commerce e no feed da sua rede social favorita. Ainda assim, esses ambientes citados não chegam nem perto da infinidade de possibilidades e aplicações que uma IA pode oferecer. 

    Hoje seu uso não se restringe apenas ao ambiente computacional, transitando também nas mais diversas áreas do conhecimento: marketing, mercado financeiro, medicina, ciências humanas, física, biologia – no caso da Postmetria, o Customer Experience (CX), entre outros…

    Atualmente, aqui na empresa, nas diversas arquiteturas e múltiplas funções de Inteligência Artificial do nosso foco em dados não-estruturados, ou CENE (Conteúdo Espontâneo Não-Estruturado) do Big Data, temos uma I.A. que chamamos carinhosamente de Popis – sim, a do Chaves (assim como como todo o nosso conjunto de IAs tem nomes da turma do Chaves… Vai saber ?)- que é utilizada para classificação dos comentários. A Popis faz uma análise de estrutura de linguagem, padrões de significado, sentimento e intensidade, caracterizando as opiniões e interpretando o conteúdo em texto, áudio, imagem, tratando essas diversas opiniões espontâneas (comentários/feedbacks) como se fossem respostas à pergunta “de 0 a 10, quanto recomendaria nossa marca…”, da métrica NPS convencional. Assim, nossa IA normaliza essa avaliação qualitativa do consumidor para o nosso Spontaneous Net Promoter Score (sNPS), ou seja, a mesma escala de 0 a 10 do NPS convencional, só que sem a necessidade de enviar a pergunta e se utilizando de comentários multicanais e espontâneos, para a partir de cada nota atribuída, gerar os Promotores, Neutros e Detratores, tanto quanto as zonas de classificação da métrica – Zonas Crítica, de Melhoria, de Qualidade e de Excelência.

    Para compreender melhor o papel da IA na identificação do sNPS, leia aqui.

    Contudo, para chegar a essa classificação de maneira mais assertiva possível, a Popis conta com uma característica fundamental: o Aprendizado de Máquina Supervisionado, que estrutura toda uma área dentro da Postmetria. Antes de prosseguir com essa definição, dois passos para trás. 

    • Aprendizado de Máquina, ou machine learning, supõe que a máquina aprenderá a realizar uma tarefa a partir de experiências, da mesma forma que nós, humanos, aprendemos alguma atividade. Fazemos elas repetidas vezes – erramos uma boa quantidade – até aperfeiçoarmos e passarmos a acertar. Como chutar uma bola no gol: iniciamos sem destreza nenhuma o ato de chutar, até que treinamos e sofisticamos o gesto técnico e os chutes descoordenados passam a ter direção e força.
    • Dentro dos conceitos que envolvem machine learning, existem dois que são particularmente muito importantes: o Aprendizado Supervisionado e o Não Supervisionado. Ambos possuem características próprias e que vão fazer sentido a partir do problema de negócio a ser solucionado. Para não entrar em maiores detalhes técnicos, vamos nos preocupar apenas com o Aprendizado Supervisionado. 

    O Treinamento da IA

    No processo Supervisionado, o treinamento da IA acontece a partir da “fiscalização” na realização de alguma atividade. Na Postmetria, chamamos esse processo de Auditoria. Emprestando o exemplo anterior, é como se a IA precisasse aprender a chutar a bola e, ao invés de fazer isso sozinha, tivesse um técnico que ensinaria a ela sobre finalização, passe, cobrança de falta, escanteio, pênaltis e tudo mais que envolva a arte de chutar a bola. E é isso que a área de Operação de Dados (OD) da Postmetria faz: supervisiona o processo de aprendizagem da IA, através da auditoria de comentários, a fim de aprimorar suas análises dos padrões da fala humana em relação à nossa métrica sNPS.

    Nós, time de ODs, no momento em que nos deparamos com um comentário a ser auditado, nos preocupamos com quais seriam os qualificadores desse comentário – o que na língua portuguesa seria algo análogo aos adjetivos -, e a intensidade deles, para identificar qual percepção o comentário expressa: se é intensivo em um elogio, uma insatisfação, uma sugestão, ou ainda, todas essas percepções juntas. Assim, agregamos no aprendizado da máquina, analisando uma pequena amostra de comentários para gerar a nota de sNPS, trazendo o contexto do consumidor para essa aprendizagem. Com isso, aproveitamos o elemento qualitativo mais importante da percepção de marca, que é o contexto, ensinando a I.A. a aprender profundamente o subjetivo, qualitativo e espontâneo da Experiência do Consumidor (CX).

    Dessa forma, utilizando-nos do método NPS, atribuímos critérios para que, a partir de cada qualificador e intensidade, o comentário seja classificado na escala de 0 a 10. A Popis, por sua vez, passa a reconhecer que uma expressão como “achei ruim esse produto” seja compreendida como uma insatisfação, mas que um “achei péssimo esse produto” seja compreendido como uma insatisfação ainda maior, ou ainda, que um “gostei desse produto…” seja visto como um elogio, porém, que deva ser atribuído um scoring menor do que uma avaliação como “esse produto é ótimo, amei…”. Da mesma forma que nós, humanos, faríamos na compreensão da gradação e valoração das intensidades dessas percepções.

    Dessa forma, vai se formando uma cadeia de entendimento e aprendizagem profunda (Deep Learning) da I.A. Popis, melhorando cada vez mais a sua capacidade de Processamento e Interpretação da Linguagem Natural humana (NLP), justamente a partir de nuances das falas desses consumidores nos diversos canais internos e externos das marcas clientes da Postmetria. Tudo com base nas características léxicas e semânticas de cada comentário que auxiliam no conjunto dos padrões identificados na capacidade automática e em escala de interpretação e classificação da Popis.

    Portanto, a partir desse contato com o time de Operadores de Dados, ou “professores da Popis”, nossa IA aprende e melhora seu desempenho de processamento de linguagem natural para as classificações dos diversos níveis de scoring, sentimento e intensidade. Com o tempo, a partir dos erros e acertos de classificação e inputs identificados pelos ODs, a Popis, que antes era apenas uma Padawan no mundo de classificações, se torna uma Mestre Jedi capaz de entender as sutilezas das opiniões em cada comentário.

    Texto elaborado por Fellipe Porto, Supervisor de Operação de Dados na Postmetria


    E aí, conseguimos esclarecer um pouquinho sobre o processo de Auditoria de Comentários?
    Deixe suas dúvidas e comentários abaixo!

    Conheça mais sobre o que a Postmetria pode fazer por você!

  • O Papel da Inteligência Artificial nas métricas de sNPS

    O Papel da Inteligência Artificial nas métricas de sNPS

    Uma Plataforma Multicanal de Big Data que identifica por Inteligência Artificial o grau de satisfação espontânea, a partir da recomendação dos consumidores. É assim que nós, na Postmetria, nos identificamos.
    Bastante complexo, não é mesmo?
    Hoje nós vamos esclarecer essa definição, focando no papel da inteligência artificial para as métricas de sNPS.

    O Papel da Inteligência Artificial nas métricas de sNPS

    Inicialmente, vamos às definições dos conceitos aqui abordados:

    Inteligência Artificial é “o estudo e projeto de agentes inteligentes“, representando, de modo sumário, a inteligência das máquinas, em contraposição à inteligência natural, apresentada pelos seres humanos e animais. Em outras palavras, é a capacidade das máquinas de: aprender, perceber e tomar decisões, diante de determinadas situações.

    A IA corresponde a um conceito excepcionalmente amplo e abrange, pelo menos, três outras áreas da computação:

    • Machine Learning, ou aprendizado de máquina, é um método que consiste em oportunizar que a máquina aprenda regras por conta própria, a partir dos dados, com um grau de interferência humana cada vez menor.
    • Deep Learning, ou aprendizado profundo, é uma parte do Machine Learning que utiliza algoritmos complexos para imitar o funcionamento profundo das conexões sinápticas do cérebro humano, de modo a processar dados para criar padrões para uso na tomada de decisões.
    • Processamento de Linguagem Natural, por sua vez, utiliza técnicas de Machine Learning para encontrar padrões em grandes conjuntos de dados puros e reconhecer a linguagem natural. O objetivo dessa técnica é que o computador se torne capaz de “compreender” o conteúdo, incluindo nuances contextuais da linguagem.

    Voltando ao conceito inicial aqui apresentado:

    A Postmetria é uma plataforma multicanal de big data que faz análise e diagnóstico da intensidade e intenção de sentimentos em dados não estruturados (comentários, opiniões, feedbacks em canais de SAC, redes sociais, e-commerces) através da ativação de uma Inteligência Artificial que aprende ao longo do tempo. Com isso, identificamos o grau de satisfação dos consumidores nas suas experiências com marcas, produtos e serviços.

    Vamos entender melhor como isso ocorre?

    A nossa inteligência artificial tem como principal atividade o processamento de linguagem natural. Assim, ela opera como uma rede neural artificial, um método de deep learning – ou simplesmente aprendizado profundo – o que quer dizer que a chave da sua funcionalidade é sua capacidade de ser treinada e, portanto, constantemente melhorada. 

    Para entendermos melhor, a rede neural é chamada assim, pois faz referência a principal rede que conhecemos: o cérebro humano. Assim como em uma rede de neurônios, a rede neural artificial aplica o deep learning em muitas camadas simultaneamente, fazendo com que a máquina aprenda efetivamente com cada input.

    A cada CENE (Conteúdo Espontâneo Não-Estruturado) inserido dentro da plataforma Postmetria, e conforme aumentamos a quantidade de dados que são analisados por uma equipe de especialistas, a I.A expande sua base de conhecimento e eleva sua porcentagem de acerto. Hoje em dia, a calibragem da tecnologia pode atingir mais de 90% de exatidão — a depender de fatores como o segmento de mercado e a fonte (canal, contexto, regionalidade, etc.) predominante dos dados. Além disso, nosso banco de informações, isto é, de insumos para o aprendizado profundo dos nossos algoritmos, já está na casa dos milhões de dados!

    Do mais, contamos com inteligências auxiliares que são responsáveis pela classificação dos itens estratégicos de segmentação da informação, os quais chamamos internamente de bottom-up’s, que são uma espécie de granularidade estratégica dessa informação dentro dos comentários coletados, a partir de um processamento gramatical, permitindo que diversas flexões do mesmo termo, expressão, ou conceito sejam consideradas automaticamente. 

    Agora, qual critério a tecnologia mobiliza para a análise dessa intensidade e intenção de sentimentos? Como definimos se um comentário de consumidor é promotor, neutro ou detrator?
    A palavra-chave é: léxico! Analisamos cada frase, conjunto de expressões, linha por linha, assim como as palavras e até imagens contidas nos comentários dos consumidores de nossas marcas clientes e, por consequência, o contexto destas, de modo a entender, não apenas se temos palavras “positivas” ou “negativas”, mas também a gradação do “humor”, ou ainda, em quais níveis de satisfação que estas estruturas léxicas da fala de cada consumidor estão sendo empregadas. Assim, num exemplo simples, se um “Achei esse produto bom!” é considerado favorável, um “Achei esse produto muito bom!” será mais favorável ainda… Lógica esta que também se aplicará para opiniões desfavoráveis à marca e seus serviços.

    Texto elaborado por Julia Alves, Customer Success na Postmetria


    E aí, conseguimos esclarecer um pouquinho desse mundo artificial por aqui?
    Deixe suas dúvidas e comentários abaixo!

    Conheça mais sobre o que a Postmetria pode fazer por você!