Quando os termos inteligência artificial e chatbots são colocados na mesma sentença, o interesse pelo material costuma ser imediato. Afinal, ambos os conceitos representam a materialização de uma tendência tecnológica catalisada pela pandemia do Covid-19. Diante da demanda por atendimentos digitais, além da capacidade de sua operacionalização com agentes humanos, iniciativas de automatização passaram a fazer parte do dia a dia das corporações.
É nesse contexto, que os chatbots migraram das áreas de inovação das empresas para suas áreas de negócio, com motivações que vão além da evidente redução de custos. Chatbots são softwares por meio dos quais clientes e consumidores interagem, fornecem informações, esclarecem dúvidas ou resolvem problemas por meio de troca de mensagens em diferentes canais, como webchat, Facebook Messenger ou WhatsApp. A preferência do público pelos aplicativos de mensagem e pela utilização de smartphones, ajuda a explicar o sucesso de sua adoção.
Há dois tipos principais de chatbots: os de fluxo e os cognitivos. Chatbots de fluxo são aqueles criados a partir de um conjunto de regras e caminhos predefinidos, que geralmente utilizam estruturas de menu para guiar a navegação. Já os chatbots cognitivos são aqueles que utilizam algoritmos de inteligência artificial para entender as intenções do usuário e entregar para ele informações relevantes. Da combinação dessas duas modalidades, surge uma terceira, os chatbots híbridos, que guiam os usuários por fluxos definidos, ao mesmo tempo que entendem suas intenções.
De acordo com o Gartner, a principal fonte de aplicação de inteligência artificial nas empresas é justamente nos chatbots. A mesma empresa publica periodicamente o Hype Cycle, uma representação de maturidade de uma determinada tecnologia, que apresenta cinco diferentes estágios e cuja nomenclatura é praticamente autoexplicativa:
- Innovation trigger (gatilho de inovação);
- Peak of inflated expectations (pico das expectativas infladas);
- Trough of disillusionment (vale da desilusão);
- Slope of enlightment (ponto de esclarecimento);
- Plateau of productivity (platô da produtividade).
Na última versão do estudo, especializada para Inteligência Artificial, o Gartner assinala o amadurecimento dos chatbots, posicionando-os no final do estágio do pico das expectativas infladas e no início do vale da desilusão. Ao mesmo tempo, indica um crescimento superior a 100% em sua adoção nos próximos dois a cinco anos, o que evidencia a tendência de chegada no ponto de esclarecimento, talvez, já na próxima atualização do material.
A inteligência artificial é a característica que faz um chatbot ser considerado cognitivo, ou de forma redundante, inteligente. Ela representa a habilidade de um sistema computacional adaptar-se a um novo contexto, de generalizar o conhecimento e aplicá-lo em cenários não familiares.
Considerados pais dessa temática, Minsky e McCarthy entendem a inteligência artificial como aquela que permite a uma máquina executar atividades que, anteriormente, requeriam um humano para ser concluída. Por este motivo, os principais desenvolvedores desse tipo de tecnologia buscam sua promoção desafiando indivíduos que são referências em suas áreas, como foi o caso da disputa de xadrez entre Gary Kasparov e o Deep Blue, em 1996 e 1997, da disputa entre o Watson e os dois principais competidores produzidos no programa de quiz Jeopardy, em 2011, e o duelo entre o Google Deepmind e os melhores jogadores de Go, em 2016.
A competição com seres humanos em disputas específicas, a utilização em chatbots, assistentes digitais ou em self-driving cars, são todos exemplos do que os pesquisadores chamam de Narrow Artificial Intelligence, ou inteligência artificial estreita. Nessas aplicações, a habilidade de generalizar seu treinamento é restrita a uma quantidade limitada de tarefas. Os mesmos especialistas apontam para o desenvolvimento de uma Artificial General Intelligence (AGI) entre os anos de 2040 e 2050, 30 anos antes da previsão do que chamam de SuperIntellingence, definida como “qualquer intelecto que supere com larga folga o desempenho cognitivo de seres humanos em virtualmente todos os domínios de interesse”.
As atuais aplicações comerciais de inteligência artificial que, como já destacado, têm nos chatbots seu principal expoente corporativo, na prática, são uma evolução de um de seus subcampos conhecido como machine learning. Entretanto, os conceitos estão tão intrinsecamente relacionados que, quando as pessoas estão falando em inteligência artificial, geralmente estão falando sobre machine learning.
O aprendizado de máquina, em uma tradução livre, é a capacidade de um sistema computacional aprender a realizar uma tarefa sem ser programado para fazê-la. Isso é realizado por meio de redes neurais que são alimentadas por enormes quantidades de dados. Por sua vez, as redes neurais são modelos matemáticos capazes de ajustar parâmetros internos para mudar os resultados que produz. Dessa forma, o algoritmo identifica um padrão, de acordo com a importância atribuída a cada dado em um modelo, que é utilizado para analisar os novos dados que são apresentados para ele.
É exatamente dessa forma que funcionam os serviços de NLP (Natural Language Processing) e NLU (Natural Language Understanding), utilizados para implementar a inteligência artificial em chatbots. Os conceitos são complementares e ambos são importantes para o processo de machine learning e inteligência artificial. Inicialmente, vale explicar que uma linguagem natural é aquela que evolui de forma espontânea com o tempo, como o inglês e o português. Elas são diferentes de linguagens formais, como as linguagens de programação Phyton e Java, por exemplo, utilizadas para um propósito específico. Para uma máquina ser considerada inteligente, ela precisa se comunicar com um humano utilizando pelo menos uma linguagem natural.
É nesse contexto que os algoritmos de NLP se apresentam como uma solução. Como a linguagem é representada por uma forma livre de texto, é o NLP que padronizará as sentenças, geralmente quebrando-as em componentes mais facilmente gerenciáveis para posteriormente atribuir relações, dependências e contexto entre elas. Em outras palavras, o NLP transforma a linguagem natural em uma linguagem padronizada, permitindo a ação de algoritmos de NLU.
Os algoritmos de NLU são os responsáveis pela interpretação das sentenças, identificação de contextos e fornecimento de insights. É por meio deles que diferentes sentenças são associadas ao mesmo propósito, ao mesmo tempo que diferencia significados atribuídos a uma mesma palavra. Não importa qual o fornecedor dessas tecnologias, se IBM, Facebook, Microsoft, Google ou Amazon, a forma de operação é muito similar. Em todos os casos, há os conceitos de intenção, entidade, confiança e aprimoramento.
Os profissionais que estão criando um chatbot precisam estabelecer quais são os objetivos da interação, aquilo que se quer realizar, ou seja, quais as intenções dos usuários. Ela pode ser marcar uma consulta, pedir uma pizza ou esclarecer uma dúvida sobre um produto, por exemplo. Na identificação inicial das intenções, serão cadastradas formas alternativas de solicitar a mesma coisa, o que caracteriza o processo de treinamento. A partir daí é esperado que o algoritmo consiga entender variações e combinações da mesma intenção.
Apesar da evolução dos algoritmos de NLU e NLP, eles não serão capazes de identificar com a confiança necessária todas as intenções dos usuários, geralmente por falta de treinamento. Por isso, no processo de criação de um chatbot é necessário definir a partir de qual nível de confiança determinada decisão, ou caminho no fluxo, será tomado. Por exemplo, se o chatbot perguntar se o usuário entendeu a resposta e for digitado “com certeza”, há chance do algoritmo não entender o “com certeza” como “sim” com o nível de confiança desejado.
Nesse caso, entrará em ação o processo de aprimoramento, ou curadoria. Nele, as sentenças que não atingiram o nível de confiança configurado, ou não foram entendidas pelo algoritmo, ficam disponíveis para o treinamento. Dessa forma, um profissional pode associar a sentença a determinada intenção existente ou criar uma nova intenção.
Além da intenção, confiança e aprimoramento, há um quarto conceito central para o trabalho com inteligência artificial em um chatbot. É o conceito de entidade. A entidade é o objeto da intenção, ou seu complemento. Também pode ser entendido como o parâmetro de uma função. No exemplo da sentença “pedir uma pizza”, a intenção seria “pedir” e a entidade a “pizza”. Logo, a mesma intenção pode ser acompanhada de diferentes entidades, como em “pedir um hambúrguer” ou, ainda, podemos ter um grupo de entidades, como em “comprar uma passagem aérea no dia 05/07, a partir das 12h”, em que temos como intenção “comprar” e entidades “passagem aérea”, “05/07” e “a partir das 12 h”. Para as entidades, valem os mesmos conceitos de confiança e aprimoramento explicados para as intenções.
Em um primeiro momento, esses conceitos podem parecer complicados de serem implementados. Entretanto, plataformas intuitivas como a Boteria tornam esse processo simples e transparente. Na prática, você nem precisa acessar o site do provedor do algoritmo de NLU/NLP e pode testar suas construções em tempo real. A abrangência de planos disponíveis, inclusive Freemium, também permitem sua utilização sem preocupação com elevados investimentos iniciais.
Agora que você conhece um pouco mais sobre inteligência artificial, fica muito mais fácil entender por que sua utilização em chatbots representa o principal caso de uso nas empresas. E fica muito mais difícil justificar por que você ainda não começou a aplicá-los em seu negócio.
