Cauanne Linhares, David Borges e Jairson Vitorino
Imagine o seguinte cenário: você contrata um novo colaborador para reforçar o seu time de atendimento ao cliente. Em poucas horas ele consegue ler e adquirir o conhecimento de centenas de milhares de diálogos dos últimos anos gravados e transcritos pelo seu call center. Impossível? Com o uso dos chatbots combinados com o poder das novas arquiteturas de redes neurais, este cenário está cada vez mais perto de acontecer para a sua marca.
O uso de chatbots vem revolucionando a maneira como é realizado o atendimento ao cliente por um bom motivo: possibilita empresas resolverem problemas sem a necessidade de intervenção humana. No entanto, um dos principais “defeitos” dos novos assistentes virtuais é o fato de que a conversação pode se tornar mecânica, pouco natural, e limitada a um certo conjunto de mensagens pré-definidas.
Em outras palavras, um chatbot hoje raramente passaria no Teste de Turing, criado por Alan Turing, em 1950, para medir a capacidade de uma máquina demonstrar inteligência semelhante ou igual a de um ser humano. Ao falar com os bots hoje, consumidores sabem que estão falando com uma máquina.
Essa realidade vem mudando. Diversos avanços na área de inteligência artificial prometem tornar não somente a conversação dos bots mais fluida como também aumentar o vocabulário e a capacidade de resposta deles.
Uma das técnicas que está sendo utilizada para este fim, e que estamos testando na E.life, são novíssimas arquiteturas de redes neurais, que se baseiam em prever a próxima interação com um ser humano levando em consideração as interações anteriores. Isso se dá através da utilização de duas redes em conjunto, uma com a função de codificar e outra de decodificar as entradas (mensagens enviadas ao bot).
Para que uma rede neural funcione bem, e produza resultados próximos a um ser humano ela precisa ser treinada. O sucesso dessa técnica se dá devido a o tipo de treinamento utilizado para as redes neurais, trata-se de um treinamento de ponta a ponta com um conjunto de dados estruturados na forma de perguntas e respostas.
A técnica funciona de modo que quanto maior o conjunto de dados da entrada maior a qualidade da saída computada. Vale ressaltar ainda que a presença de ruído nos dados não é um grande empecilho, o que a torna ainda mais propícia para ser utilizada como forma de fornecer inteligência aos nossos chatbots.
Vários testes já estão sendo feitos com a aplicação desta tecnologia em modelos de conversação, como o tratamento de problemas de helpdesk e a tradução de mensagens para outros idiomas. Com o uso da técnica buscamos criar Bots para plataformas como o Facebook Messenger que sejam mais fluidos na conversação e menos parecidos com apps abarrotados de menus.
Num dos testes iniciais realizados com uma base de dados de um cliente de Telecom, travamos o seguinte diálogo com um bot:
>> Bom dia
Bot: Bom dia
>> Preciso de ajuda!
Bot: Bom dia ! O que aconteceu ?
>> Perdi meu chip
Bot: Olá ! Faz assim: manda DM pra gente com o nome do titular , CPF , um número móvel e um fixo + DDD . Iremos verificar!
>> Certo . Obrigado .
Bot: Olá ! Ficamos felizes em saber de sua satisfação com nossos serviços. Qualquer dúvida que tiver , estamos aqui , ok ?
Neste caso temos um área de domínio do conhecimento que é o atendimento ao consumidor de Telecom. Em breve, espera-se que o estado da arte da conversação homem-máquina produza resultados que permitam que um ser humano não consiga distinguir se fala com outro ser humano ou um robô sobre a maioria dos assuntos de conhecimento humano. Um dos sonhos de Turing.
Cauanne Linhares, David Borges e Jairson Vitorino integram a equipe de Tecnologia da E.life