O fim da árvore de decisão nos chatbots: aprimorando chatbots com GPT e NLP

0

Impulsionada pelos avanços em inteligência artificial e processamento de linguagem natural (NLP), a revolução digital provocou a necessidade de um atendimento ao cliente mais eficiente e personalizado. O uso de chatbots no ecossistema de atendimento das marcas representou o primeiro passo. No entanto, muitos usuários ainda enfrentam frustrações ao interagir com essas ferramentas, levando a expressões como "robô burro" e questionando o verdadeiro potencial dessa tecnologia. Por isso, a ascensão dos modelos de linguagem generativa, como o ChatGPT, indica que estamos prestes a vivenciar uma transformação significativa na arquitetura de desenvolvimento dos nossos chatbots.

Diferentemente dos chatbots tradicionais, construídos com base em árvores de decisão, a tecnologia desenvolvida pelo ChatGPT proporciona uma conversa mais fluida, com a verdadeira intenção de simular um bate-papo um-a-um, como se pretendia inicialmente com esses robôs. Para esclarecer a diferença entre essas duas abordagens, vamos analisar em detalhes as características de cada uma:

  1. Chatbots com árvores de decisão:

Chatbots que utilizam árvores de decisão adotam uma estrutura hierárquica predefinida de perguntas e respostas, selecionando respostas com base no trajeto que o consumidor percorre na árvore. Geralmente, eles possuem um conjunto limitado de respostas predefinidas e lidam melhor com consultas simples e diretas. Contudo, enfrentam dificuldades para lidar com perguntas ambíguas, complexas ou fora do escopo, podendo fornecer respostas pouco naturais ou irrelevantes, como o conhecido "desculpe, não entendi". Isso ocorre devido à natureza da arquitetura desses chatbots, conforme ilustrado em um modelo na imagem a seguir:

Fig1: Modelo de árvore de decisão na arquitetura de um chatbot

2. Chatbots com modelos de linguagem generativa, como o ChatGPT:

Por outro lado, o ChatGPT utiliza técnicas de aprendizado mais sofisticadas e aprofundadas. Para alcançar isso, foi necessário treiná-lo, inicialmente, com uma base de 175 bilhões de parâmetros[1], permitindo que ele aprendesse lógicas textuais e produzisse conteúdos inéditos a partir da combinação desses parâmetros. O resultado é a impressão de que ele "sabe tudo" e se comporta de maneira muito semelhante a uma conversa humana. Confira um comparativo entre as duas abordagens:

Características

 

 

Chatbots baseados em árvores de decisão

 

Chatbots com modelos de linguagem generativa (ChatGPT)
Estrutura Pré-definida Dinâmica
Respostas Limitadas e predefinidas Flexíveis e contextuais
Aprendizado Baseado em regras e condições Aprendizado contínuo e aprimoramento
Flexibilidade Baixa Alta
Capacidade de lidar com perguntas variadas Limitada Maior, graças à base de conhecimento ampla
Manutenção e atualização Trabalhosa Mais simples e automática
Experiência do usuário Pode ser rígida e frustrante Mais natural e fluida

Com esse comparativo, fica fácil perceber as limitações de um chatbot baseado em árvore de decisão. A boa notícia é que é possível aplicar essa arquitetura de modelos de linguagem generativa à base de conhecimento sobre os produtos e/ou serviços de sua empresa, fazendo com que o chatbot se comporte de maneira semelhante ao GPT.

Um artigo[2] recente, publicado por pesquisadores do Facebook, Universidade de Londres e Universidade de Nova York, apresentou os resultados de experimentos utilizando uma abordagem chamada Retrieval-Augmented Generation (RAG). Essa técnica busca melhorar o desempenho dos modelos de linguagem em tarefas que exigem conhecimento externo e específico, combinando a geração de texto com base em modelos de processamento de linguagem natural e a recuperação desses conteúdos externos.

Imagine que seu chatbot se comunicasse exatamente como o ChatGPT, mas, em vez de falar sobre assuntos gerais, falasse exclusivamente sobre sua empresa e os conteúdos de seus produtos e serviços. Para que isso funcionasse, seria necessário treinar o ChatGPT com base em uma biblioteca de informações sobre sua empresa, produto ou serviço. A técnica apresentada no artigo acima promove uma conexão entre essa biblioteca e a inteligência do ChatGPT. A cada pergunta do usuário, seu chatbot disponibilizaria a biblioteca para o ChatGPT e solicitaria que ele o ajudasse a responder ao cliente de forma mais "humana".

Então, o que muda? Para unir o conhecimento específico sobre produtos ou serviços de uma empresa aos modelos de conversação como o ChatGPT, é preciso deixar de lado as árvores de decisão e criar um banco de informações acessível por meio de uma API, como a do GPT.

Primeiramente, desenvolvemos um repositório de conhecimento específico sobre a empresa, coletando informações de todo o sistema da organização, como respostas do SAC, informações de produtos, perguntas frequentes, publicações em redes sociais, artigos de blog e outros materiais relevantes. Isso delimita o universo de respostas possíveis, assegurando uma base sólida e abrangente para o chatbot interagir de forma eficiente e personalizada com os usuários.

Em seguida, usamos esse material para criar uma integração com a API do GPT, permitindo que o modelo refine o conteúdo e o transforme em linguagem natural (NLP). Isso garante que a inteligência por trás do GPT consiga entender as intenções das perguntas dos usuários e fornecer respostas variadas e personalizadas para os contextos encontrados na biblioteca de conteúdos criada na primeira etapa. Com isso, temos o seguinte workflow:

Fig 2: Fluxo de informação

Com essa abordagem, o processo de desenvolvimento de um chatbot que levaria em torno de 20 dias para ser finalizado, passa a ser construído em apenas algumas horas de definição de prompts e organização de conteúdo. Com isso, podemos aproveitar o melhor dos dois mundos: oferecer respostas relevantes e melhorar a experiência e a satisfação dos usuários ao interagir com os chatbots.

William Ferreira,  Head of operations na Elife.

[1] Disponível em: https://www.bbc.com/portuguese/articles/c3gze230pj1o

[2] Disponível em: https://arxiv.org/pdf/2005.11401.pdf

DEIXE UMA RESPOSTA

Por favor digite seu comentário!
Por favor, digite seu nome aqui

This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.