Aula 33 – TensorFlow – Keras – Redes Neurais – RNN Chatbot

Aula 33 – TensorFlow – Keras – Redes Neurais – RNN Chatbot

Voltar para página principal do blog

Todas as aulas desse curso

Aula 32                        Aula 34 (Ainda não disponível)

TensorFlow - Keras - Redes Neurais

TensorFlow – Keras – Redes Neurais

Se gostarem do conteúdo dêem um joinha 👍 na página do Código Fluente no
Facebook

Sigam o Código Fluente no Instagram e no TikTok.

Link do código fluente no Pinterest

Site das bibliotecas

Tensorflow

Keras

Cursos Gratuitos

Digital Innovation

Quer aprender python3 de graça e com certificado? Acesse então:

workover

Para aprender Python do zero, além do curso aqui do código fluente, eu indico também esse curso do Python Academy.

Python Academy

Python Academy

Meus link de afiliados:

Hostinger

Digital Ocean

One.com

Canais do Youtube

Toti:

Toti

Backing Track / Play-Along

Código Fluente

Putz!

Fiquem a vontade para me adicionar ao linkedin.

PIX para doações

PIX Nubank

PIX Nubank

Se quiser copiar o código do PIX:

00020126580014BR.GOV.BCB.PIX013643c5f950-535b-4658-b91f-1f1d135fe4105204000053039865802BR5925Antonio Cavalcante de Pau6009SAO PAULO61080540900062070503***6304946B


Aula 33 – TensorFlow – Keras – Redes Neurais – RNN Chatbot

Introdução

Chatbots

Os chatbots ajudam as organizações a: resolver as dúvidas dos clientes, melhorar a comunicação e aprimorar a experiência do cliente.

Os chatbots traduzem a linguagem humana em informações digitais usando técnicas de aprendizado de máquina e processamento de linguagem natural (NLP).

Existem várias maneiras de desenvolver um chatbot, os dois métodos mais comuns são: generativo e o baseado em recuperação de intenções (intents).

O que são chatbots orientados por AI?

Um chatbot é um aplicativo que permite que as pessoas conversem com as máquinas por meio de texto ou áudio.

Um chatbot orientado por AI, é uma versão inteligente que aproveita o aprendizado de máquina e a NLP para entender a intenção das pessoas.

Os chatbots baseados em AI têm a capacidade de aprender e entender a linguagem, não apenas comandos como os bots tradicionais.

É por isso que eles fornecem uma comunicação mais natural, próxima ao nível humano.

Essa tecnologia pode aprender novos padrões de fala e ficar mais inteligente à medida que se deparam com mais situações.

Principais casos de uso de chatbot de AI

Chatbots e aplicativos de reconhecimento facial de aprendizado profundo são usados ​​em vários setores para melhorar seus processos de negócios e fornecer uma melhor experiência do usuário aos clientes.

Vejamos alguns exemplos de como os chatbots podem ajudar.

Assistência médica

A inteligência artificial de conversação pode ajudar tanto os pacientes quanto a equipe médica a reduzir a quantidade de trabalho manual.

Os pacientes podem usar chatbots para agendar consultas e receber notificações sobre quando tomar medicamentos.

Os chatbots também podem fornecer respostas personalizadas em consultas.

Essas respostas são baseadas no histórico médico dos pacientes.

A equipe médica pode usar chatbots para eliminar o erro humano durante o check-in dos pacientes, analisando as informações em tempo real.

Marketing personalizado

O marketing personalizado, também conhecido como marketing um-para-um, é o procedimento de usar dados para fornecer mensagens de marca direcionadas e individuais.

Os chatbots baseados em AI podem fornecer ofertas personalizadas aos clientes com base em seus eventos de vida ou dados de perfil.

As ofertas personalizadas permitem que os profissionais de marketing forneçam produtos altamente direcionados aos clientes no momento certo.

Ao usar esse canal de marketing baseado em IA, as empresas podem aumentar as taxas de conversão e obter maior valor de mercado.

Sistema Bancário

As expectativas dos clientes no setor bancário evoluíram devido à disponibilidade de canais digitais de autoatendimento.

Como resultado, a maioria dos bancos agora está usando chatbots em seus aplicativos para melhorar o envolvimento e a satisfação do cliente.

Os clientes podem interagir com chatbots bancários para fazer consultas bancárias.

Eles podem solicitar a transferência de fundos, obter o saldo da conta e fazer depósito.

Viagens e hospitalidade

As agências de viagens e hospitalidade sofrem com o suporte inconsistente ao cliente, políticas de cancelamento complexas e experiência de pesquisa irrelevante.

Os chatbots podem oferecer recomendações de viagem mais rápidas e diversificadas, analisando as pesquisas recentes do cliente e o histórico de viagens.

Os chatbots com inteligência artificial usam aprendizado de máquina para segmentar as preferências do público e fornecer ofertas personalizadas, incluindo opções econômicas, rotas alternativas de viagem e novos destinos de viagem com base nas preferências do viajante.

Chatbot como serviço

A maioria das grandes empresas de tecnologia, incluindo Google, Microsoft, Amazon e até mesmo Facebook, bem como muitas startups em ascensão, oferecem Compreensão de Linguagem Natural e ferramentas de IA de conversação como um serviço na nuvem.

O google tem o Dialogflow, a Amazon tem o Lex, a IBM tem o Watson Assistant, Azure o Bot Service, etc.

Alguns desses serviços dessas empresas, senão todos, são bots baseados em recurso de intenção e entidades.

As intenções são enunciados que aprendem a interpretar o que o usuário pode dizer em uma categoria que pode refletir uma ação em um aplicativo.

Por exemplo, um usuário pode dizer: “Preciso de uma passagem aérea barata para a Flórida”, isso pode ser mapeado para uma ação de busca por uma passagem aérea.

Para usar detalhes específicos do texto, como o local de destino, essas plataformas fornecem uma forma de definir entidades que irão representar essas informações no texto do usuário.

O reconhecimento de entidades pode ser feito por aprendizado de máquina, um dicionário de valores possíveis ou alguma forma de regras.

São basicamente frases prontas, que são disparadas em respostas baseadas nas intenções do usuário.

Os chatbots generativos, são chatbots mais gerais, eles conseguem montar as frases de respostas, eles não tem um banco de dados com várias respostas prontas, são bem mais complexos, podem não ser tão eficaz em um contexto de negócio em que o bot não possa errar em suas respostas.

Nesses casos, os modelos baseados em intents são mais indicados, porque são mais específicos e trabalham com frases prontas.

Conclusão

São muitos os campos de atuação em que um chatbot pode interagir e agregar valor ao serviço prestado.

Os exemplos da utilidade dos chatbots citados mais acima, são apenas alguns, mas existem muitas outras possibilidades de aplicações de uso, que melhoram a experiência dos clientes e a qualidade dos serviços prestados.

Próxima aula

Na próxima aula, a gente vai começar a ver os dois tipos mais comuns de chatbot, Chatbots generativos e os baseados em recuperação de intenções (Intents).

O tipo de chatbot que pretendo explorar nesse tutorial, é o modelo generativo seq2seq, também chamado de modelo codificador-decodificador.

Esse modelo usa a Long Short Term Memory-LSTM, que é uma arquitetura de rede neural recorrente (RNN) que “lembra” valores em intervalos arbitrários, para geração de texto a partir do corpus de treinamento.

Por essa aula é só, a gente se vê na próxima. \o/


Voltar para página principal do blog

Todas as aulas desse curso

Aula 32                        Aula 34 (Ainda não disponível)

Meu github:

https://github.com/toticavalcanti

Novamente deixo meus link de afiliados:

Hostinger

Digital Ocean

One.com

Obrigado, até a próxima e bons estudos. 😉

 

About The Author
-

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>