O objetivo deste projeto é modelar e conceber algoritmos para resolver problemas de Processamento de Linguagem Natural (PLN), ou seja, desenvolver soluções para a compreensão e geração de linguagem natural pelos computadores. O PLN é uma área da Inteligência Artificial que se concentra em fazer com que os computadores possam compreender e processar a linguagem humana de forma eficiente e precisa, com o intuito de analisar grandes quantidades de dados (que estão em formato texto) e extrair informações valiosas para a tomada de decisões em vários setores, como saúde, financeiro e comércio eletrônico e outros.
PLN (Processamento de Linguagem Natural) é uma área da Inteligência Artificial que se concentra em ensinar aos computadores a compreender e processar a linguagem humana de forma natural e eficiente. Basicamente, é a habilidade de fazer com que as máquinas entendam o que as pessoas estão dizendo ou escrevendo, e possam responder de forma adequada. É um campo em constante evolução e tem muitas aplicações práticas em áreas como assistentes virtuais, análise de sentimentos em mídias sociais e tradução automática. Em resumo, PLN é a ponte entre as pessoas e as máquinas, tornando a comunicação mais eficiente e natural.
EXEMPLOS DE APLICAÇÃO:
- Análise de sentimentos para Análise Descritiva: a análise de sentimentos pode ser usada para analisar as opiniões e comentários dos clientes sobre sua empresa e serviços, o que pode ajudar a melhorar a satisfação do cliente;
- Análise de sentimentos para resolver um problema maior de classificação ou tomada de decisão: As empresas podem analisar as avaliações e comentários dos clientes para prever a probabilidade de churn, ou seja, a possibilidade de um cliente cancelar ou mudar para uma concorrente.
RECURSOS DE INFRAESTRUTURA OBRIGATÓRIOS:
- Linguagens: Python, node.js, html, css e javascript;
- Banco de dados: MySQL (relacional) e MongoDB (não relacional);
- Controle de versionamento: GitHub (obrigatório);
- IDE para desenvolvimento: Visual Code;
- Ferramenta para modelagem UML: Draw.io;
- Cloud: AWS, Google ou Azure;
- Conjunto de dados válidos contendo algum campo de entrada de linguagem natural, ou seja, textos provenientes de clientes, usuários etc;
- Base de dados com Label/Target da tarefa a ser alcançada. Ex. Churn/Não Churn, Positivo/Negativo/Neutro, Baixo Risco/Alto Risco etc;
- Informações sensíveis deverão ser anonimizadas antes de serem entregues aos alunos, nesta etapa o professor poderá auxiliar a empresa.
