Curadoria sob a perspectiva de estruturas técnicas da língua

A curadoria de conteúdos de chatbot está essencial e diretamente ligada ao sucesso do chatbot. Ela é composta pelos seguintes elementos: análise de mensagens reais dos usuários, novos treinos, novos conteúdos, análise de respostas corretas e, como resultado, tomadas de decisão. É necessário que todos esses fatores aconteçam de forma ordenada e contínua para que haja o aperfeiçoamento e o progresso esperado da ferramenta. Para que seu chatbot seja assertivo e cumpra com seus objetivos, há por trás da criação de seu fluxo conversacional um trabalho que requer um conhecimento estrutural da língua.

 

Podemos utilizar vários recursos linguísticos como estratégia de otimização do chatbot. Para que se faça uma curadoria de qualidade no seu chatbot, é importante saber como os usuários dele se comportam e quais padrões linguísticos podem ser encontrados. Você precisa estar atento aos comportamentos linguísticos encontrados e guiar a curadoria do seu chatbot a partir daí.

 

Bom, como já foi dito, a curadoria não é um ato em si, mas um conjunto de ações que se complementam entre si. A primeira etapa da curadoria consiste em analisar as mensagens reais dos usuários para que saibamos sobre o que estão falando e se o chatbot já responde os assuntos abordados.

A segunda etapa consiste em analisar as “respostas corretas”, que nada mais é do que avaliar se as respostas do seu chatbot estão sendo suficientes para atender às demandas do seu usuário. Por exemplo, se o usuário pede para visualizar seu saldo e o robô responde “Legal! Seu saldo retorna após o pagamento da sua fatura”, podemos considerar que esta resposta se enquadra no que chamamos de Falso Positivo, tendo em vista que o robô encontrou uma resposta no seu banco de dados, mas ela não responde adequadamente à solicitação do usuário. Portanto, esta resposta é um Falso Positivo.

 

A terceira etapa contempla os novos treinos. Se após a análise das conversas, novas formas de comunicação do usuário (padrões linguísticos) forem identificadas, elas são utilizadas como novos treinos, para que na próxima vez o robô entenda a intenção do usuário. Por exemplo, podemos ter um treino que é “retirar na loja” para que identifique a intenção do usuário de buscar seus produtos em uma loja específica, mas outros usuários podem se referir a mesma intenção da forma “buscar na farmácia”, “tirar na loja”, ou seja, podemos aumentar nosso banco de treinos.

 

A quarta etapa, a inserção de novos conteúdos, e a quinta etapa, a tomada de decisão, caminham bastante juntas, tendo em vista que é a partir da análise de tudo que o usuário está falando ou solicitando é que vamos decidir quais serão os próximos assuntos a serem respondidos pelo robô.

Sabe-se que o chatbot proporciona uma interface conversacional que, nada mais é, do que a reprodução de atos de comunicação exercidos por nós, seres humanos, em ambiente virtual. Então, para que se possa entender um pouco de chatbots, precisamos, primeiramente, entender as relações humanas. No início dos estudos linguísticos, um estudioso russo chamado Jakobson determinou que a comunicação se dá na seguinte ordem e com os seguintes elementos: um emissor → uma mensagem (através de um canal) → um receptor. Na visão de Jakobson, o ato de fala é uma ação solitária, na qual não há interferências externas.

 

Resultado de imagem para emissor mensagem receptor

 

No entanto, estudos atuais sobre essa teoria nos dizem que todos os interlocutores são emissores e receptores ao mesmo tempo, já que o que eu digo ou expresso (de maneira verbal ou não) interfere no discurso do meu interlocutor.

 

A comunicação é uma ação conjunta, construída através da relação entre indivíduos que, de forma mútua, constróem situações conversacionais. Ok. E o que isso tem a ver com chatbot? Bom, há diversos recursos que podem ser utilizados para demonstrar ao nosso interlocutor (usuário) o que está acontecendo (atos não verbais), como, por exemplo, o uso de typing, emojis que ditam o tom da conversa, nível de formalidade, etc.

 

“Em outros tempos, a chamada Teoria da Comunicação baseava-se nos estudos do linguista russo Roman Jakobson. No entanto, como essa teoria consistia, grosso modo, numa concepção “radiofônica” da linguagem humana, tornou-se obsoleta. Além disso, ela também via o que se chamava de emissor, o qual construiria uma mensagem, como sendo o único indivíduo ativo na passagem dessa a um Receptor, que a receberia de modo passivo, o que, para os estudos atuais, não tem sustentação neste processo.”

Neste artigo, trago dois aspectos da língua dos quais podemos tirar proveito ao transpormos seus usos para dentro do chatbot. O primeiro fenômeno se trata de posto e pressuposto. Posto, na língua, é tudo aquilo contido no sentido literal das palavras de uma sentença. Exemplo: “preciso alterar meu endereço”. Neste caso, o posto são exatamente todas as palavras contidas nessa frase, sem inferência de qualquer outra informação.

 

Já o Pressuposto é aquela informação ou conjunto de informações que podem ser inferidas. Exemplo: “olá, resolveram o meu problema?”. Nesta situação, somente tendo um conhecimento prévio da situação poderia entender do que se trata o problema abordado pelo indivíduo. É importante termos clara a ideia de que, é só a partir de conhecimento compartilhado que pode-se entender o que está posto.

Sabe-se que os seres humanos são os únicos com a capacidade de entender pressupostos quando compartilham do mesmo contexto e background de informações. Como resolver este “problema” no contexto de chatbot? Como fazer com que o robô entenda o contexto ao qual o usuário se refere?

 

Assim como os seres humanos, o chatbot precisa estar munido de informações que lhe forneçam embasamento. Fornecemos esse tipo de contexto ao chatbot ao criar integrações com os sistemas da empresa já existentes. Exemplo: o usuário pergunta sobre a situação de seus chamados em aberto. Neste momento, o robô pode fazer consultas no sistema de tickets e responder de forma satisfatória ao usuário.

 

O segundo fenômeno que quero discutir são os sinônimos. Eles parecem (e de fato são) muito simples de serem entendidos, mas há mais de uma forma de sinônimo e quero mostrar como podemos nos beneficiar com eles.

 

O primeiro tipo de sinônimo é aquele com o qual estamos mais acostumados, como no exemplo: “quero retirar na loja” e “quero buscar na farmácia” são frases sinônimas, no sentido que, os verbos ‘buscar’ e ‘retirar’ no contexto de pegar um produto em determinado local podem ser sinônimos, ou seja, podem ser substituídos sem prejuízo de sentido, pois traduzem a mesma intenção.

 

Uso no chatbot: é muito importante que se faça o mapeamento das diferentes formas de expressão do seu cliente quando ele busca por determinado assunto. Quanto mais formas forem mapeadas, maior será o número de usuários que ele atenderá de maneira eficiente.

O segundo tipo de sinônimo, um pouco menos visível aos olhos, é aquele que traduz a mesma intenção do locutor e visa obter os mesmos resultados mas não são sinônimos morfologicamente, ou seja, não são frases compostas por palavras que podem ser substituídas sem perda de sentido. Exemplo: “esta sala está cheia de fumaça” pode ser sinônimo de “abra a janela”, não porque as palavras significam a mesma coisa, mas porque na situação de uso as duas sentenças possuem a mesma intenção, arejar o local. Portanto, é importante que, ao mapearmos expressões, tenhamos em mente estes dois tipos de sinônimos, para que possamos abranger o maior número de situações possíveis e o nosso robô seja eficiente.

 

Parece que, ao falarmos de retenção de chatbot, precisamos desenvolver funcionalidades mirabolantes para ele entenda cada vez mais e mais seu interlocutor, o ser humano. O que não nos damos conta é que a língua é muito rica e cheia de aspectos que podem nos ajudar e muito na inteligência e na retenção do chatbot. Se soubermos como utilizar, mesmo que de forma simples alguns deles, já teremos ganhos altíssimos.

 

Por Aline Marmitt, linguista computacional na Ubots.

WhatsApp chat