Autor: Staff

Publicado em

Market Share de Seguradoras: Você conhece bem o seu mercado?

O mercado de seguros passou por um momento de transformação nos últimos anos, impulsionado pelo crescimento de fusão e aquisição (M&A), houve empresas adquirindo suas concorrentes ou vendendo suas carteiras não prioritárias, em paralelo, uma “Revolução Silenciosa” tem exigido um posicionamento estratégico para o conhecimento do Market Share das seguradoras.

Diante desse cenário de Transformação Digital, o setor de seguros não ficou para trás e apostou na utilização da tecnologia ao seu favor. Segundo a CNseg (Confederação Nacional das Empresas de Seguros Gerais, Previdência Privada e Vida, Saúde Suplementar e Capitalização) o mercado de seguros cresceu 12,1% em 2019. Marcio Coriolano, presidente da CNseg disse “passado o período de turbulência e incertezas políticas, e diante da perspectiva de aprovação de reformas estruturais e microeconômicas, o cenário é otimista”.

Mas a pergunta principal é: Diante desses cenários de incertezas, o que é necessário para entender o atual Market Share para a sua seguradora?

Qual é o tamanho do seu mercado?

Sabemos que People Centric Tecnhnology está cada vez mais inserida no nosso dia a dia, por isso, conhecer o mercado que você atua é fundamental para definir seu planejamento de marketing, desde da fase de prospecção até a fidelização do seu cliente. Essa análise alavanca o desempenho da sua área comercial.

Os KPI’s (indicadores chave de desempenho) internos são fundamentais, mas compreender o contexto geral e o ecossistema que se está inserido pode ajudar sua seguradora a manter-se sempre um passo à frente dos concorrentes, além de contribuir na identificação de novas oportunidades. Além disso, quanto maior sua “fatia” de mercado, maiores são as vantagens competitivas, como credibilidade e poder de negociação. É importante relembrar que existem 3 formas de calcular o Market Share da sua empresa: Volume de Vendas, pelo faturamento e pelo número de clientes. O cálculo básico consiste na divisão do número de clientes pela quantidade de clientes em potencial do universo de atuação. Esse tamanho de mercado pode ser encontrado em três conceitos (TAM, SAM e SOM) que ajudam a situar seu negócio e indicar o planejamento ideal. Relembre a definição de cada um deles:

· TAM (Total Available Market) é o mercado total, isto é, a demanda máxima para um produto ou serviço. Em resumo, é onde atuam as grandes corporações.

· SAM (Serviceable Available Market) é o mercado endereçável, uma segmentação do TAM voltada para uma região alcançável para prospecção e atuação. Um universo ainda amplo, mas que deve ser mirado, mesmo que a médio ou longo prazo.

· SOM (Serviceable Obtainable Market) é o mercado acessível, fatia do SAM que pode ser conquistada a curto prazo, focando em segmentação, concorrência direta e quaisquer particularidades que aproximem sua empresa do cliente ideal.

Como expandir o Market Share de seguradoras?

Nesse contexto, listamos três importantes ações que ajudam a aumentar a sua participação no mercado, são elas:

· Mapear a área de atuação: A partir do momento que já se tem o conhecimento do tamanho do mercado, é necessário mapear a região em que irá atuar, conhecer seus concorrentes, o porte e faturamento e a quantidade de funcionários. Definir indicadores que ajudam na expansão é fundamental para a abertura de novas filiais.

· Redirecionar o time comercial: Estar próximo da sua área de atuação é indispensável para o processo de expansão das seguradoras. Por isso, é necessário redirecionar o time comercial para onde há maior demanda do produto ou onde há potencial de crescimento.

· Oferecer produtos por região e público-alvo: Não é de hoje que sabemos que conhecer o perfil do nosso cliente é fundamental para o processo de fidelização do cliente com a marca. A coleta de dados permite analisar a segmentação, agrupar clientes por região ou comportamentos específicos e oferecer algo único para cada cliente.

Como a inteligência de dados pode aumentar o Market Share de seguradoras

A exigência cada vez maior no mercado de seguros já é realidade e a inserção de tecnologias nos processos para a sua otimização já não é novidade. A Big Data Analytics, tecnologia baseada em dados, permite uma análise precisa de dados estratégicos, indo além da eficiência na sua gestão, mas indicando o que deve ser feito com o mesmo. Confira as principais vantagens de contar com uma plataforma de Big Data Analytics.

· Dados confiáveis e atualizados: Reunido em uma única plataforma inteligente, é possível analisar grandes volumes de informações externas e juntar com informações internas sobre o mercado de seguro, acrescentando novas variáveis para a inteligência de mercado.

· Velocidade: Em apenas alguns segundos é possível definir o perfil de uma carteira e como melhor atendê-la. A plataforma traz resultados detalhados sobre seu público alvo, a região potencial e até onde tem mais corretores registrados.

· Segmentação eficiente: Quanto mais o time comercial souber sobre a ferramenta e como segmentar a sua área de atuação, melhor será a análise dos dados, estabelecendo maior direcionamento e foco.

E você, já sabia como utilizar o Big Data para ter mais assertividade na identificação de novas oportunidades de negócio para a sua seguradora? Temos a plataforma ideal para mudar o seu jeito de analisar dados e identificar novas oportunidade, para conhecer a ferramenta, basta acessar esse link.

Publicado em

A linha do tempo da LGPD no Brasil

Finalmente, depois de muitas idas e vindas, discussões, medidas provisórias e projetos de lei, a Lei Geral de Proteção de Dados foi sancionada pela Presidência da República e começou a valer na última sexta-feira, dia 18/09/2020. A partir de agora, as empresas precisarão correr contra o tempo para se adequar à nova legislação que torna o processo de tratamento de dados totalmente claro para todos os usuários.

Para entender todo o contexto da sua criação, vamos abordar a linha do tempo da LGPD no Brasil e todo o seu histórico de mudanças desde a sua aprovação:

14/08/2018: A Lei 13.709/2018 foi aprovada originalmente e, com um prazo de 18 meses para vigência.

08/07/2019: A Lei 13.853/2019 foi aprovada, e dentre as suas mudanças, estava a criação da ANPD – Autoridade Nacional de Proteção de Dados e também a alteração da data de início de vigência da LGPD, para 08/2020.

03/04/2020: Por conta da situação pandêmica do país, o PL 1.179 é aprovado no Senado. Ele alterava a data de entrada em vigor da LGPD para 01/2021, com sanções administrativas valendo para 08/2021.

29/04/2020: Presidência da República promove a edição da MP 259/2020 que alterava a eficácia da lei e as penalidades ficariam para 05/2021.

14/05/2020: O PL 1.179 foi aprovado na Câmara e, conforme já mencionado acima, previa a aplicação das penalidades para 08/2021.

19/05/2020: O PL 1.179 foi votado novamente no Senado, acatando a situação proposta pela Câmara alguns dias antes, fazendo com o que este projeto de lei seguisse para sanção do presidente da república.

12/06/2020: A Lei 14.010/2020 é sancionada pelo presidente com punições valendo a partir apenas de 08/2021.

25/08/2020: Câmara aprova a MP 959/2020, que definia a entrada da LGPD para 01/2021 e as penalidades para Agosto do mesmo ano.

Um dia depois da aprovação da MP pela Câmara: Senado derruba o artigo 4º da MP 959/2020 que tratava da prorrogação da vigência da lei, fazendo com que a entrada da LGPD retornasse à 08/2020 com penalidades para 08/2021.

17/09/2020: Sanção da presidência, aprovando a LGPD.

18/09/2020: LGPD entra em vigor.

Porém, mesmo com a lei em vigor, ainda não temos a criação da ANPD e, as regras de funcionamento desta autoridade só valerão a partir da nomeação do diretor-presidente do órgão pelo presidente da república. Muitos especialistas acreditam que somente após a criação efetiva da autoridade nacional de proteção de dados é que as empresas terão segurança jurídica para operar, principalmente quando pensamos nas empresas menores onde a necessidade de orientação e entendimento é muito maior.

Quer saber mais sobre a nova Lei Geral de Proteção de Dados? Acesse o nosso whitepaper especial “Tudo sobre a LGPD” e confira vários conceitos e dicas para adequar o seu negócio à nova legislação!

A importância de um Encarregado de Dados

Empresários preocupados em estar em conformidade com a lei e preocupados com os dados tratados dentro das organizações não podem mais esperar. Agora que entendemos o que aconteceu desde a sua aprovação, as empresas precisarão criar um plano emergencial para atender as demandas iniciais e dentre todas as obrigações, a definição/nomeação do DPO (Data Protection Officer ou Encarregado de Dados) é essencial.

Ele será o canal de comunicação entre o controlador, os titulares dos dados e a ANPD. Essa pessoa terá como responsabilidade cuidar do programa que a empresa criar para adequação à lei, além de ser acionado e ter que agir nas situações onde será necessária uma resposta a incidentes, caso ocorram. É importante que essa pessoa tenha total conhecimento do negócio da empresa, fazendo com que os processos de adequação se tornem mais fáceis e a curva de aprendizado seja menor.

Além disso, a aplicação das medidas iniciais são extremamente importantes, para que as etapas de conformidade sejam resolvidas o quanto antes. Mas por onde começar? Além da indicação do DPO, fazer com que as políticas de privacidade sejam publicadas e atualizadas nas plataformas digitais é o primeiro passo. É importante também que a empresa revise todos os seus contratos com fornecedores e parceiros e suas respectivas cláusulas para realizar as alterações necessárias pensando na responsabilidade compartilhada. 

Entender que a área de Recursos Humanos da empresa também precisará de atenção é primordial para que a transparência, a ciência e o consentimento mencionados na lei sejam atendidos. A realização de campanhas educativas dentro da organização levando a informação e a importância da lei a todos ali responsáveis pelo tratamento dos dados, é uma resposta necessária para que a sua empresa seja vista como preocupada em estar sempre a frente quando se trata de relacionamento com qualquer titular de dado, seja ele cliente, colaborador, fornecedor ou parceiro!

Quer saber como sua empresa pode entrar em conformidade com a LGPD? A Viceri tem um time de especialistas prontos para auxiliar seu negócio. Fale com a gente!

Publicado em

A importância de certificações para o desenvolvimento profissional e pessoal

De modo geral, todo indivíduo tem algum tipo de habilidade de destaque. No entanto, ele sempre tem que fornecer algum tipo de prova sobre suas habilidades e aptidões. Isso é possível por meio de uma demonstração de experiência prática, mesmo essa não sendo a maneira mais eficiente. Quando você possui uma certificação de especialização reconhecida pelo mercado, metade do caminho é percorrido de forma quase que instantânea.

As certificações são as credenciais que reconhecem e validam o conhecimento e a experiência de uma pessoa. Os programas de certificação geralmente envolvem um período específico de educação e treinamento. Eles são adequados para treinar indivíduos em uma tarefa específica ou desenvolver competências em uma habilidade específica. 

Muito se fala dos benefícios das certificações para os indivíduos, mas nem sempre é destacada a importância das mesmas para as organizações e seus clientes. Vamos discutir um pouco sobre esse assunto?

A importância das certificações para o indivíduo e a credibilidade profissional

Em primeiro lugar, é preciso destacar os benefícios, muitos deles intangíveis, que os profissionais certificados adquirem ao completar uma certificação reconhecida pelo mercado. Ter o certificado de uma instituição importante e reconhecida pela qualidade gera credibilidade e é a porta de entrada para um futuro profissional promissor. 

Há um número crescente de empresas, organizações sem fins lucrativos e organizações governamentais que, ao trabalhar com consultores independentes, desejam (ou podem até ser obrigadas) a envolver aqueles que possuem determinadas certificações de programas reconhecidos. 

A certificação demonstra seu compromisso com profissionalismo superior, mantendo os padrões da indústria e aprendizado contínuo. Esses méritos podem ajudar a aumentar sua credibilidade profissional e prestígio dentro de sua própria rede, com seus clientes atuais e na busca de novas oportunidades de negócios ou licitações em projetos.

Impulsionando o desenvolvimento pessoal

O fator mais crucial que destaca a importância da certificação é o desenvolvimento pessoal. Os profissionais podem buscar certificações para mostrar suas capacidades perante os empregadores ou para atingir objetivos pessoais. As certificações definidas como objetivos pessoais podem ajudar a realizar uma experiência satisfatória. É gratificante receber recompensas por seus esforços. As certificações geram um sentimento de automotivação, disciplina e comprometimento, que podem ser recompensas intangíveis com as certificações.

Relevância para o cenário profissional atual

Certas certificações exigem renovação periódica. A recertificação é um requisito importante para manter as credenciais como profissional certificado, e é ideal para obter benefícios para o empregador e para o próprio profissional, o ajudando a lidar com as atualizações e melhorias em tecnologias, plataformas e ferramentas. 

Apresentando exclusividade

A importância da certificação é muito evidente no caso de aquisição de expertise em novos produtos e serviços. Elas podem ajudar os profissionais a se tornarem especialistas no assunto, os destacando do resto da multidão, principalmente considerando que geralmente há menos documentação e materiais disponíveis para novos produtos e serviços.

Avanço na carreira e retenção de emprego

A importância da certificação para profissionais experientes também está na forma de perspectivas de promoções e retenção do emprego. A certificação ajuda no aprendizado de novas tecnologias e habilidades para uma promoção específica. Obter uma nova certificação ou uma certificação avançada em uma área específica de especialização pode ajudar no avanço da carreira. 

A volatilidade do ambiente econômico obriga as empresas por vezes encontrar novas formas de cortar custos. Uma certificação pode ajudar os profissionais a provar para os empregadores que desejam permanecer no emprego, e mostra sua dedicação em melhorar seu conjunto de habilidades e conhecimentos, o que implica em benefícios também para a empresa. 

A importância das certificações para as empresas

As certificações ajudam as organizações a demonstrar seu compromisso com o desenvolvimento profissional dos funcionários e com o aumento de sua produtividade. Além disso, as organizações que incentivam os funcionários a buscar certificações profissionais recebem credibilidade adicional no mercado, aumentando a sua reputação. Vejamos abaixo os principais benefícios das certificações para as empresas:

Dá aos clientes mais confiança no negócio

Incentivar os funcionários a obterem uma certificação profissional mostra aos clientes que a empresa mantém seus funcionários nos mais altos padrões profissionais e cuidará muito bem deles. Os clientes se sentem mais seguros e protegidos, sabendo que estão em mãos certificadas.

Funcionários mais felizes – que permanecem por mais tempo

Apoiar equipes na obtenção de certificações mostra a eles que a empresa compartilha do desejo de ser a melhor possível. As pessoas ficam mais felizes trabalhando em organizações que investem em seu desenvolvimento profissional e estão comprometidas em ajudá-las a dar os próximos passos em suas carreiras. Os funcionários também se sentirão notados e valorizados pela empresa. Esse senso de valor os incentiva a querer ficar, o que reduz uma das maiores dores de cabeça e despesas: a rotatividade de pessoal.

Qualidade na execução

Os funcionários certificados aprendem com seu treinamento a importância de aderir a determinados padrões profissionais. A empresa pode contar com mais facilidade e confiança com a capacidade de sua equipe de atender às referências do setor e contar com um trabalho de qualidade superior e mais consistente. 

Aumento da produtividade

Estudos realizados por uma variedade de organizações – incluindo Microsoft e Novell – mostraram que os funcionários com uma certificação profissional são mais produtivos. Isso porque as certificações preparam melhor os trabalhadores para lidar com os desafios do dia a dia e obter o máximo das novas tecnologias. Funcionários certificados geralmente trabalham com mais eficiência do que colegas não certificados, e sua presença pode ajudar a melhorar a produtividade dos projetos da equipe.

Por fim, é importantíssimo mencionar que as certificações devem ser encaradas por todos como uma validação de conhecimento adquirido e digerido através de sua aplicação constante. Somente deste modo elas continuarão a ser respeitadas e a ter relevância no competitivo mercado de Tecnologia da Informação.

Gostou do nosso texto? Confira mais insights no blog da Viceri ou entre em contato com o nosso time.

Publicado em

Formatos de dados necessários para treinar seu chatbot – Parte II

Este artigo é uma continuação do que falamos no último texto sobre os formatos necessários para treinar seu chatbot, que você pode ler clicando aqui. Vamos seguir vendo os formatos como são guardados os dados dentro dos arquivos do RASA. Vamos ver também como colocamos as respostas que o chatbot dará durante uma conversa com o usuário e quais as opções que temos para respostas. Falaremos também sobre os arquivos de NLU, que são os exemplos de frases em que o chatbot irá interpretar e descobrir a intenção do usuário.

Vamos lá?

As respostas do chatbot ficam dentro da seção de respostas do arquivo domain.yml. Cada resposta pode ser simplesmente uma frase, ou uma frase entre algumas opções de frase. Além disso, podemos mostrar botões para o usuário que servem como atalhos para frases do usuário. Caso ele clique em um botão, seria como se ele tivesse digitado um texto. Cada frase-resposta ou grupo de frases-resposta possui um nome que, como vimos anteriormente, começa com “utter”. Um exemplo para uma saudação seria:

responses:

  utter_saudacao:

    – text: “Olá, como vai?”

Neste caso, se numa estória o chatbot ver que deve chamar o “utter_saudacao”, aparece para o usuário a frase “Olá, como vai?”. É muito importante você deixar as linhas da forma que estão no exemplo com dois espaços antes do nome do utter, que é seguido de dois pontos, e o texto começa com 4 espaços, um hífen e um espaço, seguido de text e dois pontos. Em alguns casos é possível não usar aspas, mas para evitar erros futuros, sempre coloque o texto entre aspas duplas. Por exemplo, se você não colocar aspas duplas e tiver um hífen na frase, vai dar erro.

Uma coisa que pode tornar as conversas mais parecidas com as conversas de um atendente humano, é dar variações, para que o chatbot não responda sempre com a mesma frase. Para fazer isto, basta colocar várias frases diferentes como no exemplo abaixo:

responses:

  utter_saudacao:

    – text: “Olá, como vai?”

    – text: “E aí, como estão as coisas?”

    – text: “Opa, como você está hoje?”

Agora, se o chatbot achar que deve mostrar o utter_saudacao, irá escolher uma das opções de forma aleatória. Ou seja, para cada conversa, você nunca sabe qual opção o chatbot vai escolher.

Entre um utter e outro, devemos deixar sempre uma linha em branco, e só precisamos da linha “responses:” uma única vez. Lembre-se de que todos os nomes das respostas devem aparecer na seção de ações do arquivo também.

Outro detalhe importante: se você quiser alterar uma resposta, uma estória ou os dados de exemplo, você precisará treinar novamente seu modelo para ver as alterações surtirem efeito. Também podemos dar uma opção para o usuário escolher através de botões:

responses:

  utter_saudacao:

    – text: “como você está hoje?”

      buttons:

      – title: “Estou feliz”

        payload: “feliz”

      – title: “Estou triste”

        payload: “triste”

Do jeito que estão definidos, irá aparecer a frase “como você está hoje?”, seguido de dois botões, um escrito “estou feliz” e o outro escrito “estou triste”. Se o usuário clicar em cima de um botão, será como se ele tivesse digitado “feliz” ou “triste”. Se quisermos tratar o texto como se tivesse sido digitado, podemos deixar dessa forma, mas também podemos “forçar” uma intenção colocando uma barra e o nome da intenção. Veremos mais sobre intenções e daremos um  exemplo disso quando formos falar de NLU.

As informações sobre a sessão o usuário 

Depois de colocarmos todas as respostas do chatbot, passaremos para as informações sobre a sessão do usuário. A configuração padrão é a seguinte:

session_config:

  session_expiration_time: 60

  carry_over_slots_to_new_session: true

A primeira opção session_expiration_time informa quantos minutos uma conversa fica ativa se o usuário parar de enviar frases. No caso, após uma hora sem mandar nenhuma frase para o chabot é entendido que o usuário foi embora. Se ele voltar a fazer perguntas, é como se fosse uma nova conversa.

A opção carry_over_slots_to_new_session determina se as informações contidas nos slots permanecem de uma sessão para outra. No exemplo padrão, os valores contidos nos slots permanecem.

NLU – Compreensão de Linguagem Natural

Vamos para os arquivos NLU, que é onde os exemplos de frases são definidas. O formato do arquivo é um pouco diferente, pois usa atualmente a sintaxe markdown. Uma intenção começa com duas hashtags, e em seguida seu tipo, e o seu nome. Todas as intenções começam então com ## intent: <nome da intenção>. Novamente, o nome da intenção não pode conter acentos, símbolos ou espaços (somente o sublinhado), e não pode começar com um número.

## intent: saudacao

– oi

– boa noite

– boa tarde

– bom dia

– oie

– oieeee

– e aí cara?

– bão

Veja que este não é um exemplo muito bom de intenção, pq todos os exemplos possuem apenas poucas palavras. Uma frase exemplo não precisa ser tão curta. O importante no momento é colocar variações para “ensinar” o chatbot o que é uma saudação. O chatbot pode analisar a gramática e sinônimos de palavras e entender que “tarde!” é um tipo de saudação, mesmo que não tenha explicitamente um exemplo desses.

Quanto mais exemplos a gente colocar, melhor será a interpretação da intenção por parte do chatbot, e é comum a gente colocar 10, 20 ou até mais exemplos. O trabalho de melhoria dos diálogos do chatbot é um trabalho contínuo e deve ser analisado conversas com usuários para ver onde é necessário colocar mais exemplos alterar o fluxo das conversas para melhorar a experiência de usuários no futuro.

Podemos colocar intenções de onde tiramos informações (as entidades!). Para isto, devemos colocar exemplos de informações nas frase exemplo. Por exemplo, se quisermos informar uma cor, podemos usar algo assim:

## intent: define_cor

– a cor é [verde](cor)

– prefiro [azul](cor)

– pode ser [vermelho](cor)

– vou escolher o [amarelo](cor)

– cor [laranja](cor)

Com estes exemplos, caso a pessoa digite “a cor é” e qualquer dos exemplos de cor, o chatbot irá extrair a entidade “cor”, e salvar num slot do mesmo nome. Posso escrever “a cor é laranja”, “cor azul”, “prefiro verde”, que o chatbot irá entender a intenção “define_cor”, e preencher o slot “cor” que o que o usuário digitou. No próximo artigo vamos falar sobre os arquivos de estórias!

Gostou deste artigo? Veja outros insights no nosso blog ou fale com um dos especialistas da Viceri.

Publicado em

Benchtech: saiba tudo sobre o evento de tecnologia que vai reunir importantes players do setor

Vivemos na era em que os avanços tecnológicos não param e, é claro, quem trabalha no setor precisa seguir esse ritmo.  O Benchtech, evento de tecnologia que será realizado no dia 12 de agosto, terá dez horas de palestras com importantes players do mercado. 

Os profissionais de diferentes empresas vão compartilhar conhecimento, insights, experiências e estratégias que englobam as principais tendências do setor. A participação é totalmente grátis! Por isso, viemos trazer todas as informações sobre esse evento online. Continue lendo para saber mais!

Evento de tecnologia para impulsionar novas estratégias 

Quem quer se destacar no mercado precisa ficar de olho na concorrência. Ao avaliar as novidades de diferentes empresas, é possível fazer um bom benchmarking e, a partir daí, traçar novas estratégias. No mercado da tecnologia, no qual as atualizações são aceleradas, isso é ainda mais necessário.

Mas como colher esse tipo de informação e começar novos planos diante do cenário atual? Participando do Benchtech, evento de tecnologia que será online e gratuito.  

No dia 12 de agosto, das 10h às 20h, você vai poder conferir palestras sobre marketing, vendas, customer success, transformação analítica, transformação digital e mais. Todos esses tópicos voltados para o mercado de tecnologia!

A organização é feita pela Layer Up, agência digital com seis anos de mercado, que acelera o crescimento de empresas utilizando estratégias de marketing e vendas, análise de dados e otimização de resultados, produção de conteúdo e campanhas com foco em performance.

Além de ganhar conhecimento e poder fazer uma análise profunda sobre as principais tendências do setor, você também vai poder interagir com os palestrantes pelo bate-papo e Q&A. Ou seja, uma ótima oportunidade para networking. 

O evento também trará enquetes que podem trazer respostas concretas sobre novidades do mercado. Para participar, é só você se inscrever aqui e salvar a data na sua agenda. 

O que você vai ver no Benchtech?

Ficou curioso(a) sobre esse importante evento de tecnologia? Trouxemos também a programação completa para você ter um gostinho do que pode aprender se escolher participar: 

09h30 às 10h – Apresentação e abertura do evento
Por Samira Cardoso, co-fundadora e CEO da Agência Digital Layer Up.

10h às 11h – Como a CustomerX gerencia o relacionamento e o sucesso do cliente
Por João Luz, gestor de Customer Success da CustomerX.

11h às 12h – A jornada de inovação e transformação digital da Viceri
Por Marcel Pratte, CEO da Viceri.

12h às 13h – Startup: do estágio inicial até o primeiro investimento
Por André Hotta, co-fundador da Origem.io

13h às 14h – Product Market Fit: o processo que permitiu a escalada da Meetime
Por Victor Oliveira, co-fundador e CTO da Meetime

14h às 15h – Cultura analítica: como a Blue organizou um time proficiente em dados?
Por Gabriel Avi, sócio-fundador e diretor comercial da Blue.

15h às 16h – Case Neoway: acertos e aprendizados de quem já passou por algumas rodadas de investimento.
Por Carlos Eduardo Monguilhott, CEO da Neoway

16h às 17h – Lições da Ramper no desenvolvimento do seu processo comercial e na formação do time de vendas
Por Ricardo Corrêa, CEO e co-fundador do Ramper.

17h às 18h – Como captar recursos sem dividir a empresa
Por André Bernert, CEO da Clint HUB, e André Wetter, co-fundador da a55

18h às 19h – Os impactos e resultados de ações de PR no mercado tech
Por Maria Cecília Bere, fundadora e CEO da agência de relações públicas Fala Criativa

19h às 20h – A história de sucesso da Resultados Digitais e a estruturação dos processos e estratégias de marketing
Por André Siqueira, co-fundador e diretor de unidade de negócio da Resultados Digitais.

20h às 21h – O futuro das startups: análises do mercado e construção de cenários para os próximos anos
Por Marcelo Molnar, sócio-diretor da Boxnet

21h – Encerramento
Por Samira Cardoso, co-fundadora e CEO da Agência Digital Layer Up.

E, caso você queira saber mais sobre o que você vai conferir em cada uma das palestras, pode clicar aqui e conferir todos os detalhes! 

Indique profissionais do setor e ganhe até R$ 9.000 em cursos e materiais para sua empresa!

Se só o fato de que o evento vai reunir tantas informações preciosas e ainda é gratuito não são suficientes para você sair por aí contando para todo mundo que ele vai acontecer, agora você vai ficar ainda mais empolgado: quem indicar profissionais da área que vierem a se inscrever no evento vai ganhar prêmios! 

Funciona assim:

5 indicações – Kit Processos: receba um kit de redes sociais, material completo para marcas iniciantes no marketing digital que inclui dicas para o desenvolvimento de identidade visual, peças online, pilares de comunicação, definição de personas e muito mais. O material está disponível para compra por R$ 97, mas será entregue de forma totalmente gratuita. 

10 ou mais indicações – Kit Metodologias: além do kit Processos, você ganha um curso de Inbound Marketing com Samira Cardoso, profissional com mais de 20 anos de mercado, co-fundadora e CEO da Layer Up, a agência vencedora do Melhor Case de 2019 pela Resultados Digitais. Juntos, os materiais podem ser comprados por R$ 594, mas para quem indicar 10 participantes, será grátis.

20 ou mais indicações – Kit Estratégias: além do kit anterior, você também ganha o curso completo do Funil de Vendas em Y, metodologia conhecida por gerar oportunidades mesclando inbound e outbound 2.0. O valor real do curso liberado gratuitamente é de  R$ 3.989,97.

50 indicações – Kit Insights: ganhe todos os prêmios anteriores e um diagnóstico personalizado e exclusivo de ações de marketing e vendas para sua empresa, produzido pelo time de planejamento da Layer Up. Todos os itens somam mais de R$ 9.000 REAIS em ativo para a sua empresa!

Aproveite e garanta sua vaga, seus brindes e seu crescimento profissional.

Publicado em

Arquiteturas de Redes Neurais Convolucionais para reconhecimento de imagens

Dando continuação ao artigo anterior, vamos entender agora como o conceito da convolução se relaciona com as redes neurais para reconhecimento de imagens. Para este tipo de classificação, é necessária uma boa performance, geralmente alcançada através da utilização de Deep Learning, ou seja, uma rede neural de múltiplas camadas, mais especificamente uma rede neural convolucional – conhecida pela sigla CNN.

Ela recebe este nome porque possui camadas de convolução que, juntamente com outros tipos de camadas, determinam uma arquitetura específica para esta finalidade, como veremos adiante. Uma rede neural profunda possui camadas de neurônios: uma camada de entrada, algumas camadas intermediárias (ou ocultas), e uma camada de saída:

Hipoteticamente, em uma rede completamente conectada, teríamos cada pixel de uma imagem 300×300 – por exemplo – ligado a cada um dos neurônios na entrada. Para isso, precisaríamos de 90 mil neurônios, resultando em uma quantidade extremamente alta de parâmetros, e uma descorrelação espacial entre os pixels da imagem, ou seja, um enorme desperdício de recurso.

Por isso, a aplicação de camadas convolucionais sobre os pixels da imagem, reduz muito a quantidade de parâmetros e facilita a descoberta de padrões. Geralmente utiliza-se filtros espaciais lineares como visto no artigo anterior.

Uma camada convolucional realiza o aprendizado de múltiplos filtros, onde cada filtro – ou kernel – extrai uma informação da imagem. Como dito anteriormente, outras camadas são utilizadas em conjunto com a convolucional. O módulo Keras para desenvolvimento de uma CNN fornece uma camada convolucional para imagens, chamada de Conv2D, e também outras camadas (ou layers) para se utilizar em combinação sequencial. São elas:

● MaxPooling2D

● Dropout

● Flatten

● Dense e

● Activation

● Na camada Conv2D: realiza-se a convolução e deve-se especificar a quantidade de filtros, e o tamanho do kernel;

● Na camada Activation: utiliza-se uma função de ativação, ao final de uma camada Conv2D e da camada Dense. A inspiração biológica é que inicialmente acreditava-se que os neurônios só conseguiam transmitir uma informação adiante pelo axônio após receberem um certo nível de estímulo (ou de saturação), e nessa situação estariam ativados. Esta função tentava representar esse cenário. Na prática, a função de ativação insere um comportamento necessário de não-linearidade, após a função linear dos pesos com as entradas, do corpo da célula:

 

As principais funções de ativação 

‒ Sigmóide: muito utilizada para aprendizado de funções lógicas, pois espreme os valores entre 0 e 1. Não é centrada em torno de zero, o uso de exponencial é relativamente custoso, e não é boa para reconhecimento de imagens;

‒ Tangente Hiperbólica: utilizada em redes LSTM (um tipo de rede neural recorrente), esta função espreme os valores entre -1 e 1, mas não é boa para funções binárias (pelo intervalo negativo);

‒  ReLU (Unidade Linear Retificada): muito utilizada para imagens, não satura na região positiva, converge bem mais rápido do que a sigmóide ou tangente hiperbólica sobre imagens, não é centrada em zero, porém é ruim para funções lógicas, e não é utilizada em redes recorrentes;

‒  Leaky ReLU: esta função nunca satura, é semelhante a ReLU porém faz tratamento para entradas negativas;

‒  ELU (Unidade Linear Exponencial): apresenta todos os benefícios da ReLU, produz saídas com médias próximas de zero, porém necessita de exponencial para seu cálculo;

‒ Softmax: esta função produz uma distribuição das probabilidades para cada classe de imagem durante uma classificação, diferente da sigmóide capaz de lidar com apenas duas classes. É utilizada na camada de saída da CNN.

● Na camada de Pooling ou Agrupamento: geralmente usa-se a função de valor máximo para processamento de imagens. No Keras é a função MaxPooling2D que age reduzindo ou agrupando pixels de uma determinada região, com a finalidade de diminuir a variância a pequenas alterações e também de reduzir a quantidade de parâmetros. O pooling também pode ser feito por função de soma ou de média.

● Na camada Dropout: realiza-se um regularização, onde alguns neurônios são desligados aleatoriamente, juntamente com suas conexões, durante o treinamento apenas. Durante a predição todos os neurônios são mantidos ativos. O motivo de se fazer isso é evitar overfitting no treinamento. Deve-se informar a porcentagem de desligamento.

● Na camada Flatten: a matriz resultante das camadas anteriores de convoluções e poolings é redimensionada para se tornar um array linear, de uma única dimensão. Esta etapa é um preparo para se entrar na camada principal da rede neural totalmente conectada.

● Na camada Dense: é implementada a rede neural totalmente conectada, ou fully connected (conhecido pela sigla FC em inglês), e deve-se informar a dimensão da saída e a função de ativação a ser utilizada. No contexto de reconhecimento de imagens é comum se projetar esta camada densa com a função de ativação ReLU e, por fim, outra camada densa com a dimensão igual a quantidade de classes a serem classificadas com a função de ativação softmax (para múltiplas classes).

Fonte da imagem: site https://medium.com

Arquiteturas de CNNs ou ConvNETs

Sobre arquiteturas de CNNs ou ConvNETs, inicialmente podemos citar três projetos que contribuíram para as arquiteturas atuais: 

LeNET: foi proposta em 1998 e já continha camadas de convolução com filtros 5×5 e passo 1, e agrupamentos com filtros 2×2 com passo 2, intercaladas, seguidas de camadas FC. A sequência de camadas eram: CONV-POOL-CONV-POOL-FC-FC.

AlexNET: proposta em 2012, bem mais complexa que a LeNET. Essa arquitetura continha cinco camadas de convolução, batch de tamanho 128, e primeiro uso da função de ativação ReLU.

VGG: em 2014 surge a arquitetura VGG com a ideia de filtros menores (3×3) em redes mais profundas com mínimo de 12 convoluções e maxpooling com filtros 2×2. Filtros menores geram menos parâmetros. Porém as camadas FC geravam uma quantidade muito grande de parâmetros e, as convoluções iniciais utilizavam muita memória RAM, tornando essa rede muito pesada.

Sobre as redes mais recentes, podemos citar dois projetos: a GoogleNET e ResNET.

GoogleNET: também em 2014 surgiu a ideia de se utilizar filtros de forma paralela, mais especificamente, fazer uso de uma nova camada chamada Inception, que se tornou elemento básico desta rede, onde tinha-se em sequência, nove módulos do tipo Inception. Este módulo possui convoluções 3×3 e 5×5 precedidas de convoluções 1×1 a fim de se reduzir o custo computacional.

ResNET: ou rede residual, proposta em 2015, de forma simplificada, a ideia é de se realizar um curto-circuito a cada duas convoluções, acrescentando um resultado anterior ao resultado futuro. Assim, diferentemente de uma rede tradicional, quanto mais camadas, menor o erro. Porém para os atuais projetos ResNET de 50, 101 e 152 camadas, ao invés de se trabalhar com 2 camadas convolucionais de 3×3, uma é retirada e são inseridas duas convoluções 1×1, diminuindo o custo computacional, como visto na GoogleNET.

Gostou deste artigo? Acompanhe outros textos aqui no nosso blog ou entre em contato com um dos nossos especialistas.

Publicado em

Entendendo de vez a convolução: base para processamento de imagens

Quem tem a formação em áreas como engenharia, estatística ou matemática, no mínimo tem uma ideia do que é uma convolução, pois essa técnica é muito utilizada para se criar filtros digitais em processamento de sinais, definição de correlação em estatística, etc.

Atualmente ouve-se muito o termo convolução na área de Inteligência Artificial, especificamente no Aprendizado de Máquina, que utiliza processamento de imagens como pré-tratamento para classificar ou extrair informações relevantes. 

Mas afinal que é convolução?

Convolução é simplesmente uma operação de somatório do produto entre duas funções, ao longo da região em que elas se sobrepõem, em razão do deslocamento existente entre elas. Na teoria, o cálculo da convolução contínua é dada pela integral deste produto, desde que as funções sejam integráveis no intervalo:

Na computação, utiliza-se o cálculo discreto, que realiza um somatório do produto:

 

 

Quando se trata de utilizar a convolução em processamento de imagens para Inteligência Artificial, são necessários dois somatórios pois temos duas dimensões – altura e largura:

Neste caso a convolução tem o papel de fazer uma filtragem para extração de informações de interesse na imagem. Mais especificamente, o uso de filtros espaciais lineares é feito através de matrizes denominadas máscaras ou kernels – como são mais conhecidos na prática.

Dependendo da dimensão e dos valores presentes nessa matriz ou kernel, é possível se obter características diferentes nas imagens como: suavização, deslocamento, contraste, bordas, texturas, remoção de ruídos, dentre outras.

Durante a aplicação da convolução em uma imagem, o kernel vai se deslocando ao longo da imagem, como uma janela móvel, que vai multiplicando e somando os valores sobrepostos, segundo um número de passos determinados, conhecidos por stride.

Para facilitar o entendimento, vamos considerar uma imagem de 32x32x3, onde a altura e a largura têm 32 pixels, com 3 canais de cores – que é a profundidade da matriz. Suponha um kernel de 5x5x3, onde a altura e a largura têm 5 pixels, com obrigatoriamente a mesma profundidade da imagem – que é 3. Deslizando-se o kernel sobre toda a área da imagem, considerando um stride igual a um, teremos uma matriz convoluída de tamanho 28x28x1, pois a cada passo, é calculado o somatório do produto de todos os valores sobrepostos resultando em um único valor:

Para uma imagem NxN, um kernel FxF, e com passo S, o resultado da convolução será uma matriz GxG tal que:

Com este exemplo, fica fácil perceber que a matriz convoluída será menor que a imagem original, e mesmo ajustando-se o stride igual a um, não será possível cobrir os pixels da borda da imagem original. Para resolver este problema, é usual a inclusão de mais pixels nas bordas da imagem original, com a quantidade P tal que:

Esse preenchimento é chamado de padding, e pode-se preencher com zeros, para se minimizar o efeito de redução rápida de dimensionalidade espacial da imagem convoluída. Agora, considerando a mesma nomenclatura do exemplo anterior, pode-se calcular o tamanho GxG da matriz convoluída incluindo o padding, tal que:

 

No contexto de redes neurais convolucionais (as CNNs), utiliza-se uma coleção de kernels ou agrupamento de filtros. Essa coleção é conhecida como camada convolucional. No exemplo visto anteriormente, onde a convolução resultou em uma matriz 28x28x1, aplicando-se seis kernels 5x5x1, a saída será uma matriz 28x28x6, ou seis mapas de ativação – como também é conhecido na prática.

Vejamos outro exemplo, agora utilizando padding: de acordo com a fórmula explicada anteriormente, para filtros 5×5, utilizaremos um padding de valor 2, preenchendo uma imagem de 32x32x3 com 2 camadas de zeros acima, abaixo e nas laterais. Aplicando-se uma primeira convolução com seis filtros 5x5x3, obtém-se uma imagem de 32x32x6. Após uma segunda convolução com dez filtros 5x5x6, obtém-se uma imagem de 32x32x10, e assim por diante. Com esse exemplo verifica-se que as dimensões altura e largura da imagem de entrada não se alteram.

Este texto é a base para o próximo artigo, onde veremos mais detalhes sobre as camadas de uma rede neural convolucional. Gostou? Então visite nosso Instagram e fique por dentro de mais conteúdos ou fale com um especialista da Viceri. 

Publicado em

Aplicações Serverless: quais as vantagens de usar esta arquitetura?

Neste texto vamos falar sobre aplicações serverless, o que são e quais as vantagens de usar esta arquitetura. O principal ponto de uma Arquitetura Serverless, é propiciar que empresas de software criem e mantenham aplicativos web sem se preocupar com a infraestrutura em que eles estão funcionando. Mas antes de entrar neste tema, vamos recapitular algumas coisas que já falamos aqui no blog e falar sobre as arquiteturas existentes.  

Arquitetura Monolítica

Arquitetura Monolítica é quando uma única aplicação de software em camadas contém a interface do usuário, as regras de negócio e código de acesso a dados. Tudo isso são combinados em apenas um único programa e uma única plataforma. Então, uma aplicação monolítica é autônoma e independente de outras aplicações.

É uma arquitetura simples de desenvolver, simples de testar e de implementar, porém, tem também suas desvantagens. É difícil de escalar: quando você precisar escalar essa aplicação ou fazer com que ela tenha maior disponibilidade, precisa escalar a aplicação inteira. Isso se torna inviável, o custo fica muito alto, e conforme essa aplicação cresce, complica a manipulação. Depois disso vieram os microsserviços, para solucionar esses problemas.

Arquitetura de microsserviços

A Arquitetura de Microsserviços é uma arquitetura de software diferente do monolito, no qual sistemas grandes e complexos são transformados em componentes individuais. Eles são quebrados e cada um fica espalhado com sua responsabilidade. As vantagens dos microsserviços são a sua escalabilidade distribuída, ou seja, não é preciso crescer a aplicação inteira para solucionar um problema, podemos escalar apenas recursos específicos. Deploys mais rápidos e não ficamos presos a uma linguagem de programação.

Ou seja, se quisermos fazer um componente em java, um outro componente em C# (C Sharp), podemos porque eles são diversas soluções com pequenas responsabilidades. As desvantagens dos microsserviços são: a complexidade de se manter, e se os serviços não forem bem definidos, viram uma bagunça.

◼️ Leia também: Como transformar seu monolito em microsserviço 

Iniciamos falando dessas arquiteturas porque elas enfrentam um problema ainda com o gerenciamento e controle de servidores, ou seja, você precisa de um servidor em funcionamento para que a aplicação continue em funcionamento, independente se está em uso ou não. Os microsserviços já solucionam muitos problemas em relação a escalabilidade, porém, ele ainda não solucionou o problema da ociosidade, ou seja, se o microsserviço está ativo, ele está ocupando recursos gerando custos mesmo em ociosidade.

Arquitetura Serverless

Então, aí entra a Arquitetura Serverless. Embora o seu nome signifique “sem servidor”, na tradução literal, não é bem assim que funciona. A aplicação continua funcionando em um servidor, porém o gerenciamento do servidor ficará por conta de um provedor de nuvem. Um desenvolvedor não precisará se preocupar com configurações relacionadas a infraestrutura em que sua aplicação irá funcionar. Essas decisões ficarão por conta da nuvem.

BaaS (Backend as a Service)

Existem algumas formas de construir aplicações serverless. Vamos tratar sobre BaaS (Backend as a Service). Backend as a Service é uma plataforma que automatiza o desenvolvimento de backend e gerencia a infraestrutura na nuvem. Com o BaaS você precisará apenas focar em desenvolvimento no core do seu sistema. O Backend as a service possui um conjunto de recursos para agilizar o desenvolvimento como APIs, integração com mídia social, armazenamento de arquivos e notificações push. 

E quais são as razões para utilizar o Backend as a Service? O objetivo do BaaS é de reduzir o tempo total de desenvolvimento da aplicação, dando velocidade ao desenvolvimento de um sistema e reduzindo custos. Você foca apenas no core do sistema se preocupando apenas com a necessidade real do seu cliente. E por ser serverless, não tem gerenciamento sobre infraestrutura, isso fica por conta do Backend as a Service.

FaaS (Function as a Service)

Além do BaaS existe também o FaaS, ou Function as a Service. É um modelo de execuções de funções orientados a eventos executado em containers stateless, ou seja, não armazena dados, apenas os processam. Simplificando um pouco, FaaS é uma maneira de executar funções de negócio acionadas por um determinado evento.

Quais as vantagens de usar FaaS? Um dos principais motivos para utilizar FaaS, é seu modelo de cobranças, as cobranças são feitas em relação ao tempo de processamento dessas funções, ou seja, caso elas estejam ociosas, não será cobrado valor algum, diferentemente das arquiteturas monolítica e de microsserviços que precisam de servidores e clusters ativos para mantê-los ativos mesmo sem uso.

Agora que sabemos de serverless, abaixo vou citar algumas ferramentas que possibilitam a construção de uma arquitetura onde não precisaremos nos preocupar com infraestrutura.

AWS Lambda

O AWS Lambda é a ferramenta de FaaS da AWS no qual permite executar código backend sem precisar provisionar ou gerenciar servidores cobrando apenas pelo tempo de processamento das funções.

Google Firebase

O Google Firebase é a ferramenta de BaaS da Google. Com ele é possível agilizar o desenvolvimento de sistemas web ou mobile. No Firebase temos a possibilidade de facilitar o envio de notificações push, ter uma análise do comportamento dos usuários do seu aplicativo utilizando o Firebase Analytics e com o Firebase Authentication é possível fazer o controle de autenticações do seu sistema de uma forma segura e dinâmica. Essas são algumas das ferramentas que o Firebase possui para agilizar o desenvolvimento backend do seu sistema e, claro, tudo isso sem gerenciar infraestrutura.

S3

O S3 é uma ferramenta da AWS para armazenamento de objetos. Tem uma interface simples e você consegue armazenar e recuperar qualquer quantidade de arquivos. Sua precificação fica por conta da quantidade de arquivos armazenados nessa plataforma, ou seja, será pago apenas pelos arquivos armazenados.

DynamoDB

O DynamoDB é um serviço de banco de dados nosql, que possui uma capacidade escrita e leitura muito rápida e segura, e é totalmente gerenciado com segurança e backups. Sua precificação pode ser controlada de duas maneiras, em uma delas, é cobrado por leituras e gravações que a aplicação faz nas tabelas, não será necessário especificar uma taxa de transferência para essas execuções, pois o Dynamo irá se ajustar de acordo com a demanda. E no outro modo é possível especificar a taxa de transferência da sua aplicação e seu custo pode ser controlado.

Amazon API Gateway

O API Gateway é um serviço que permite desenvolvedores criar APIs REST (Representational State Transfer) totalmente escalável e distribuído sem ter que cuidar de infraestrutura. Sua precificação fica por conta do número de chamadas que suas APIs recebem e quantidade de dados que são transferidas.

Para concluir, vimos que com a arquitetura serverless é possível ter as vantagens da escalabilidade e a computação distribuída, sem necessidade de provisionamento e gerenciamento de infraestrutura, e o custo da sua aplicação será proporcional a sua utilização.

Gostou deste conteúdo? Confira outros conteúdos no nosso Instagram ou fale com um de nossos especialistas. 

Publicado em

Integrando chatbot Rasa com outras aplicações

Já falamos aqui anteriormente sobre o Rasa. No artigo anterior fizemos um resumo geral e agora vamos aprofundar, focando especificamente na integração com outros sistemas, ou seja, como fazer o chatbot entender uma conversa e buscar informações em uma base de dados. Neste texto, vamos lembrar alguns termos que foram apresentados e que precisamos que estejam claros.  

Intenção (Intent): é o que o chatbot acha que você está querendo dizer. A partir de uma lista de exemplos que são treinados no chatbot é criado um modelo. Com esse modelo o Rasa vai tentar prever ou predizer o que o usuário está querendo falar.

Ação Personalizada (Custom Action): é possível escrever rotinas para fazer uma consulta num banco de dados, cálculos, relatórios, logs, enfim, qualquer coisa que possa ser feita num programa, e ainda acessar informações sobre a conversa, como interações anteriores com o chatbot. As ações personalizadas são escritas em Python.

Entidade (Entity): é uma parte variável da frase que pode ser considerada uma informação distinta. Isso parece confuso, então vamos dar um exemplo: Se tivermos uma intenção tipo “quais os hospitais em tal cidade?”, o “tal cidade” é uma entidade. Mesmo se a cidade fosse diferente de uma pergunta para outra, isolamos essa informação e fazemos uma busca para os hospitais da cidade especificada. 

Do mesmo jeito, uma frase do tipo “quais as minhas reuniões para tal dia?”, esse “tal dia” seria uma entidade. Uma entidade pode ter vários formatos. No caso do “tal dia” pode ser “quais as minhas reuniões para a próxima quarta”, “quais as minhas reuniões para o dia 10 de setembro”, ou ainda “quais as minhas reuniões para amanhã”. Em todos esses casos a entidade “data” é extraída da frase, e passada para uma ação personalizada para recuperar as informações daquele dia.

Slot: Não tem uma palavra específica no português, mas seria “ranhura” ou “fresta”. Imagine uma caixinha de correspondência que tem uma fresta por onde você pode passar uma folha de papel com um texto escrito. No Rasa, slots são usados para guardar informações no decorrer da conversa, que podem ser consultadas depois. Essas informações são guardadas nestas caixinha ou slots. Na programação tradicional o equivalente seriam as variáveis. Uma variável tem um nome e um valor, e um slot, do mesmo jeito, tem um nome e um conteúdo. Um slot pode ser de dois tipos básicos: um valor que não interfere no fluxo da conversa (que pode guardar qualquer tipo de informação); ou um valor que pode alterar o fluxo da conversa.

Como assim “interfere no fluxo da conversa”?

Se temos um slot com o sexo do usuário, quando ele (ou ela) escrever “como vai?”, podemos desviar uma conversa de acordo com o conteúdo desse slot, mostrando respostas diferentes para cada caso. Se for um homem mostramos “Eu vou bem, e o senhor, como está?” e se for uma mulher respondemos “Eu vou bem, e a senhora, como está?”. Dentro do tipo que interfere no fluxo da conversa, temos tipos específicos de slot: podemos ter slots numéricos, de texto, lógicos (tipo verdadeiro ou falso) ou categóricos (onde temos uma opção dentro de uma lista de possibilidades). Um exemplo de slot categórico seria sexo: masculino, feminino ou não informado.

Mas um detalhe, mesmo sendo do tipo que interfere no fluxo da conversa, somente conseguimos analisar o conteúdo do slot quando se trata de um slot categórico. Para os outros tipos só sabemos se tem algo no slot, ou se está vazio.

Podemos alterar o conteúdo de um slot de várias formas: preencher automaticamente com a informação extraída de uma entidade com o mesmo nome, mandar diretamente um valor para um slot através de uma API, ou alterar dentro de uma ação personalizada.

Observe que podemos usar a mesma entidade para preencher vários slots! Vamos supor que seja para calcular a área de um retângulo, onde área é igual a altura vezes a largura. Uma entidade “comprimento” pode ser ora a altura, ora a largura. E qual valor dependerá da conversa em si.

Resposta (ou Response): É uma frase que o chatbot irá responder para o usuário. Pode ser só um texto ou pode conter slots no meio da frase. Por exemplo, se temos uma frase de bom dia, e um slot contendo o nome do usuário, podemos colocar essa informação no meio da frase e falar “Bom dia, João” ou “Bom dia, Paulo”. Podemos cadastrar várias frases diferentes, e neste caso, o chatbot irá escolher aleatoriamente uma das respostas, e com isso tornamos as conversas mais humanas e menos fixas.

Respostas também podem conter botões. Definimos os botões, o que deve aparecer no botão, e se o usuário clicar em um desses botões será enviada a frase programada no botão para o chatbot.

Formulário (Form em Inglês): definimos um ou mais slots obrigatórios, e então o formulário age como se fosse uma “trava” na conversa, permitindo apenas que o usuário siga adiante caso todos esses slots estejam preenchidos. Podem ser preenchidos com qualquer texto que o usuário digitar, ou a partir de entidades extraídas de diálogos que o usuário escrever. Formulários são programados em Python, assim como ações personalizadas. Devemos ter frases resposta específicas para solicitar cada um dos slots que ainda não foram preenchidos.

Vamos ver um exemplo disso: se temos uma conversa que vai mostrar quais são os hospitais da minha cidade, eu não posso prosseguir na conversa até que o slot contendo o nome da cidade esteja preenchido. Neste caso, o formulário vai olhar o slot, e se não estiver preenchido, vai disparar a frase “Em que cidade?” e esperar a pessoa digitar o nome da cidade.

Podemos validar o nome da cidade dentro do formulário, e caso não seja um nome válido, pedimos novamente. Somente depois que o usuário digitar uma cidade válida é que seguimos e fazemos a consulta num banco de dados para mostrar quais os hospitais cadastrados para aquela cidade.

Estória (ou Story): é a cola que junta todos esses pedaços. É uma sequência de intenções, respostas, formulários ou ações do chatbot que vai dar forma à conversa. A forma mais simples de uma estória é uma intenção e uma resposta, que vai criar o seguinte comportamento: se o usuário digitar determinada coisa, responde com tal coisa. 

Estórias mais complexas usam ações personalizadas e formulários para enriquecer a experiência do usuário. Todas essas informações ficam distribuídas em vários arquivos. Temos o arquivo de configuração, config.yml, onde ficam os parâmetros de treinamento, e qual a sequência de módulos que serão usados para interpretar o texto e treinar o modelo.

Temos o domain.yml contendo uma lista de todas as ações (ações personalizadas e respostas do chatbot), intenções, entidades e slots, além de todos os textos de respostas que o chatbot deve mostrar. Dentro de uma pasta chamada data colocamos as estórias e as frases de exemplo para o treinamento do chatbot, sendo que temos a opção de organizar melhor os arquivos, colocando em duas subpastas: data/core (para as estórias) e data/nlu (para as frases de exemplo).

Na Viceri desenvolvemos uma ferramenta para administrar o chatbot com mais facilidade, permitindo que através de uma aplicação web, você consiga gerenciar todas essas informações.

Depois de conhecer estes termos, nos próximos artigos vamos entrar mais nos detalhes da programação e dar exemplos mais detalhados de como se encaixa tudo isso.

Ficou interessado em saber mais sobre o assunto? O time da Viceri tem especialistas que podem ajudar você a encontrar as respostas que precisa. Entre em contato com a gente!

Publicado em

Formatos de dados necessários para treinar seu chatbot

Antes de começar a ler este artigo, é importante que você esteja familiarizado com alguns termos e explicações que demos em outros textos anteriormente. Por isso, leia também Integrando chatbot Rasa com outras aplicações e RASA: Conheça o software em python utilizado para criação de chatbots.

Neste artigo vamos começar a examinar os formatos de dados necessários para você treinar seu chatbot. Basicamente, o treino vai pegar informações de NLU (que é a compreensão de linguagem natural – Natural Language Understanding), dados de estórias (fluxos de conversa), e o arquivo de domínio (respostas do chatbot e organização das conversas) e vai aplicar o processo definido no arquivo de configuração. Então temos:

NLU + Estórias + Domínio -> Config -> Modelo

O RASA espera que os arquivos estejam organizados da seguinte forma: Domain.yml e config.yml na pasta “raiz”. NLU e estórias (com extensão .md) na subpasta “data”. Você também pode criar duas subpastas dentro de “data” (chamados “core” e “nlu”) e colocar os arquivos dentro das respectivas subpastas. Caso não for fazer isso, o arquivo com NLU deve se chamar nlu.md e o arquivo de estórias, story.md.

Se você separar nas subpastas “data/nlu” e “data/core”, pode dividir os exemplos e estórias por assunto e separar em vários arquivos, com qualquer nome desde que estejam nas pastas corretas.

Os arquivos Domain e Config são no formato yml e os arquivo de exemplo (nlu) e estórias (core) são no formato md (de markdown). Numa versão próxima do RASA provavelmente todos os arquivos serão no formato yml, mas aqui vamos ver o formato atual, md.

Para você começar com um conjunto de arquivos base, pode executar o comando “rasa init”, mas cuidado: isto vai limpar dados que já existirem na pasta onde você executar o comando.

O arquivo domain.yml

O arquivo domain é dividido em várias “seções”: Declaração de intenções; Declaração de ações; Declaração de entidades; Declaração de slots; Respostas do chatbot; Dados sobre seção do usuário.

Veja os exemplos de cada seção

Cada seção começa com uma linha com o nome da seção seguido de dois pontos. Vamos ver um exemplo da seção de intenções:

intents:
– saudação
– despedida
– feliz
– triste

Observe que cada nome de intenção começa com um – e um espaço. Isto tem de ser obrigatoriamente dessa forma. Todas as intenções que for usar nas conversas devem estar relacionadas aqui. Logo mais vamos ver melhor como define uma intenção, mas por enquanto basta saber que uma intenção é composta de um nome e vários exemplos. Aqui colocamos o NOME. Deve estar escrita exatamente da mesma forma que no arquivo NLU.

Para nomes de ações, intenções, slots e entidades, recomenda-se usar apenas as 26 letras do alfabeto (sem acentos) e números de 0 a 9 e o underscore (símbolo do sublinhado), sempre começando com uma letra. Use nomes que têm a ver com o assunto, como procura_hospital, escolher_filmes e assim por diante. Não há limite para o comprimento do nome, mas nomes compridos demais podem dificultar na hora de digitar o nome.

Depois de listar todas as intenções, vamos colocar as ações, que podem ser ações personalizadas ou então respostas do chatbot.

Um exemplo da seção de ações está abaixo:

actions:
– utter_saudacao
– utter_despedida
– utter_alegrar
– action_busca_hospital

Temos o nome da seção “action”, seguido de dois pontos, e cada uma das ações na sua linha, começando com hífen seguido de espaço. Repare como separamos as palavras com sublinhado (_). Os nomes não podem conter espaços, então use o sublinhado (_) para separar as palavras. Não junte tudo (comoAlgumaLinguagensDeProgramacaoFazem), e dê nomes que tem a ver com o que a ação faz.

Por padrão, uma resposta do chatbot começa com “utter” que quer dizer “falar” ou “expressar”. Pronuncia-se “a-ter”. A pronúncia correta é essencial. Se você for falar “u-ter” com qualquer estrangeiro, ele não vai entender do que está falando e provavelmente achar engraçado. Existem alguns nomes “padrões” para utter que veremos quando formos falar a respeito de formulários.

Assim como uma resposta do chatbot começa com “utter”, uma ação personalizada por padrão começa com “action”.

Depois de listar todas as ações do seu projeto, vamos definir as entidades e os slots.

Veja um exemplo de seção de entidades:

entities:
– grupo
– cor
– cidade

Entidades são informações que serão extraídas de frase. Um exemplo seria extrair a cor da frase “Estou procurando uma caixa verde”.

Na parte onde formos falar de NLU (exemplos para o chatbot) falaremos mais sobre entidades. Por enquanto, basta saber que você atribui um nome a uma entidade. Se não tiver nenhuma entidade a ser extraída de frases, não é necessário ter uma seção de entidades no domain.

Depois de declarar entidades, deve declarar os slots. Caso queira que o slot seja preenchido automaticamente por uma entidade, basta defini-lo com o mesmo nome.

Um exemplo de seção de slots:

slots:
nome:
type: unfeaturized
perfil:
type: categorical
values:
– anonimo
– basico
– vip
descricao:
type: unfeaturized

Na hora de declarar os slots, você precisa informar o tipo, que pode ser:

Text: irá guardar uma informação texto;
Boolean: irá guardar uma informação verdadeiro/falso;
Categorical: irá guardar a seleção entre uma lista de possibilidades (sexo masculino, feminino ou não informado);
Float: irá guardar uma informação numérica;
List: irá guardar uma lista de valores;
Unfeaturized: este é o ÚNICO tipo que não influencia no fluxo da conversa.

Para todos os tipos exceto unfeaturized, boolean e categorical, só é possível saber que há um valor no slot, mas não comparar com outros valores. O unfeaturized, por definição, não influencia no andamento da conversa. É possível verificar o valor de um slot categórico ou boolean e influenciar no andamento da conversa.

No domain também declaramos formulários da mesma forma:

forms:
– registro_form

A Viceri desenvolveu uma ferramenta que você pode usar para criar estes arquivos automaticamente, sem se preocupar com a formatação das informações. Basta preencher os exemplos com as frases que o chatbot irá falar, montar as conversas de uma forma interativa, e a partir de um painel administrativo solicitar para treinar um modelo.

Nos próximos artigos continuaremos vendo como declarar respostas ao usuário no arquivo domain.yml, e como são formatados os arquivos de exemplos (NLU) e estórias. Gostou?

Confira nossos próximos posts ou fale agora com o time da Viceri. Estamos sempre prontos para auxiliar você sempre que precisar.