1 of 31

Aplicações Práticas de PLN

2 of 31

Objetivos da aula

2

  • Explorar aplicações de PLN
  • Desenvolver a habilidade de identificar tarefas de PLN em exemplos reais
  • Estimular o pensamento crítico sobre como a IA “interpreta” textos
  • Realizar atividades práticas simulando o funcionamento do PLN

3 of 31

Introdução

3

Você lembra o que é Processamento de Linguagem Natural (PLN)?

4 of 31

Introdução

4

  • Processamento de Linguagem Natural (PLN) é a área da Inteligência Artificial que lida com a interação entre computadores e linguagem humana.
  • PLN é ensinar computadores a lidar com a linguagem que usamos no dia a dia, como português, memes, gírias e emojis.

5 of 31

Introdução

  • Exemplos cotidianos de aplicação de PLN:
    • Quando o Google completa o que você está escrevendo
    • Quando uma música aparece no YouTube com base no seu gosto
    • Quando o celular entende um comando de voz.
    • Quando o ChatGPT entende o texto escrito.

​

5

6 of 31

Tradução automática

7 of 31

Tradução automática

7

  • O que é?
    • Tradução de texto de um idioma para outro usando algoritmos de PLN.
  • Exemplo: Google tradutor e DeepL.

​

8 of 31

Tradução automática

8

  • Como funciona:
    • O sistema aprende a partir de grandes conjuntos de dados bilíngues.
    • Utiliza modelos de PLN para gerar traduções precisas.
  • Benefícios: Facilita a comunicação entre pessoas de diferentes idiomas.

9 of 31

Análise de sentimentos

10 of 31

Análise de Sentimentos

10

  • O que é?
    • Identificação e extração de sentimentos (positivo e negativo) de um texto.
  • Exemplo: Analisar comentários de clientes sobre um produto para avaliar a satisfação.

11 of 31

Análise de Sentimentos

  • Como funciona:
    • O modelo é treinado para reconhecer palavras e frases que expressam sentimentos.
    • Classifica o texto de acordo com os sentimentos detectados.
  • Benefícios: Ajuda empresas a entender o feedback dos clientes e melhorar produtos/serviços.

11

12 of 31

Análise de Sentimento

  • Exemplo real:

12

13 of 31

Resumo de textos

14 of 31

Resumo de Textos

14

  • O que é?
    • Criação de uma versão condensada de um texto mantendo suas informações principais.
  • Exemplo: Resumir artigos de notícias ou relatórios longos.

​

15 of 31

Resumo de Textos

15

  • Como funciona:
    • O modelo identifica as partes mais importantes do texto original.
    • Gera um resumo que preserva o conteúdo essencial.
  • Benefícios: Facilita a leitura e compreensão de grandes volumes de informações.

16 of 31

Classificação de textos

17 of 31

Classificação de Texto

17

  • O que é?
    • Atribuição de categorias a um texto com base em seu conteúdo.
  • Exemplo: Classificar e-mails como "importante" ou "não importante", ou categorizar notícias por tópicos.

​

18 of 31

Classificação de Texto

18

  • Como funciona:
    • O modelo aprende a partir de exemplos rotulados para identificar categorias.
    • Classifica novos textos de acordo com o que aprendeu.
  • Benefícios: Automatiza a organização e análise de grandes volumes de textos.

19 of 31

Classificação de Texto

19

Classificador

Caixa de Entrada

Caixa de Spam

  • Exemplo: classificação de e-mails.
  • A ferramenta pode direcionar os e-mails para a caixa de entrada ou para Spam a partir do conteúdo da mensagem

​

20 of 31

Fixando o conteúdo…

21 of 31

Atividade

21

Discuta com a turma: Quais problemas éticos podem ocorrer em classificação de textos?

22 of 31

Perguntas e respostas

23 of 31

Resposta a Perguntas

23

  • O que é?
    • Sistema que responde a perguntas feitas em linguagem natural.
  • Exemplo:
    • Assistentes virtuais como Siri, Alexa, e chatbots de atendimento ao cliente.
    • Auxílio para ler PDFs.

​

24 of 31

Resposta a Perguntas

24

  • Como funciona:
    • O sistema interpreta a pergunta e busca a resposta em um banco de dados.
    • Utiliza modelos de PLN para gerar uma resposta adequada.
  • Benefícios: Oferece suporte rápido e preciso para usuários e clientes.

25 of 31

Atividade

25

  1. Reúnam-se em grupo e discutam sobre sobre os seguintes temas:
    1. Questões éticas envolvendo PLN.
    2. Privacidade de e-mails
    3. Direitos autorais sobre textos produzidos por IA

26 of 31

Conclusão

26

  • As aplicações práticas de PLN têm um impacto significativo em diversos setores.
  • A tecnologia continua a evoluir, tornando os sistemas mais precisos e úteis.
  • Compreender essas aplicações ajuda a reconhecer o potencial do PLN para resolver problemas reais.

27 of 31

Referências

28 of 31

Referências

  • Jurafsky, D. & Martin, J. (2008) Speech and language processing. Prentice Hall. https://web.stanford.edu/~jurafsky/slp3/
  • Manning, C. D., Raghavan, P., & Schütze, H. (2008). Introduction to Information Retrieval. Cambridge University Press.
  • Steven Bird, Ewan Klein and Edward Loper. Natural Language Processing with Python. O’Reilly. 2009 https://www.nltk.org/book/

28

29 of 31

Produção do Material

  • Universidade Federal da Bahia (UFBA)�
  • Universidade do Estado da Bahia (UNEB)�
  • SENAI/CIMATEC�
  • Universidade Estadual de Feira de Santana (UEFS)�
  • Universidade Estadual do Sudoeste da Bahia (UESB)�
  • Universidade Estadual de Santa Cruz (UESC)�
  • Instituto Federal Baiano (IFBaiano)

29

30 of 31

Apoio

31 of 31

Apoio

31