Reconhecimento de intenção

O que é o reconhecimento de intenções?

O reconhecimento de intenções é o processo de identificar o que um utilizador pretende fazer a partir do que escreve ou diz em linguagem natural. Quando um cliente escreve "Preciso de alterar a minha morada de envio" ou diz "cancelar a minha subscrição", o reconhecimento de intenções é o sistema que classifica essas mensagens em categorias estruturadas, como update_address ou cancel_subscription. É a camada fundamental que permite aos agentes de IA passar da compreensão das palavras à ação.

Em termos técnicos, o reconhecimento de intenções (também designado deteção ou classificação de intenções) associa texto ou fala não estruturados a um conjunto predefinido de etiquetas de intenção. Situa-se na interseção entre o processamento de linguagem natural (PLN) e a classificação por machine learning, e é o primeiro passo de qualquer sistema que precise de encaminhar, responder ou resolver um pedido de um cliente.

Como funciona o reconhecimento de intenções

Os sistemas modernos de reconhecimento de intenções funcionam em várias fases. Primeiro, a entrada em bruto é pré-processada: tokenização, normalização e remoção de ruído. Em seguida, o sistema gera uma representação numérica do texto com modelos de embeddings ou codificadores baseados em transformers, como o BERT ou os sentence-transformers. Estes embeddings captam o significado semântico da entrada, e não apenas as palavras-chave.

Os embeddings são depois enviados para uma camada de classificação que associa a entrada a uma ou mais categorias de intenção. As abordagens tradicionais recorriam a aprendizagem supervisionada com dados de treino etiquetados. Os sistemas mais avançados da atualidade usam pipelines híbridos que encaminham as entradas, em função do índice de confiança, entre modelos codificadores rápidos (para consultas claras e de elevada confiança) e modelos de linguagem de grande dimensão (LLM) para pedidos ambíguos ou complexos. Segundo investigação publicada na EMNLP 2024, este encaminhamento híbrido baseado na incerteza equilibra latência e precisão, um compromisso crítico em ambientes de apoio ao cliente em produção.

Investigação da ACL Anthology (2024) mostra que métodos em 2 passos que tiram partido das representações internas dos LLM melhoraram significativamente a deteção de pedidos fora de âmbito, permitindo aos sistemas de IA reconhecer quando um pedido do cliente não se enquadra nas categorias conhecidas, em vez de forçar uma correspondência errada.

Componentes-chave do reconhecimento de intenções

Dados de treino e taxonomia de intenções: Uma taxonomia de intenções bem concebida é a espinha dorsal de qualquer sistema de reconhecimento. Cada intenção precisa de exemplos representativos que cubram as várias formas como os clientes exprimem o mesmo objetivo. Dados escassos ou mal etiquetados são a principal causa de classificações erradas em produção.

Modelos de embeddings: Os codificadores baseados em transformers convertem texto em representações vetoriais densas. Modelos ajustados como o SetFit usam aprendizagem contrastiva para produzir embeddings de elevada qualidade a partir de apenas 8 exemplos etiquetados por intenção.

Camada de classificação: Pode ser um simples classificador softmax, uma pesquisa por vizinho mais próximo no espaço de embeddings ou um classificador generativo baseado em LLM, com aprendizagem em contexto e prompts de cadeia de raciocínio (chain-of-thought).

Deteção de pedidos fora de âmbito (OOS): Identificar quando uma consulta não corresponde a nenhuma intenção conhecida é tão importante como classificar as intenções conhecidas. Sem uma deteção OOS fiável, os sistemas inventam etiquetas de intenção e encaminham os clientes pelo caminho errado.

Sinais multimodais: A investigação emergente sobre reconhecimento multimodal de intenções combina texto, sinais acústicos (tom, ritmo) e sinais visuais para construir uma imagem mais completa da intenção do utilizador, o que é particularmente relevante para a IA de voz e para canais de apoio por vídeo.

Porque é que o reconhecimento de intenções é importante para a experiência do cliente

Todas as interações com clientes começam com uma intenção. Se o sistema classificar erradamente uma questão de faturação como um pedido de suporte técnico, o cliente é encaminhado para a equipa errada, tem de repetir o problema e acaba por abandonar a marca. Um reconhecimento de intenções preciso tem impacto direto na taxa de resolução, na resolução ao primeiro contacto e na satisfação do cliente. É a diferença entre um agente de IA que resolve e um que frustra.

No apoio ao cliente empresarial, as taxas de intenções podem abranger centenas de categorias entre produtos, idiomas e canais. Manter a precisão a esta escala exige retreino contínuo dos modelos, monitorização da deriva de intenções e um tratamento robusto dos pedidos fora de âmbito. As organizações que tratam o reconhecimento de intenções como um componente estático, que se configura e esquece, ficam sistematicamente aquém.

A vantagem da Maven

A plataforma da Maven AGI utiliza um reconhecimento de intenções multicamada que combina classificação baseada em transformers com geração aumentada por recuperação (RAG) para compreender a intenção do cliente em contexto. Em vez de depender de taxonomias de intenções rígidas, os agentes de IA da Maven utilizam todo o histórico da conversa e o contexto da base de conhecimento para determinar o que o cliente precisa e como resolvê-lo.

A Mastermind, uma empresa de EdTech, alcançou uma taxa de resolução de 93 % no chat em direto com a Maven AGI. Essa taxa de resolução começa com um reconhecimento de intenções preciso em cada mensagem recebida, garantindo que os clientes chegam à resposta certa à primeira.

Com mais de 100 integrações, a Maven liga a intenção à ação através de sistemas de CRM, faturação, gestão de encomendas e bases de conhecimento. Saiba mais sobre como o reconhecimento de intenções se enquadra nas arquiteturas de IA modernas no Stanford AI Lab ou explore a investigação da ACL sobre deteção de intenções na era dos LLM.

Perguntas frequentes

Qual é a diferença entre reconhecimento de intenções e reconhecimento de entidades nomeadas?

O reconhecimento de intenções classifica o objetivo global de uma mensagem (o que o utilizador quer fazer), enquanto o reconhecimento de entidades nomeadas (NER) extrai dados específicos da mensagem (números de encomenda, datas, nomes de produtos). Ambos funcionam em conjunto num pipeline de PLN: o reconhecimento de intenções determina a ação e o NER preenche os parâmetros necessários para a executar.

Como lida o reconhecimento de intenções com várias intenções numa só mensagem?

A deteção de múltiplas intenções é uma área de investigação ativa. Quando um cliente diz "Quero devolver a minha encomenda e também atualizar o meu método de pagamento", o sistema tem de identificar as intenções return_order e update_payment. As abordagens modernas usam classificação multietiqueta ou análise baseada em LLM para decompor pedidos compostos em intenções separadas e acionáveis.

O reconhecimento de intenções funciona em vários idiomas?

Sim. Modelos transformer multilingues como o mBERT e o XLM-R suportam a classificação de intenções em dezenas de idiomas. A aprendizagem por transferência entre idiomas permite que um modelo treinado sobretudo com dados em inglês classifique intenções noutros idiomas com uma precisão razoável, embora o desempenho melhore com ajuste fino específico para cada idioma.

Como se mede a precisão do reconhecimento de intenções?

As métricas habituais incluem a precisão, a sensibilidade (recall) e o F1-score por classe de intenção, além da exatidão global. No apoio ao cliente, a métrica mais relevante é a resolução de ponta a ponta: o sistema identificou corretamente a intenção e resolveu o problema? Um classificador de intenções com 95 % de exatidão que classifique mal os 5 % de intenções de maior valor pode, ainda assim, prejudicar significativamente a experiência do cliente.