Aplicações Práticas de IA e NLP: Guia Completo

A Inteligência Artificial e o Processamento de Linguagem Natural (NLP) encontram aplicações em diversas áreas. Este guia apresenta casos de uso concretos com exemplos de código.

1. Análise de Textos

Análise de Documentos

# Exemplo de análise de documentos com spaCy
import spacy
from collections import Counter

def analyze_document(text):
    # Carregamento do modelo em francês
    nlp = spacy.load('fr_core_news_lg')
    
    # Processamento do texto
    doc = nlp(text)
    
    # Extração das informações
    entities = [(ent.text, ent.label_) for ent in doc.ents]
    keywords = [token.text for token in doc if not token.is_stop and token.is_alpha]
    key_phrases = [chunk.text for chunk in doc.noun_chunks]
    
    return {
        "entités": entities,
        "mots_clés": Counter(keywords).most_common(10),
        "phrases_clés": key_phrases[:5]
    }

Resumo Automático

# Exemplo de resumo automático com Transformers
from transformers import pipeline

def generate_summary(text, max_length=130, min_length=30):
    # Inicialização do modelo
    summarizer = pipeline("summarization", model="facebook/bart-large-cnn")
    
    # Geração do resumo
    summary = summarizer(
        text,
        max_length=max_length,
        min_length=min_length,
        do_sample=False
    )
    
    return summary[0]['summary_text']

2. Classificação de Textos

Categorização de Documentos

# Exemplo de classificação de documentos
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.naive_bayes import MultinomialNB
from sklearn.pipeline import Pipeline

def create_document_classifier():
    # Criação do pipeline
    classifier = Pipeline([
        ('tfidf', TfidfVectorizer()),
        ('clf', MultinomialNB())
    ])
    
    return classifier

def train_classifier(classifier, texts, labels):
    # Treinamento do classificador
    classifier.fit(texts, labels)
    return classifier

def predict_category(classifier, text):
    # Predição da categoria
    prediction = classifier.predict([text])
    probabilities = classifier.predict_proba([text])
    return prediction[0], probabilities[0]

Detecção de Spam

# Exemplo de detecção de spam
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.ensemble import RandomForestClassifier

def create_spam_detector():
    # Criação do detector
    detector = Pipeline([
        ('vectorizer', CountVectorizer()),
        ('classifier', RandomForestClassifier())
    ])
    
    return detector

def analyze_spam_probability(detector, email_text):
    # Análise da probabilidade de spam
    probability = detector.predict_proba([email_text])[0]
    return {
        "spam_probability": probability[1],
        "is_spam": probability[1] > 0.5
    }

3. Geração de Conteúdo

Geração de Artigos

# Exemplo de geração de artigos
from transformers import GPT2LMHeadModel, GPT2Tokenizer

def generate_article(topic, max_length=500):
    # Carregamento do modelo
    model = GPT2LMHeadModel.from_pretrained('gpt2')
    tokenizer = GPT2Tokenizer.from_pretrained('gpt2')
    
    # Preparação do prompt
    prompt = f"Article sur {topic}:"
    inputs = tokenizer.encode(prompt, return_tensors='pt')
    
    # Geração do texto
    outputs = model.generate(
        inputs,
        max_length=max_length,
        num_return_sequences=1,
        temperature=0.7,
        top_p=0.9,
        do_sample=True
    )
    
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

Criação de Respostas Automáticas

# Exemplo de geração de respostas
from transformers import pipeline

def generate_response(context, question):
    # Inicialização do modelo
    qa_model = pipeline("question-answering", model="deepset/bert-base-cased-spqa")
    
    # Geração da resposta
    result = qa_model(question=question, context=context)
    
    return {
        "réponse": result['answer'],
        "confiance": result['score']
    }

4. Análise de Sentimento

Análise de Comentários

# Exemplo de análise de sentimento avançada
from transformers import pipeline
import pandas as pd

def analyze_comments(comments):
    # Inicialização do modelo
    sentiment_analyzer = pipeline(
        "sentiment-analysis",
        model="nlptown/bert-base-multilingual-uncased-sentiment"
    )
    
    # Análise dos comentários
    results = []
    for comment in comments:
        sentiment = sentiment_analyzer(comment)[0]
        results.append({
            "commentaire": comment,
            "sentiment": sentiment['label'],
            "score": sentiment['score']
        })
    
    return pd.DataFrame(results)

Acompanhamento de Tendências

# Exemplo de acompanhamento de tendências
def track_sentiment_trends(comments, time_periods):
    # Análise dos sentimentos por período
    trends = {}
    for period in time_periods:
        period_comments = comments[period]
        sentiment_scores = analyze_comments(period_comments)
        
        trends[period] = {
            "moyenne_sentiment": sentiment_scores['score'].mean(),
            "distribution": sentiment_scores['sentiment'].value_counts().to_dict()
        }
    
    return trends

5. Aplicações Empresariais

Atendimento ao Cliente Automatizado

# Exemplo de chatbot para atendimento ao cliente
from transformers import AutoModelForCausalLM, AutoTokenizer

def create_customer_service_bot():
    # Inicialização do chatbot
    model = AutoModelForCausalLM.from_pretrained("microsoft/DialoGPT-medium")
    tokenizer = AutoTokenizer.from_pretrained("microsoft/DialoGPT-medium")
    
    return model, tokenizer

def generate_bot_response(model, tokenizer, user_input, chat_history):
    # Geração da resposta
    inputs = tokenizer.encode(user_input + tokenizer.eos_token, return_tensors='pt')
    outputs = model.generate(
        inputs,
        max_length=1000,
        pad_token_id=tokenizer.eos_token_id,
        no_repeat_ngram_size=3,
        do_sample=True,
        top_k=100,
        top_p=0.7,
        temperature=0.8
    )
    
    return tokenizer.decode(outputs[0], skip_special_tokens=True)

Análise de Documentos Jurídicos

# Exemplo de análise de documentos jurídicos
def analyze_legal_document(document_text):
    # Carregamento do modelo
    nlp = spacy.load('fr_core_news_lg')
    
    # Processamento do documento
    doc = nlp(document_text)
    
    # Extração das informações jurídicas
    legal_entities = [(ent.text, ent.label_) for ent in doc.ents if ent.label_ in ['ORG', 'LAW']]
    dates = [ent.text for ent in doc.ents if ent.label_ == 'DATE']
    obligations = [sent.text for sent in doc.sents if any(word in sent.text.lower() for word in ['doit', 'obligation', 'nécessaire'])]
    
    return {
        "entités_légales": legal_entities,
        "dates": dates,
        "obligations": obligations
    }

Conclusão

As aplicações de IA e NLP são vastas:

• Análise e processamento de textos
• Classificação e categorização
• Geração de conteúdo
• Análise de sentimento
• Aplicações empresariais específicas

Pontos-chave a lembrar:

• Escolher os modelos certos
• Adaptar as soluções às necessidades
• Avaliar o desempenho
• Manter e aprimorar os sistemas
• Seguir as boas práticas