Já se perguntou como uma inteligência artificial se torna capaz de entender conteúdo de mensagens, imagens ou discursos? Certamente, há humanos envolvidos. Engenheiros, cientistas, pessoas com anos de experiência e muito estudo são alguns deles — habilidades que fogem da realidade de muitos, o que desacelera a evolução dessa IA.

Então, visando aumentar a contribuição com as habilidades de interpretação de uma IA, a IBM criou o Watson Knowledge Studio, uma ferramenta que permite ensinar ao Watson as nuances de seu idioma por textos não estruturados.

Para isso, existem duas maneiras. Na primeira, um grupo de duas ou mais pessoas fornece os documentos para análise, cria rótulos para as palavras que representam tipos de entidades e mostra suas relações com outras palavras. Cabe a eles, também, identificar correferências (entidades que possuem o mesmo significado). Ao final das marcações, um documento é criado e forma o ground truth (ou “verdade absoluta”).

A plataforma, em seguida, usa o ground truth para treinar um modelo de aprendizado de máquina, que é então posto à prova em um documento ainda não analisado. Além disso, é possível aplicar modelos já existentes e aprimorá-los ou fazer correções.

Na segunda maneira, é construído um modelo baseado em regra. Para isso, o usuário apresenta as condições que determinam a posição de uma classe, como sufixos e prefixos para encontrar nomes ("Dr." e "Sr.", por exemplo), e as palavras dessas posições são mapeadas nas suas respectivas entidades.

Conhecimento com utilidade

A IA Watson não possui somente essa ferramenta, mas várias — com diversas aplicações. Watson Discovery e Watson Natural Language Understanding são dois exemplos, que utilizam os conhecimentos adquiridos do Knowledge Studio.

Max Kelsen

O Watson pode ser usado para otimizar leitura de avaliações e análises, por exemplo. Exatamente o que a companhia Max Kelsen faz.

Especialista em machine learning e desenvolvimento, é reconhecida por suas aplicações de inteligência artificial, dentre elas o Watson. Sua função, quando contratada, é otimizar o uso de dados já coletados por outras empresas —  dispensando um trabalho maçante.

Ter equipes para lidar com atendimento ao cliente ou analisar a opinião do público diante de uma novidade pode até ser uma boa opção, quando feito em pequena escala. No entanto, para grandes empresas, designar pessoas para essa tarefa é contraproducente. Delegar essa função para uma inteligência artificial, além de aumentar exponencialmente a produtividade, amplia as fontes de dados, alcançando publicações em redes sociais, por exemplo.

As ferramentas presentes no Watson, em conjunto com a facilidade presente no Watson Knowledge, conseguem entregar resultados de bilhões de textos não estruturados — considerando sentimento, produto citado e contexto. Desse modo, capturam com precisão os problemas e os elogios dos clientes.

ESPN Fantasy Football

Bastante popular nos Estados Unidos, o Fantasy Football é um tipo de game online em que os participantes escalam times com jogadores reais de futebol americano. Essas equipes competem entre si com base em estatísticas reais dos atletas, e então a performance do time é convertida em pontos que variam para cada site. Quem somar mais é o vencedor — que, em algumas plataformas, recebe prêmio em dinheiro.

Em consequência da crescente popularidade do Fantasy, pessoas que se autodenominam “experts” começaram a surgir, elaborando artigos com análises, previsões e dicas de como gerenciar um time no Fantasy Football. Essa prática se tornou tão presente que sites passaram a avaliar e classificar esses experts pela precisão das previsões.

Então, Aaron Baughman — um cientista de dados da IBM — teve a brilhante ideia de analisar todos esses artigos, junto com informações oficiais sobre os jogadores, usando inteligência artificial. Mais especificamente, o Watson.

Trapaça ou não, o time montado com Watson venceu. Graças aos 90 GB de texto não estruturado, englobando notícias, opiniões e histórico na NFL de cada jogador.

No entanto, uma inteligência artificial não seria capaz de fazer essas previsões sozinha. A peça-chave dessa vitória foi o Watson Knowledge Studio. Visto que não há necessidade de ter profundo conhecimento em programação, foi bastante simples ensinar à IA como interpretar os textos sobre o esporte.

Utilizando modelo de aprendizado de máquina, Watson precisou de 13 entidades, relacionando-as com o tom (positivo ou negativo) de algumas expressões características de artigos esportivos.

Os modelos, então, foram lançados no Watson Discovery e passaram a analisar a vasta quantidade de textos disponíveis na internet. Assim, Baughman montou o time baseando-se nos dados entregues pela IA e garantiu a vitória.

Como conhecer o Watson Knowledge?

Para contribuir com os conhecimentos do Watson, basta se cadastrar na plataforma IBM Cloud. Para isso, há 3 maneiras:

  • Crie uma conta IBM Cloud Lite gratuitamente e utilize-a por quanto tempo quiser (essa versão dá direito a 1 usuário, 5 workspaces e 5 GB de armazenamento).
  • Escolha os serviços desejados, inclua as ferramentas Watson e calcule o preço de assinatura usando a calculadora IBM.
  • Entre em contato com a IBM e contrate um plano ideal, com preços e descontos personalizados.

Vale lembrar que a plataforma funciona apenas no Mozilla Firefox ESR 52 e no Google Chrome 59 (que oferece melhor desempenho no editor de ground truth).

Conheça mais do Watson Knowledge Studio aqui!

...

Você participou da experiência IBM Profile Definer? Conte aqui para a gente o que você achou!