Por dentro da caixa-preta: uma abordagem prática de IA e NLP

Texto por Ingrid Fernandes

Como a Inteligência Artificial e o Processamento de Linguagem Natural funcionam na prática? Neste workshop, Henrique Rieger e Michel Gomes mergulharam nos conceitos e aplicações de Aprendizado de Máquina, Redes Neurais e Processamento de Linguagem Natural (NLP). Utilizando um notebook no Colab, os facilitadores conduziram os participantes por um percurso didático, que culminou na classificação de ementas da Assembleia Legislativa do Estado de São Paulo (ALESP) usando TF-IDF e MLP (Multilayer Perceptron).

A jornada começou com uma exploração do Perceptron, uma representação computacional baseada em redes neurais. Foram abordados conceitos como pesos, bias e o processo de treinamento, ajustando valores a partir de erros observados. Esse ajuste progressivo, efetuado através de múltiplas iterações, visa melhorar a precisão do modelo.

A atividade também discutiu a separação dos dados em conjuntos de treinamento, validação e teste, uma prática essencial para avaliar a eficácia de modelos de aprendizado de máquina. A precisão do modelo foi avaliada usando métricas como acurácia, precisão, recall e matriz de confusão. Cada uma dessas métricas corresponde a uma medida de erro diferente, o que oferece uma visão detalhada do desempenho do modelo. Para compreender a fundo o que elas significam, foi sugerido o guia “Performance Metrics in Machine Learning” como leitura complementar. 

Os instrutores introduziram o conceito de Processamento de Linguagem Natural (NLP, na sigla em inglês), explorando sua aplicação em tarefas como análise de sentimentos e classificação de texto. Para isso, é necessário transformar o texto em representações numéricas (embeddings) para processamento por modelos de aprendizado de máquina.

A abordagem prática permitiu aos participantes experienciar o ciclo completo de desenvolvimento de um modelo de aprendizado de máquina, desde o pré-processamento dos dados até a avaliação do modelo treinado. A exploração do uso de Multilayer Perceptron (MLP) para melhorar o modelo de perceptron simples foi um ponto chave, demonstrando como modelos mais complexos podem oferecer maior precisão na classificação de dados.

Com o workshop, os participantes puderam mergulhar no desafio de entender as decisões tomadas por modelos complexos como redes neurais, ressaltando a natureza “caixa-preta” de certos modelos de IA, onde as saídas são claras, mas os processos internos permanecem obscuros.

 

Referências

Por dentro da caixa-preta

Guia “Performance Metrics in Machine Learning”

Conhecimentos básicos de programação e uma conta do Google Drive.