Objetivos | Funcionalidades | Benefícios | Aplicações | Conclusão | BackLog | Repositórios do Projeto | G-Four | Entregas |
O objetivo deste projeto é desenvolver um sistema inovador que utiliza inteligência artificial (IA) em linguagem natural para sumarizar automaticamente grandes volumes de comentários de clientes. O sistema irá gerar resumos concisos e informativos, categorizados por diversos critérios relevantes para análise, como produto, categoria, recomendação, geografia e demografia.
- Sumarização automática: O sistema utiliza um modelo de IA de última geração para gerar resumos concisos e informativos de cada comentário, capturando os pontos principais e a sentiment geral.
- Segmentação por critérios: O sistema permite segmentar os comentários por diversos critérios, como produto, categoria, data, geografia, demografia e outros, facilitando a análise direcionada e a identificação de padrões específicos.
- Visualização intuitiva: Os resultados da análise são apresentados em dashboards interativos e intuitivos, com gráficos, tabelas e filtros que facilitam a compreensão e a visualização dos dados.
- Exportação de dados: O sistema permite exportar os resultados para diferentes formatos, como PDF, CSV e outros, para compartilhamento e análise posterior.
- Agilidade na análise de dados: O sistema automatiza a sumarização dos comentários, reduzindo significativamente o tempo e o esforço manual necessário para analisar grandes volumes de dados.
- Melhoria na tomada de decisões: A análise de sentiment e a segmentação por critérios fornecem insights valiosos que auxiliam na tomada de decisões estratégicas e na identificação de áreas de melhoria.
- Maior compreensão dos clientes: O sistema ajuda a entender melhor as necessidades, expectativas e percepções dos clientes, possibilitando a criação de produtos e serviços mais relevantes e personalizados.
- Aumento da produtividade: A automatização da sumarização libera tempo para que as equipes se concentrem em tarefas mais estratégicas e de alto valor.
Este sistema inovador pode ser aplicado em diversos setores para analisar feedback de clientes, como:
- E-commerce: Avaliar a satisfação com produtos, identificar pontos de melhoria e otimizar a experiência do cliente.
- Atendimento ao cliente: Agilizar a resolução de problemas, identificar áreas de aprimoramento e oferecer um atendimento mais personalizado.
- Pesquisa de mercado: Coletar insights sobre tendências, preferências do público e oportunidades de mercado.
- Desenvolvimento de produtos: Obter feedback sobre novos produtos, identificar necessidades dos clientes e aprimorar o processo de desenvolvimento.
O sistema de sumarização automática de comentários de clientes com IA é uma ferramenta poderosa que oferece diversos benefícios para empresas que buscam aprimorar a análise de feedback, tomar decisões mais assertivas e oferecer uma experiência superior aos seus clientes.
Introdução:
Este documento descreve o backlog de tarefas para o desenvolvimento do API com a Empresa Dom Rock. O backlog é organizado por área de trabalho (Frontend, Backend e PLN) e priorizado por nível de importância (Alta, Média e Baixa).
Gestão de Projeto:
Todo o controle das tarefas e o andamento das atividades é feito através da ferramenta JIRA.
Frontend:
- Criar tela de login/cadastro de usuários:
- Implementar formulários para criação de novas contas e autenticação de usuários existentes.
- Validar entradas de dados e fornecer feedback ao usuário.
- Integrar com o sistema de autenticação do backend.
- Implementar funcionalidade de upload de arquivo:
- Permitir que os usuários carreguem arquivos de texto para sumarização.
- Suporte para diferentes formatos de arquivo (por exemplo, .txt, .pdf, .docx).
- Indicar o status do upload e fornecer feedback ao usuário.
- Criar barra de progresso e indicador de tempo restante:
- Visualizar o progresso do processamento de sumarização em tempo real.
- Estimar o tempo restante para a conclusão do processo.
- Desenvolver dashboard com visualizações dos sumários:
- Apresentar os sumários gerados de forma organizada e intuitiva.
- Permitir que os usuários filtrem e explorem os sumários por diferentes critérios.
- Oferecer opções para baixar os sumários em diferentes formatos.
- Implementar filtros e opções de download:
- Permitir que os usuários filtrem os sumários por produto, categoria, data e outros critérios.
- Oferecer opções para baixar os sumários em formato PDF, CSV ou outros formatos desejados.
Backend:
- Definir estrutura da API REST e documentá-la:
- Projetar uma API REST robusta e fácil de usar para interação com o sistema.
- Documentar a API de forma clara e concisa, incluindo endpoints, métodos HTTP, parâmetros e respostas.
- Implementar endpoints para upload, processamento e consulta de resultados:
- Criar endpoints para upload de arquivos, processamento de sumarização e consulta de resultados.
- Validar requisições e retornar respostas adequadas em formato JSON.
- Tratar erros e fornecer mensagens informativas ao usuário.
- Integrar modelo PLN de sumarização:
- Integrar o modelo de sumarização PLN com o backend para processar os arquivos enviados pelos usuários.
- Chamar o modelo PLN de forma assíncrona para otimizar o desempenho.
- Armazenar os resultados da sumarização no banco de dados.
- Armazenar dados e resultados em banco de dados:
- Criar um banco de dados para armazenar informações sobre usuários, arquivos, resultados de sumarização e outros dados relevantes.
- Implementar consultas eficientes para recuperar e gerenciar os dados armazenados.
- Garantir a segurança e integridade dos dados.
- Implementar sistema de autenticação de usuários:
- Implementar um sistema de autenticação seguro para proteger o acesso ao sistema.
- Permitir que os usuários criem contas, autentiquem-se e gerenciem suas informações.
- Integrar o sistema de autenticação com a API REST.
PLN:
- Coletar e preparar dataset de comentários de clientes:
- Reunir um conjunto de dados de comentários de clientes relevantes para o domínio do projeto.
- Limpar e pré-processar os dados para garantir sua qualidade e adequação para treinamento do modelo.
- Treinar modelo de sumarização de textos:
- Treinar um modelo de sumarização de textos usando o dataset de comentários de clientes preparado.
- Experimentar diferentes arquiteturas de modelo e técnicas de treinamento para otimizar o desempenho.
- Avaliar o desempenho do modelo em conjunto de dados de validação.
- Otimizar modelo para melhor desempenho e qualidade:
- Ajustar os hiperparâmetros do modelo para obter o melhor desempenho possível.
- Experimentar diferentes técnicas de otimização para reduzir o tempo de treinamento e melhorar a precisão.
- Monitorar o desempenho do modelo em produção e fazer ajustes conforme necessário.
- Avaliar e ajustar modelo para diferentes tipos de produtos e categorias:
- Avaliar o desempenho do modelo em diferentes tipos de produtos e categorias.
- Ajustar o modelo para lidar com diferentes estilos de escrita e tópicos.
- Garantir que o modelo seja robusto e generalize bem para diferentes tipos de dados.
Priorização:
Prioridade Alta:
- Upload de arquivo e processamento assíncrono
- Sumarização por produto e categorias
- Visualização dos sumários no dashboard
Prioridade Média:
- Sumarização por recomendação e geografia/demografia
- Filtros e opções de download
- Autenticação de usuários
Prioridade Baixa:
- Refinamento do modelo PLN
- Monitoramento do sistema e logs de erros
- Autenticação de usuário
- Upload de arquivo de comentários em formato CSV ou TXT
- Acompanhamento do processamento em tempo real com barra de progresso e estimativa de tempo restante
- Dashboard com visualização dos sumários:
- Por produto e categorias
- Por recomendação (positiva, neutra, negativa)
- Por geografia e demografia
- Gráficos e tabelas interativos para melhor análise dos dados
- Filtros para refinar a visualização dos resultados
- Opção de download dos sumários em formato PDF ou CSV
- API REST documentada para comunicação com o frontend
- Processamento assíncrono dos arquivos de comentários
- Implementação do modelo PLN de sumarização de textos
- Armazenamento dos dados e resultados em banco de dados
- Gerenciamento de usuários e permissões
- Treinamento de modelo de sumarização de textos com base em dataset específico de comentários de clientes
- Otimização do modelo para melhor desempenho e qualidade dos sumários
- Adaptação do modelo para diferentes tipos de produtos e categorias
- Identificação de entidades e sentimentos nos comentários
- Geração de resumos concisos e informativos
- Interface web amigável e intuitiva
- Aplicação web responsiva para acesso em diferentes dispositivos
- Segurança da informação com criptografia de dados e autenticação de usuários
- Desempenho eficiente e escalável para lidar com grandes volumes de dados
- Documentação completa da API REST e do código-fonte
- Monitoramento do sistema e logs de erros
- Figma: Para o Mockup
- MySql: Para o Banco de Dados
- Python: Para a PLN
- Python com o Framework FastAPI: Para o Backend
- JavaScrip com React: Para o Frontend
- Repositório Front-End: https://github.com/EquipeGfour/API-6Semestre-Dom-Rock-Front-end
- Repositório Back-End: https://github.com/EquipeGfour/API-6Semestre-Dom-Rock-Back-end
- Repositório PLN: https://github.com/EquipeGfour/API-6Semestre-Dom-Rock-PLN
| Integrantes da Equipe | Função | Github | |
|---|---|---|---|
| Natália Bessa de Moura | Dev | Github | |
| Rodrigo Ribeiro dos Santos | Dev | Github | |
| Rafael Peressoni Waltrick | PO | Github | |
| Nicolas Lima de Holanda Galindo | Dev | Github | |
| Kevin Ferreira Mirenda | SM | Github | |
| Raniel Francisco Santos de Paula | Dev | Github | |
| Vinícius Andrade Barborsa | Dev | Github |
| Sprint ID | Data | Tag | Status |
|---|---|---|---|
| #0 | 04/03 - 08/03 | Kick - Off | ⏱️ |
| #1 | 25/03 - 14/04 | Sprint 1 | ✅ Concluída |
| #2 | 14/04 - 05/05 | Sprint 2 | ✅ Concluída |
| #3 | 06/05 - 26/05 | Sprint 3 | ✅ Concluída |
| #4 | 27/05 - 16/06 | Sprint 4 | Em Andamento |
| #5 | 27/06 | Feira de Soluções | 🏆 |