Ideia #3 Embeddings

Nos últimos dias, desenvolvi uma pequena demonstração para explorar um conceito que tem ganhado bastante espaço na área de inteligência artificial: embeddings.

A ideia foi simples:
👉 pegar comentários do dia a dia e tentar classificá-los automaticamente com base no seu significado, não apenas nas palavras.

Se fosse resumir em uma frase:

Embeddings funcionam como um GPS de ideias: eles posicionam textos próximos uns dos outros quando têm significados semelhantes.

🚀 1. Treinamento prévio (base de referência)

Para começar, criei uma base simples com 200 frases.

Essas frases foram distribuídas em 5 categorias:

• elogio
• reclamação
• dúvida
• sugestão
• ironia
  

Cada categoria recebeu cerca de 40 exemplos, com frases curtas e naturais, como:

• “Adorei o atendimento, muito rápido!”
• “Demorou demais pra responder”
• “Como isso funciona?”
• “Vocês poderiam melhorar isso”
• “Nossa, que ideia genial…”
  

💡 Essa base funciona como um “ponto de referência” para o sistema.

⚙️ 2. Estrutura simples (e propositalmente leve)

Como a proposta é demonstrativa, optei por uma arquitetura bem leve:

• Python
• armazenamento local com FAISS (faiss-cpu)
• embeddings gerados via API
  

Nada de infraestrutura pesada, para manter tudo simples e funcional.

🧠 Sobre os embeddings

Utilizei o modelo:

text-embedding-3-small

Cada texto é transformado em um vetor com cerca de 1.500 dimensões.

Mas o que isso significa?

👉 Pense assim:

• cada frase vira uma lista de números
• cada número representa uma “característica semântica”
• quanto mais parecidos dois textos são, mais próximos esses vetores ficam
  

💡 É como se cada texto ganhasse uma posição em um espaço multidimensional.

🧪 3. A experiência: testando na prática

A interface da demonstração é bem direta:

👉 Você digita um comentário curto
👉 O sistema gera o embedding desse texto
👉 E compara com os exemplos existentes

Exemplo:

"Demorou muito pra responder"

O sistema identifica quais exemplos são mais parecidos e retorna algo como:

• Reclamação (alta similaridade)
• Sugestão (moderada)
• Dúvida (baixa)

📐 4. Como funciona a comparação?

Aqui entra um conceito matemático interessante:

👉 similaridade de cosseno

Sem entrar muito na matemática:

• cada texto é um vetor
• o sistema mede o “ângulo” entre esses vetores
• quanto menor o ângulo, mais parecidos eles são
  

💡 Sim, eu lembrei e você também:

“Talvez a gente não use Bháskara no dia a dia… mas o cosseno está presente em nossas vidas.”

🔍 5. Mais do que classificação

Classificar é só o começo.

Uma vez que você consegue organizar textos por significado, surgem várias possibilidades:

• 📊 medir satisfação (elogios vs reclamações)
• 📌 identificar padrões recorrentes
• 🧭 priorizar demandas
• 💡 gerar insights automaticamente

🧩 Aplicações no cotidiano

Esse tipo de abordagem pode ser usado em vários contextos:

• organizar tarefas por prioridade
• classificar mensagens automaticamente
• melhorar buscas
• agrupar conteúdos semelhantes

🎯 Conclusão

Essa demonstração é simples de propósito — mas ilustra bem uma mudança importante:

👉 estamos evoluindo de sistemas que entendem palavras
👉 para sistemas que entendem significado

E quando isso acontece, abre-se um leque enorme de possibilidades.

🧪 Teste você mesmo

Disponibilizei uma versão da demonstração para testes.

👉 Você pode acessar e experimentar com seus próprios comentários.

👉 Acesse a aplicação em: https://moutinho.dev/apps/classificador-sentimentos/

📌 Utilize o usuário e senha desta imagem.

💬 Vamos trocar ideias?

Se você quiser discutir aplicações, sugerir melhorias ou trocar experiências, fico à disposição.

Essas pequenas experimentações costumam abrir portas para soluções bem interessantes no dia a dia.