O documento apresenta uma palestra sobre desenvolvimento de bots utilizando inteligência artificial, abordando conceitos como aprendizado de máquina, processamento de linguagem natural (NLP), compreensão de linguagem natural (NLU) e geração de linguagem natural (NLG). O autor, Gustavo Castro, discute a utilização da ferramenta Rasa para criar chatbots, destacando sua estrutura, arquivos necessários e etapas de desenvolvimento. O conteúdo é direcionado a desenvolvedores interessados em automação de tarefas e interação homem-máquina.

1. Desenvolvimento
de Bots com IA
Gustavo Castro
II Congresso de Tecnologia da Informação (IFSUL)
Passo Fundo - RS
2019

2. Quem sou eu
Gustavo Castro
Tecnólogo em Sistemas para Internet (IFSUL - Passo Fundo)
Especializando em Ciência de Dados (Unopar - Passo Fundo)
Desenvolvedor PHP
Áreas de interesse: Bots, IoT, Embarcados, Programação paralela e distribuída.

3. Roteiro
● Bots, o que são, de onde vem e do que se alimentam?
● Como os bots aprendem?
● NLP, NLU e NLG
● RASA
● Criando um bot com Rasa

4. Bots, o que são, de onde
vem e do que se
alimentam?

5. Bots, o que são, de onde vem e do que se
alimentam?
O que são?
● São aplicações com objetivo de automatizar tarefas
● Facilitar a comunicação homem/máquina
● Web crawlers, Chatbots, Social Bots...

6. Bots, o que são, de onde vem e do que se
alimentam?
De onde vem, onde estão e onde estarão?
● Qualquer tarefa que pudesse ser automatizada
● Carros, smartphones, elevadores…
● Assistentes virtuais

7. Bots, o que são, de onde vem e do que se
alimentam?
Do que se alimentam?
● Dados, informações, estatísticas…
● É partindo daqui que são desenvolvidas as IA.

8. Como os bots aprendem?

9. Como os bots aprendem?
Deve-se levar em consideração que uma I.A. “ é
capaz de apresentar conclusões sobre um
determinado tema, desde que devidamente
orientado e alimentado (...)” - PASSOS (1989)

10. CARRO
Fonte: https://pixabay.com/pt/photos/beatles-vancouver-rua-mulher-carro-1136533/

11. VOLKSWAGEN FUSCA
Fonte: https://pixabay.com/pt/photos/beatles-vancouver-rua-mulher-carro-1136533/

12. Como os bots aprendem?
● Machine Learning
○ Aprendizagem supervisionada
○ Múltiplas entradas de dados pré-definidas
○ Aprendizagem através do reconhecimento de padrões

13. NLP, NLU e NLG

14. NLP - Natural Language Processing
● Tem como objetivo processar os dados, compreender o significado e determinar a
próxima ação e responder de uma forma inteligível para o usuário;
● É composto pela NLU e a NLG.

15. NLU - Natural Language Understanding
● A máquina tenta compreender o que é transmitido verbalmente
● Tenta transcrever diálogos em informações não-binárias
● INTENÇÕES e ENTIDADES

16. NLU - Intenções (intents)
● O objetivo das intenções é categorizar o significado da entrada de dados (frases)
Ex:
● Parabéns pelo bom trabalho!
○ Intenção => Elogio;
● Você aceita pagamento pelo celular?
○ Intenção => Forma de pagamento
● Quais os sabores de pastel?
○ Intenção => Opções do cardápio

17. NLU - Entidades (entities)
● As entidades têm o objetivo de ressaltar algo de importância na entrada de dados (frase)
● Essas entidades serão utilizadas para determinar o fluxo do processo e fazem parte de
uma ação
Ex:
● Vou pagar com o cartão de crédito.
○ REALIZAR_PAGAMENTO: forma_pagamento => cartão de crédito
● Vou querer um pastel de frango.
○ REALIZAR_PEDIDO: produto => pastel, sabor => frango
● Fala Zé, é o Fabrício, reserva pra mim, uma mesa pra 5, amanhã de meio-dia.
○ REALIZAR_RESERVA: reservado => Fabrício, lugares => 5, horario => 01/11/2019 12:00

18. NLG - Natural Language Generation
● Após compreender os dados de entrada
● Processar os dados fornecidos
● Gera uma saída compreensível ao usuário a partir dos dados computados
Ex:
U: Olá, preciso de quatro ingressos para o show
(Verifica que existe mais de um show)
B: Olá, para qual o show ?
U: Iron Maiden, em Porto Alegre
(Verifica se existe a quantidade de lugares
disponíveis)
(Exibe quais os lugares
disponíveis)
B: Temos as cadeiras 9, 10, 11, 12
livres
B: Pode ser?

19. Fonte: https://rasa.com

20. Rasa Bot AI
● “É uma ferramenta de Machine Learning, para
desenvolver, melhorar e implementar chatbots
(...)”
● OpenSource
● Python
● Fácil integração com chats (Rocketchat, Slack,
Messenger...)
● Promete aprendizado utilizando IA a partir dos
dados repassados para o bot em
desenvolvimento
Fonte: https://rasa.com

21. Rasa Bot - Como funciona?
● Baseado em NLU e Core
○ Apenas como NLU:
■ É possível utilizar apenas a parte de interpretação da ferramenta
■ Possível disponibilizar como um serviço que, por exemplo, retorna o nível de confiabilidade
sobre intenção de uma frase e/ou os elementos presentes nela

22. Rasa Core
● Basicamente é a engine de conversação para bots com inteligência artificial
● Determina as ações a serem tomadas de acordo com o fluxo das conversações
○ Técnicas de machine learning

23. Fonte: https://www.analyticsvidhya.com/blog/2019/04/learn-build-chatbot-rasa-nlp-ipl/

24. Rasa - Estrutura do bot
__init__.py Arquivo em branco para facilitar a localização do
arquivo de actions
actions.py Arquivo para definição de custom actions
config.yml Configurações da NLU e Core
credentials.yml Configurações de conexões externas
data/nlu.md Dados de treinamento da NLU
data/stories.md Roteiros de conversação
domain.yml São definidas as áreas de conhecimento do bot
endpoints.yml Arquivo de conexões para canais de
comunicação
models/<timestamp>.tar.gz Modelos treinados

25. Rasa - Domain
● É o local onde é definido a área de conhecimento do bot
● Nesse arquivo são especificados as intents, entities, slots, actions e templates

26. Rasa - Domain
Fonte: Do autor

27. Rasa - Domain - templates
● São mensagens pré-definidas que serão enviadas para o usuário num determinado roteiro
Fonte: Do autor
Fonte: Do autor

28. Rasa - Domain - slots
● São a memória do bot
● Influenciam no diálogo com o bot
● Controle de tipos
Fonte: Do autor

29. Rasa - data/nlu.md
● Nesse arquivo são definidos as Intents e entities
● Intents e entities, necessários para o bot compreender o que está sendo dito
● É preciso dar exemplos para o bot aprender o significado das coisas
● Cria-se uma biblioteca de exemplos
data/nlu.md
domain.yml
Fonte: Do autor
Fonte: Do autor

30. Rasa - actions
● Respostas computadas pelo bot a partir da entrada do usuário
● Pode ser dividas em 4 categorias
○ Utterance Actions
■ Retornar uma mensagem predefinida para o usuário
○ Retrieval Actions
○ Custom Actions
■ Computa dados enviados pelo usuário e pode retornar várias ou nenhuma resposta
■ Funciona como funções
○ Default Actions
■ action_listen
● Aguarda a mensagem do usuário
■ action_restart
● Reinicia uma conversa
■ action_default_fallback
● Desconsidera a última mensagem do usuário

31. Rasa - Stories
● São estruturas de dados utilizados para treinar os diálogos do bot
● São exemplos minimalistas baseados intents e actions
Fonte: Do autor

32. Rasa - Stories
● É possível gerar Stories a partir de um treinamento interativo
Fonte: https://rasa.com/docs/rasa/core/interactive-learning

33. Rasa - Stories
● Treinamento interativo com visualização do diálogo
○ rasa interactive --skip-visualization
Fonte: https://rasa.com/docs/rasa/core/interactive-learning

34. Rasa - config.yml
● Discriminam-se as regras do NLU e Core
● As principais regras definidas são pipeline e policies
Fonte: Do autor

35. Rasa - Policies
● Definem qual ação o bot deve tomar de acordo com fluxo da conversa
● Cada uma possui uma forma de tratamento específico para cada situação
○ Memoization Policy
○ Fallback Policy
○ Mapping Policy
○ Keras Policy
○ Embedding Policy
○ Two-Stage Fallback Policy
○ Form Policy

36. Rasa - Pipeline
● Processamento dos componentes em sequência
● Componentes
○ Extração entidades
○ Classificação de intenções
○ Seleção de respostas
● Pipelines pré-configuradas
○ pretrained_embeddings_spacy
■ Menos de 1000 exemplos
○ supervised_embeddings
■ Mais de 1000 exemplos
● Pipelines customizadas

37. Rasa - Pipeline
Fonte: https://rasa.com/docs/rasa/nlu/choosing-a-pipeline/

38. Rasa - Suporte de Idiomas
● Suporta qualquer idioma
○ Utilizando a pipeline surpevised_embeddings
● Modelos e vetores de palavras pré-treinados
○ pretrained_embeddings_spacy
○ spaCy
■ Modelos de linguagem pré-treinados
■ fastText Vectors
○ MITIE
■ Permite você construir seu próprio vetor de palavras
● Exige muita memória para realizar o build ( ≃128GB RAM)

39. Criando um bot com
Rasa

40. Criando um bot Rasa
1. Instalação do Rasa
a. É requisitado uma versão do Python 3>= instalada.
b. pip install rasa
2. Estruturação do bot
a. Deve seguir conter no mínimo os arquivos dispostos no slide 20
b. rasa init
3. Configuração
a. Definição de pipelines e policies (slides 30, 31 e 32)
4. Treinamento do bot
a. Adicionar vários exemplos de intents
b. Adicionar vários exemplos de stories ou utilizar o treinamento interativo
i. rasa run actions --actions actions&
rasa interactive -m models/modulo.tar.gz --endpoints endpoints.yml
c. rasa train
5. Iniciar conversação com o bot
a. rasa run actions --actions actions&
rasa shell

41. Rasa X
● Interface gráfica de conversação para o Rasa
○ pip install rasa-x --extra-index-url https://pypi.rasa.com/simple
○ rasa-x

42. Fonte: https://rasa.com/docs/rasa-x/annotate-conversations/

43. Projeto Rasa Boilerplate
● Projeto com uma grande análise de dados para o desenvolvimento de um bot com Rasa
https://github.com/lappis-unb/rasa-ptbr-boilerplate

44. That’s all folks!
Gustavo Castro
Github: github.com/debgustavocastro
Linkedin: linkedin.com/in/gustavocastro78
SlideShare: pt.slideshare.net/GustavoCastro35
E-mail: deb.gustavocastro@gmail.com

45. Referências
PASSOS, E. Inteligência artificial e sistemas especialistas ao alcance de todos. Rio de Janeiro:
LTC, 1989;
https://www.datageeks.com.br/algoritmos-de-machine-learning/
https://ubots.com.br/blog/afinal-o-que-e-nlu/
https://rasa.com/docs/
https://spacy.io/usage/models#languages
https://github.com/facebookresearch/fastText/blob/master/docs/crawl-vectors.md
https://www.analyticsvidhya.com/blog/2019/04/learn-build-chatbot-rasa-nlp-ipl/