DETECÇÃO DE INTENÇÕES DE COMPRA E SERVIÇOS COM USO DE TÉCNICAS DE INTELIGÊNCIA ARTIFICIAL

Resumo

Introdução: A crescente complexidade das interações em plataformas de e-commerce impõe desafios significativos à recuperação precisa de produtos e serviços, particularmente em consultas curtas e ruidosas em português brasileiro. Nesse contexto, modelos monolíngues baseados em arquiteturas Transformer emergem como soluções promissoras para capturar as nuances linguísticas locais, visando a redução de reformulações e do abandono de busca, elementos críticos para a experiência do usuário e taxas de conversão. Objetivo: O presente trabalho teve como objetivo principal desenvolver e avaliar um classificador de intenções de compra e contratação de serviços em consultas de e-commerce, empregando a técnica de transferência de aprendizado com modelos BERT pré-treinados especificamente para o português brasileiro. Materiais e Métodos: Para tanto, foi coletado e anotado manualmente um corpus de consultas obtidas na região de Parnaíba, categorizado em 92 intenções distintas. O pré-processamento incluiu limpeza, anonimização, normalização textual e a aplicação de técnicas de balanceamento e data augmentation para mitigar o desequilíbrio de classes. Realizou-se o fine-tuning do modelo `neuralmind/bert-large-portuguese-cased` (BERTimbau) utilizando as bibliotecas Hugging Face e PyTorch, com tokenização configurada para `max_length = 128`. A divisão dos dados foi estratificada (`test_size = 0,10`), complementada por validação cruzada estratificada, e o treinamento incorporou estratégias de regularização e early stopping. A avaliação de desempenho baseou-se em métricas como acurácia, precisão, recall e F1-score, com a fixação de sementes e o salvamento de checkpoints para garantir a reprodutibilidade. Resultado: No conjunto de validação, composto por 2.940 amostras, o modelo alcançou uma acurácia global de 96,43% e um F1-score médio ponderado de aproximadamente 0,96. As matrizes de confusão exibiram um padrão predominantemente diagonal, indicando alta precisão, embora se tenha observado maior confusão entre categorias semanticamente próximas e um desempenho ligeiramente inferior em classes com baixo suporte. O treinamento demonstrou convergência eficiente em 3–5 épocas, sendo o melhor checkpoint selecionado com base na acurácia. Conclusão: Os achados demonstram que a transferência de aprendizado com modelos BERT em português constitui uma solução viável e altamente eficaz para a detecção de intenções em consultas de e-commerce. Este trabalho resultou na entrega de um dataset rotulado de alta qualidade e de um modelo funcional, que pode ser integrado para aprimorar a experiência do usuário e otimizar sistemas de recomendação. Para futuras implementações em produção, recomenda-se a integração de sinais contextuais (como histórico do usuário e atributos de produto), bem como a exploração de oversampling e hierarquização de categorias para refinar o desempenho em classes mais desafiadoras.