Automacao de Atendimentos Com Chatgpt

Automação de Atendimentos
com ChatGPT
Instrutor: Marcelo de Almeida Viana
2023
v050
IA: Automação de Atendimentos com Chat PT
Conteúdo
Marcelo de Almeida Viana
Revisão
Luciano Henrique Naldi
Editoração
André Feitoza Roque
Aprovação
José Augusto de Lima Prestes
Especialista de Projetos na Facti - Fundação de Apoio à Capacitação

em Tecnologia da Informação. Tem experiência na área de
Inteligência Artificial, Engenharia Biomédica, Engenharia Elétrica e
Eletrônica, atuando principalmente nos seguintes temas:
programação de algoritmos de inteligência artificial, projetos e
soluções de produtos ou serviços para saúde.
Também atuou como professor universitário e é membro do Comitê

Brasileiro Odonto-Médico-Hospitalar da ABNT/CB-026, relacionado a
projetos de normas técnicas.
Como formação acadêmica, é Doutor em Engenharia Elétrica

(UNICAMP, 2019), Especialista em Gerenciamento de Projetos
(SENAC-SP, 2020), Mestre em Engenharia Elétrica (UNICAMP, 2011) e
Engenheiro Elétrico pela PUC-MG (2007).
Sumário
1. Introdução 5
2. Inspiração 6
3. Conceitualização 7
3.1. Chatbots
3.2. Inteligência Artificial
3.3. ChatGPT e o contato inteligente
3.4. Estruturas dos chatbots
3.5. Principais tipos de usos de chatbots
3.6. Exemplos de chatbots
3.7. Boas práticas para construção de chatbots
4. Consolidação do Aprendizado 40
4.1. Estudo de Caso: atendimento a um projeto de uma Instituição

Científica e Tecnológica (ICT) Privada
4.2. Infraestrutura necessária para solução do Estudo de Caso
4.3. Proposta de solução do Estudo de Caso
5. Avaliação 65
5.1. Compartilhando Conquistas
Referências 68
IA: Automação de Atendimentos com ChatGPT
1. INTRODUÇÃO
Ao longo deste curso, abordaremos os pontos mais importantes
para compreender os principais conceitos sobre chatbots, como um dos
temas mais relevantes da atualidade para a automatização de
atendimentos. Os chatbots fornecem ao usuário informações precisas
por meio de interações programadas e personalizadas, de forma que
seja possível atender a vários usuários ao mesmo tempo.
A evolução da interação sobre como as máquinas estabelecem um

modelo de linguagem natural ágil e avançado é brevemente abordado
para contextualização sobre o emprego do ChatGPT, como um motor
de Inteligência Artificial (IA) treinado, que usa Aprendizado de Máquina
profundo para produzir textos semelhantes aos feitos por humanos.
A evolução da interação estreita relacionamentos e permite o

estabelecimento de uma comunicação imediata, ao passo que também
possibilita a redução de custos operacionais e a ampliação da
capacidade de resposta de empresas e organizações a usuários.
05
2. INSPIRAÇÃO
O que você entende de Inteligência Artificial? E de atendimento
inteligente por chatbot? Quais são as tendências para o mercado em
2023?
Antes de iniciarmos a Etapa de Conceitualização do conteúdo,

acesse a aba “Atividades” da plataforma do QualiFacti para executar as
atividades previstas.
Inicie respondendo ao formulário de Conhecendo um pouco mais

sobre você! para se apresentar ao instrutor. Na sequência, acesse a
atividade e assista ao Vídeo de Inspiração para começar a se
ambientar ao conteúdo que será abordado durante o curso e, em
seguida, acesse a atividade Sobre Inteligência Artificial e chatbots
para registrar suas respostas baseadas em seu conhecimento, com
insights e opiniões acerca das questões apresentadas.
Para finalizar esta etapa, você precisará acessar e seguir as

instruções da atividade Instalação das ferramentas, no qual precisará
se cadastrar, previamente ao início das aulas online, nas ferramentas
que utilizaremos no curso, como a plataforma Take Blip e na OpenAI.
Você deverá consultar o item 4.2 Infraestrutura para solução do
Estudo de Caso deste material e seguir o tutorial de para o cadastro.
06
3. CONCEITUALIZAÇÃO
3.1 Chatbots
Há algumas décadas, a transformação digital tomou espaço em
nossas vidas criando-nos a dependência do computador para
trabalhar, do smartphone para se relacionar, dos aplicativos para
resolver questões corriqueiras do dia a dia e tendo a internet como
conexão (TAKE BLIP, 2021a). Assim, alcançar o público imerso nesse
universo, tornou-se uma nova necessidade e os chatbots vêm se
tornando um dos maiores aliados da automatização de atendimento,
por ser uma estratégia simples e robusta.
Um chatbot é oriundo da junção dos termos chat e robot. É uma

comunicação simulada por um computador, ou seja, um software
programado para responder conversas automaticamente (Figura 1).
Eles ganharam renome nos últimos anos e têm sido usados por várias
empresas para atender aos usuários, dar informações sobre serviços,
vender produtos, oferecer conteúdo, entre outras funções (ALMEIDA et
al., 2020).
07
Figura 1. Funcionamento de um chatbot.
Fonte: adaptado de Dahiya (2017).
Os assistentes virtuais inteligentes (a Siri do iPhone, a Bia do

Bradesco, a Alexa da Amazon, a Lu do Magazine Luiza, o Google Home,
entre outros), por outro lado, são programas de computador
especialmente projetados para auxiliar os usuários. Nesse sentido,
respostas rápidas e precisas, cortesia, integração com os sistemas
corporativos, capacidade de aprendizado virtual, podendo estar
presentes ou não em um chatbot, sem que isso afete a sua
performance (CRUZ et al., 2018).
Os primeiros chatbots eram relativamente simples, utilizavam

recursos de Processamento de Linguagem Natural menos rebuscados
e não se integravam com outros sistemas e programas. Portanto, a
capacidade de prover respostas adequadas face às situações que lhes
eram apresentadas era limitada e baseada em suas respectivas bases
de conhecimento. De maneira prática, os chatbots permitem a
conversação por meio de técnicas textuais ou auditivas em sites,
aplicativos de mensagens, aplicativos móveis ou telefone, em resposta
.
08
às mensagens enviadas pelo usuário em diferentes canais, tais como:

WhatsApp, Instagram, Telegram, Facebook Messenger, entre tantos
outros (DAHIYA, 2017). Eles são encontrados na maioria dos sites de
grandes cadeias de varejo a provedores de serviços de telefonia móvel
e muitos outros tipos de sites e aplicativos. Podem ser usados para
transformar as extensas pesquisas de opinião e satisfação em diálogos
amigáveis, evitando o tédio e a dispersão (ETER, 2018).
O chatbot tem várias funcionalidades no mercado, algumas delas

podem ser utilizadas para diferentes segmentos, porém, existem
algumas principais como executar atendimento de maneira ágil,
enquanto os operadores de chat convencional pensam no que vão
responder e começam a digitar, o chatbot faz isso de forma quase
instantânea dando assim, o retorno de que o cliente precisa. Outro
principal ponto é a redução de custo, pois os chatbots conseguem
operar 24 horas por dia, sem pausas, atendendo a clientes
simultaneamente, melhorando a qualidade e precisão das informações
passadas e permanecem ativos e prontos para atender a todo
momento, sendo capazes de responder a 74% das dúvidas e interações
em até dois minutos (ALMEIDA et al., 2020).
Por outro lado, um chatbot pode apresentar problemas de

interação, com alguns vocabulários ou com as opções que ainda não
sabe resolver. Este problema vem sendo solucionado com o passar do
tempo com a inclusão e melhoria contínua da Inteligência Artificial (IA)
ou pode ser solucionado com a interação do chatbot com humanos, por
meio de transferência da conversação. Após o chatbot reconhecer que
não consegue prosseguir, ocorre a transferência para um atendente
humano, recebendo todo o histórico de mensagem para prosseguir e
09
finalizar o atendimento (RAMPINELLI, 2017).
3.2 Inteligência Artificial

Podemos pensar que Inteligência Artificial é um assunto novo,
afinal, o termo aparece em diferentes mapeamentos de tecnologias
emergentes realizados por renomados institutos de pesquisa como
McKinsey (BUGHIN et al., 2017) e Gartner (COSTELLO, 2019). Apesar da
fama recente, o termo IA foi oficialmente estabelecido em 1955 por
John McCarthy (MCCARTHY, 2006). Naquela ocasião, e nas décadas
seguintes, a IA era assunto acadêmico como tema de pesquisa. Foi
somente após o advento do Deep Learning (em português,
Aprendizagem Profunda) que se viabilizou o ganho de escala e,
consequentemente, a larga aplicação no desenvolvimento de produtos
e serviços. Mais adiante falaremos detalhadamente sobre o conceito de
Deep Learning.
Inteligência Artificial é um termo utilizado para designar sistemas

capazes de tomar decisões a partir de um conjunto de informações, ou
seja, de se adaptar tendo recursos e conhecimentos insuficientes
(WANG, 2006). Em outras palavras, é uma nova forma, um novo
paradigma no desenvolvimento de programas de computador
(software). A programação tradicional consiste em estabelecer um
conjunto de regras que, quando atendidas, levam a máquina a
executar tarefas necessárias para realizar alguma ação ou entregar
alguma resposta (Figura 2). Em programação é o conhecido “IF, THEN”
(“SE, ENTÃO”).
10
Figura 2. Paralelo entre programação clássica e Machine Learning.
Fonte: Adaptado de Chollet (2017).
Esse processo de fazer a máquina aprender é chamado de

Aprendizagem de Máquina, que é a tradução para um termo inglês
muito utilizado - Machine Learning (ML). Desta forma, enquanto a IA
pode ser definida, de modo amplo, como a ciência capaz de mimetizar
as habilidades humanas, o ML é uma vertente específica da IA que
treina máquinas para aprender com dados (SAS, 2022).
Quando usamos ML para obter sistemas inteligentes, ou seja,

sistemas que tomam decisões em situações que não são conhecidas,
esses sistemas necessitam ser treinados. Em ML há o treinamento da
IA a partir de dados - ou a partir de uma diversidade de dados - para
melhorar o seu treinamento. Então, a ideia é ter esse conjunto de
dados em que as respostas já estão embutidas neles, para obtermos as
suas regras.
11
O desafio é que existem problemas complexos demais para serem

mapeados sob a perspectiva do “IF, THEN”, como, por exemplo, um
carro autônomo. Seríamos capazes de descrever tudo que pode
acontecer à frente de um carro e dizer com antecedência qual ação
deveria ser programada para cada um destes eventos? Pense nas mais
diferentes possibilidades de eventos com pessoas, animais, outros
veículos, condições da rodovia e agora combine isto com diferentes
condições climáticas, diferentes iluminações, etc. É exatamente essa
complexidade que impulsionou pesquisadores a encontrarem novos
caminhos. Com IA, treina-se a máquina a partir de exemplos e
experiências para que se reconheça padrões semelhantes e, a partir
daí, seja tomada a melhor decisão.
Outra abordagem em forma de algoritmo desenvolvida para

implementar ML foi a Deep Learning, cuja tradução seria Aprendizado
Profundo. Esta técnica utiliza redes neurais profundas (isto é, com
múltiplas camadas) inspiradas no entendimento da biologia do nosso
cérebro e com a capacidade de processar informação dos diferentes
sentidos, tais como a visão, audição, tato, paladar e olfato, de forma
eficiente e inteligente (CUNHA, 2021). A redes neurais artificiais
representam uma família de modelos (camadas de software) que
imitam a elegância estrutural do sistema neuronal presente nas redes
neuronais biológicas com a conexão entre neurônios, no qual cria-se
camadas ocultas discretas, conexões e direções de propagação de
dados, até que a camada final produza a saída. Os resultados de cada
camada da rede neural são combinados para encontrar a resposta com
maior probabilidade de estar correta (CAUDURO, 2018).
12
Uma das principais vantagens do DL é que o sistema é capaz de

identificar sozinho as características que descrevem uma categoria
(SAS, 2022). Para descrever em palavras mais simples, vamos dar o
exemplo de reconhecer gatos e cachorros, onde a mãe ensina ao bebê
mostrando diferentes cachorros e diferentes gatos. Se estivéssemos
utilizando uma técnica de ML tradicional, a mãe deveria explicar ao
bebê: observe o formato dos olhos, das orelhas, o padrão de cores, o
tamanho, o formato do rabo e assim por diante. Estas seriam, portanto,
as características que definiriam um cachorro ou um gato. Já o
computador precisa identificar estas características em termos
matemáticos. Afinal, o computador não sabe o que é uma orelha ou um
olho, mas um computador sabe o que é um triângulo, o que é um
círculo e é capaz de reconhecer cores.
Em uma técnica de ML tradicional, os seres humanos indicariam

quais características definem um gato e quais características definem
um cachorro. A partir daí, o sistema seria treinado a reconhecer estas
características. Já em um sistema com DL, o ser humano não precisa
indicar as características. O próprio sistema é capaz de tirar suas
conclusões e escolher as características mais significativas para
diferenciar um gato de um cachorro.
A implementação de DL se dá por meio de redes neurais de

múltiplas camadas, como ilustrado na Figura 3. Cada nó da imagem
representa um neurônio artificial. Os dados são inseridos na rede
neural pela camada de entrada e são propagados através das camadas
ocultas até gerarem resultados na camada de saída.
13
Figura 3. Representação de uma rede neural de múltiplas camadas.
Fonte: o Autor.
A dinâmica da informação fluindo através de uma rede neural pode

ser simulada em https://playground.tensorflow.org, conforme ilustrado
na Figura 4.
Figura 4. Representação de uma rede neural de múltiplas camadas.
Fonte: adaptado de https://playground.tensorflow.org.
14
3.3 ChatGPT e o contato

inteligente
O ChatGPT é um modelo de linguagem gerativo, treinado pela
OpenAI, que se baseia na arquitetura GPT-3.5 (Generative Pre-trained
Transformer, traduzido como um transformador pré-treinando
generativo). Ele foi projetado para responder a uma ampla variedade
de perguntas e fornecer informações usando seu conhecimento de
texto em Processamento de Linguagem Natural (PLN) e uma grande
quantidade de dados de treinamento. O ChatGPT é capaz de realizar
tarefas como responder perguntas, realizar traduções, gerar textos e
códigos de programação (REINALDO FILHO, 2023).
Utilizando a IA, por meio da rede neural do seu modelo de

Aprendizado Profundo, o modelo consegue processar uma grande
quantidade de dados de texto, identificar padrões e realizar cálculos
complexos em tempo real para fornecer as respostas aos usuários. O
modelo é baseado na arquitetura “transformer” e é capaz de entender e
gerar texto por meio de um processo de pré-treinamento, para que
possa aprender a linguagem natural de forma autônoma. Durante o
pré-treinamento, o ChatGPT é alimentado com grandes quantidades de
texto em vários idiomas e é treinado para prever a próxima palavra em
uma determinada sequência de texto. Isso permite que ele desenvolva
uma compreensão profunda da gramática, sintaxe e contexto da
linguagem natural, sendo constantemente ajustado para produzir
saídas precisas e relevantes (ABAL, 2023).
15
O ChatGPT se destaca por sua habilidade de aprender e se adaptar

por meio de exemplos, em contraste a outros chatbots que são
programados com respostas específicas para entradas distintas. Essa
capacidade de adaptação e aprendizado geralmente confere ao modelo
uma habilidade mais avançada em compreender e gerar linguagem
natural do que outros chatbots, aumentando a colaboração para
realizar um contato inteligente. Isso permite que ele converse com os
usuários de forma natural e forneça respostas precisas e relevantes
para suas perguntas e necessidades (ABAL, 2023).
Com sua habilidade de entender o contexto e o significado das

palavras e frases, o ChatGPT pode identificar as intenções do usuário e
responder de maneira apropriada, sendo capaz de realizar tarefas
como agendar compromissos, enviar mensagens e fazer pesquisas
com base em comandos de voz ou texto. Além disso, pode ser
personalizado para atender às necessidades específicas de diferentes
empresas e organizações, permitindo que elas criem experiências de
contato inteligentes únicas e eficazes para seus clientes. Isso pode
incluir recursos como assistentes virtuais, chatbots e suporte ao cliente
automatizado (FIALHO, 2023).
16
3.4 Estruturas dos chatbots

De maneira geral, como vimos até agora, o objetivo dos chatbots é
permitir que o trabalho de atendimento seja agradável e contribua
realmente para a experiência do usuário, com soluções que
possibilitam obter as informações que os consumidores buscam
encontrar (ALMEIDA et al. 2020). Um chatbot não precisa ser construído
com IA, ele pode funcionar de três estruturas distintas, como será
abordado a seguir (TAKE BLIP, 2021a).
➔ Chatbot baseado em regras: só aceita e apresenta respostas

pré-determinadas;
➔ Chatbot com processamento de linguagem natural (NLP): utiliza
IA para aprender com as respostas dos usuários;
➔ Chatbot híbrido: mistura atendimento pelo chatbot e humanizado.
3.4.1 Chatbot baseado em regras
Os chatbots baseados em diretrizes ou regras, do tipo árvore de

navegação ou árvore de diálogo, são mais simples e, até por este
motivo, são os mais frequentemente vistos no mercado. São chatbots
com estrutura semelhante às URAs telefônicas (Unidades de Respostas
Audíveis, em que as máquinas atendem chamadas telefônicas e
oferecem menus de opções) ou como um FAQ programado (do inglês,
Frequently Asked Questions, que significa Perguntas Respondidas
Frequentemente ou simplesmente Perguntas Frequentes), com uma
seção de perguntas e respostas prontas para serem acionadas
conforme o termo selecionado ou digitado pelo usuário (TAKE BLIP,
2021b).
17
Um chatbot que funciona por meio de um conjunto de diretrizes, ou

regras, é um pouco mais limitado do que um chatbot com IA, pois só
pode responder a um número definido de solicitações e está
condicionado a compreender apenas um determinado vocabulário já
pré-definido na árvore de navegação criada (TAKE BLIP, 2021b). Diante
disso, é necessário pensar, listar e definir as diversas possibilidades de
perguntas e suas respectivas respostas, para personalizá-las da forma
mais humanizada possível.
Em um chatbot de árvore de navegação, o usuário é obrigado a

escolher um item de menu (Figura 5), uma opção numérica ou indicar a
letra da opção desejada. O chatbot não entenderá a solicitação se o
usuário responder algo diferente do que foi pré-indicado e,
provavelmente, irá repetir a mensagem automática ou transferir o
usuário para um assistente humano. Um chatbot baseado em regras
pode ser a melhor solução caso o objetivo seja oferecer a possibilidade
de realizar tarefas objetivas e, desta forma, não é fundamental contar
com IA (TAKE BLIP, 2021b).
18
Figura 5. Chatbot com menu através de botões clicáveis.
Fonte: adaptado de blip.ai.
Embora o chatbot baseado em regras seja uma ótima solução para

algumas aplicações, inevitavelmente, ele apresenta algumas restrições
que são próprias do seu funcionamento. A primeira delas é justamente
a falta de resposta quando a dúvida ou a solicitação não está
relacionada às categorias estipuladas em sua construção. Então, se as
opções oferecidas não forem satisfatórias, o chatbot não conseguirá
seguir com a resposta do atendimento ao usuário. Outra limitação
percebida é a de que as mensagens, de modo geral, são repetitivas e
elas não possuem uma espontaneidade na conversa, como acontece
em chatbot baseados em IA, fazendo com que a conversa seja menos
natural (TAKE BLIP, 2021b).
19
3.4.2 Chatbot com Processamento de Linguagem Natural
Quando os chatbots são conectados a tecnologias como o

Processamento de Linguagem Natural (NLP, sigla em inglês para o
termo Natural Language Processing), eles podem aprender maneiras
mais complexas de simular conversas humanas, como manter o
contexto, gerenciar um diálogo e ajustar as respostas com base no que
aparece na conversa, a fim de melhorar o desempenho durante a
próxima interação (TAKE BLIP, 2021).
De acordo com o Gartner (2021a), o NLP é definido como a

capacidade do dispositivo tecnológico de compreender a linguagem
humana e transformar uma fala em texto ou áudio em informações
codificadas e estruturadas, com base em uma ontologia apropriada.
Seu uso envolve a IA, que por sua vez, possui vertente no Aprendizado
de Máquina e a Linguística.
Com o NLP é possível transformar uma frase de texto livre em um

conjunto estruturado de dados, viabilizando a tomada de decisão em
um sistema computacional. Por exemplo, isto ocorre quando uma
pessoa envia uma mensagem para o chatbot de uma Instituição
Científica e Tecnológica dizendo: “Quero realizar um projeto de Lei de
Informática”. Ao receber esta mensagem, o chatbot consegue entender
os seguintes parâmetros:
Desejo: realizar
Produto: projeto
Investimento: Lei de Informática
Quantidade: 1
Com estes dados, mais o nome e os dados do cliente, já teríamos as

informações mínimas para propor um projeto.
20
Buscando um atalho, muitos simplificam o conceito de

intenção e entidade, treinando o sistema para reconhecer
uma intenção “realizar um projeto”. Esta abordagem não é
recomendada, uma vez que dificulta a futura expansão do
treinamento, gerando exemplos em duplicidade.
Recomenda-se, neste caso, utilizar a intenção “realizar” e a
entidade “projeto”.
Uma outra parte importante na criação é a simulação da execução

do chatbot. Utilizando sentenças que façam sentido com as entidades,
intenções e diálogos criados, o serviço devolve as entidades e a
intenção que o chatbot reconheceu na sentença e ainda oferece a
oportunidade de realizar ajustes caso o chatbot reconheça entidades ou
uma intenção que você entende que estão incorretas. Assim, devemos
conhecer três conceitos fundamentais para a criação de chatbots
(CARDOSO, 2017):
● Intenção: é o desejo que o chatbot perceberá que o usuário possui

ao enviar uma mensagem específica. Por exemplo, ao enviar um
“realizar” a intenção do usuário é ter a ação de realizar algo. Sendo
assim a intenção para a frase poderia ser “quero realizar”.
● Entidade: é o substantivo relacionado ao desejo que foi detectado
pelo chatbot. Por exemplo, se a frase enviada pelo usuário for
“quero realizar projeto”, a entidade poderá ser “projeto” ou “novo
projeto”.
21
● Diálogo: é onde se cria as respostas que o chatbot retornará ao

detectar uma intenção e/ou uma entidade. Por exemplo, se o
chatbot detectar que a intenção é “agradecimento” ele poderia
responder “obrigado por conversar comigo”.
No entanto, apenas configurar as intenções, as entidades e o

diálogo não tornam o chatbot pronto, pois ainda faltaria a integração
com um mensageiro ou uma aplicação para realizar o treinamento da
IA para entendimento das comunicações (CARDOSO, 2017). O uso de
tecnologias como a Natural Language Understanding (NLU), ou
Compreensão de Linguagem Natural, é uma ferramenta que serve para
ensinar aos robôs padrões da fala humana, suas intenções e
individualidades. A máquina, por sua vez, processará a informação de
forma matemática para compreender e apresentar a resposta ideal ao
usuário.
Desta forma, a diferença entre um chatbot do tipo árvore de

navegação e um chatbot com NLP é que esse tipo de chatbot usa como
base a IA, o que significa que possui uma rede neural com capacidade
de aprendizado e está relacionado principalmente ao tipo de resposta
que o chatbot aceita. O chatbot com IA é capaz de entender o que o
usuário deseja a partir de um texto livre digitado pelo usuário e
aprende a se comunicar conforme a interação que recebe com os
usuários (Figura 6), enquanto que chatbot baseado em regras realiza
tarefas objetivas, mas tem um número limitado de sentenças e
respostas que pode identificar em seu banco de dados (TAKE BLIP,
2019).
22
Figura 6. Chatbot aguardando resposta digitada livremente pelo usuário.
Para treinar um chatbot com IA são necessários exemplos de falas

reais de usuários, ou seja, como as pessoas de verdade escrevem
quando conversam. A melhor maneira de obter exemplos de usuário é
designar pessoas para fazerem atendimento manual e registrar o
histórico do que os usuários escreveram. Obter exemplos de falas do
usuário e designar pessoas para fazerem atendimento manual é uma
abordagem que requer a intervenção humana em cada interação com
o usuário. Isso significa que a empresa ou organização precisa investir
em uma equipe de atendimento ao cliente para responder às
perguntas dos usuários e registrar o histórico de cada interação. Além
disso, essa abordagem pode ser limitada em termos de escalabilidade,
já que é difícil gerenciar um grande volume de solicitações de usuários
de maneira eficiente e rápida.
23
Por outro lado, o Processamento de Linguagem Natural, como o

realizado pelo ChatGPT, é uma abordagem automatizada que utiliza
algoritmos para entender a linguagem natural dos usuários e gerar
respostas adequadas. Essa abordagem é altamente escalável e pode
lidar com grandes volumes de solicitações de usuários em tempo real,
sem a necessidade de intervenção humana em cada interação. Além
disso, o ChatGPT pode aprender e se adaptar continuamente com base
em novos dados e feedbacks dos usuários, o que permite melhorar
ainda mais a qualidade das respostas fornecidas.
Em resumo, a principal diferença entre obter exemplos de falas do

usuário e designar pessoas para fazerem atendimento manual e o
Processamento de Linguagem Natural é que a primeira é uma
abordagem manual e limitada, enquanto a segunda é uma abordagem
automatizada, escalável e em constante evolução.
Alguns elementos são fundamentais para a funcionalidade geral do

chatbot com IA, entre eles (TAKE BLIP, 2021a):
➔ Classificadores de texto;
➔ Algoritmos adequados;
➔ Redes neurais artificiais;
➔ Entendimento de NLP.
Mesmo com um chatbot com IA é possível, e indicado, oferecer um

atendimento híbrido, no qual o chatbot possa encaminhar o usuário
para um atendente humano, em casos de solicitação de informações
que ele ainda não sabe responder (TAKE BLIP, 2019).
24
3.4.3 Chatbot híbrido
Quando o autoatendimento não é capaz de responder

determinados questionamentos, a melhor alternativa é disponibilizar
os chamados chatbots híbridos - chatbot mais atendimento humano -
que determinarão o exato momento de envolver um humano na
conversa. Quando se opta pelo atendimento híbrido é fundamental
separar as funções dos chatbots e dos atendentes humanos, definindo
o que cada um deve resolver (INBENTA, 2018).
Assim, o objetivo do chatbot será de realizar uma triagem da forma

mais completa possível, após fornecer todas as informações
disponíveis como: envio de links, artigos, esclarecimento de dúvidas,
busca de pedidos, envio de segunda via de boletos etc., para que
somente as demandas que os chatbots não conseguirem suprir sejam
enviadas para o atendente. Além disso, quando essa conversa for
redirecionada é essencial que o histórico da conversa seja enviado para
que o atendimento aconteça de forma mais objetiva. O chatbot poderá
também ter foco na retenção, em que o atendente humano deverá ser
acionado para casos complexos, em que as solicitações necessitam de
uma atenção específica e personalizada (TAKE BLIP, 2020a).
De forma geral, um chatbot híbrido funciona da seguinte maneira

(INBENTA, 2018):
➔ A conversa é iniciada quando o usuário digita uma mensagem na

caixa de diálogo;
➔ Assim que o atendimento é iniciado, o usuário é geralmente
cumprimentado pelo atendente virtual, que estará programado
para digitar as perguntas e respostas;
25
➔ O atendente virtual disponibiliza as respostas pré-programadas ou

acessa a base de conhecimento em busca das respostas mais
relevantes, com base no NLP;
➔ Caso o usuário não fique satisfeito com a resposta do atendente
virtual, é sugerido que ele se conecte a um atendente humano
(Figura 7);
Figura 7: Chatbot solicitando se deseja o atendimento humano.
➔ Neste caso, toda a conversa anterior é enviada para um atendente

humano, de forma que ele possa continuar a conversa do ponto
que o robô de atendimento parou (Figura 8). Nesse contexto, não
há necessidade de o usuário repetir tudo de novo, tornando a
experiência do usuário a mais eficiente possível.
26
Figura 8. Exemplo de transferência para o atendimento humano.
3.5 Principais tipos e usos de

chatbot
O cenário ideal de uso dos chatbots consiste em criar uma sintonia
entre a automatização e o atendimento feito por pessoas, ou seja,
proporcionar uma verdadeira evolução na relação entre pessoas,
tecnologia e empresas, com o propósito de fornecer um rápido
retorno, interação eficiente e sem necessidade de aplicativos de
atendimento. Contudo, nem todos os chatbots são iguais e possuem
modelos classificados de acordo com o uso (TAKE BLIP, 2017a):
27
➔ Otimizadores: se encarregam de desafios mais concretos e os

executam de forma eficiente. São o tipo de solução que reduz o
atrito existente nos diferentes canais, como os aplicativos e ainda
podem realizar tarefas customizadas por mensagem de voz;
➔ Conversacionais: como o próprio conceito sugere, eles são
utilizados para conversar com os usuários;
➔ Proativos: tendem a ser mais objetivos, pois evitam notificações
desnecessárias e vão direto ao ponto. Os chatbots proativos
acompanham as atividades dos usuários por meio de dispositivos e,
dessa maneira, fornecem informações certeiras nos momentos
mais oportunos;
➔ Escudo: atuam em tarefas mais rotineiras, como atendimento de
reclamações e suporte ao cliente. Assim, ajudam a evitar situações
constrangedoras e difíceis de administrar, por exemplo, em um call
center;
➔ Sociais: desempenham atividades específicas, pois se estruturam a
partir das multidões como, por exemplo, contabilizar votos dos
usuários.
Embora muitas pessoas associam os chatbots ao suporte ao cliente,

esta não é a sua única funcionalidade e vem transformando a relação
entre usuários e organizações em diferentes frentes, conforme o seu
objetivo de uso e para qual propósito ele vai atuar.
28
3.5.1 Chatbot para marketing
O chatbot para marketing tem o objetivo de ampliar o engajamento

do público que se relaciona com a marca, para converter um simples
visitante (leads) em um usuário ou possível consumidor dos produtos
ou serviços oferecidos e, a partir daí, estabelecer uma relação próxima
a estabelecida por um e-mail marketing, mas bem mais efetiva. Desta
forma, dentro do marketing, os chatbots podem se tornar ferramentas
extremamente eficientes para (TAKE BLIP, 2017b):
➔ captar e qualificar leads;

➔ fazer a nutrição de contatos;
➔ gerenciar as etapas do funil de vendas;
➔ realizar rápido atendimento, melhorando a imagem da empresa
perante os clientes;
➔ coletar dados sobre o mercado em que a empresa está inserida.
3.5.2 Chatbot para vendas
O chatbot, quando usado para vendas, pode atuar em variadas

frentes do processo de vendas para alcançar seus clientes e realizar
negociações de maneira mais eficaz durante todo o processo de
vendas. Cada etapa implica em estratégias e condutas distintas para o
chatbot (TAKE BLIP, 2017c), como:
➔ prospecção: refere-se ao modo como encontra e identifica

potenciais consumidores, reunindo informações sobre os prováveis
interessados e entender quais as suas necessidades e dificuldades;
29
➔ qualificação: usada para entender se o potencial usuário está

interessado, já possui o produto e até mesmo se pode pagar ou
não por ele. Ao qualificar as informações, o possível usuário passa a
se tornar um lead;
➔ apresentação, negociação e fechamento: essa etapa do funil de
vendas é usada para apresentar uma proposta, de modo que as
condições fiquem boas para ambas as partes e ocorra o
fechamento da compra;
➔ pós-venda: consiste no gerenciamento do relacionamento com o
cliente, para que eles voltem a consumir e fidelize o cliente
oferecendo contato simples e ágil para solução de dúvidas e
reclamações.
3.5.3 Chatbot para atendimento
Quando o assunto é otimização do atendimento, o uso do chatbot é

fortemente recomendado, já que um chatbot consegue atender várias
pessoas ao mesmo tempo, enquanto um atendente precisa focar em
um cliente de cada vez. Além disso, ao usar o chatbot para atendimento
é possível utilizar os atendentes humanos para práticas mais
estratégicas, automatizando tarefas das áreas que são repetitivas. A
intenção é chegar a um equilíbrio para que a conversa com o usuário
flua de maneira simpática e ganhe agilidade no atendimento pelo
chatbot (TAKE BLIP, 2020b). As principais vantagens do uso de chatbots
para atendimento ao usuário são:
30
➔ disponível 24 horas por dia em todos os dias da semana, mesmo

em momentos que não haja atendimento humano;
➔ dialogar com qualquer número de pessoas simultaneamente, sem
criar filas de espera, otimizando o tempo com o usuário;
➔ se bem programado, sempre dará a resposta ou direcionamento
adequado à solicitação do usuário;
➔ pode oferecer um envolvimento mais próximo para engajar os
usuários;
➔ redução considerável de custos para filtrar os atendimentos mais
simples;
➔ aumento da satisfação do usuário, evitando reclamações;
➔ precisão nas respostas, conforme a evolução do atendimento aos
usuários;
➔ integração com multiplataformas melhorando a comunicação com
os usuários.
3.6 Exemplos de chatbots

Os primeiros chatbots foram desenvolvidos para fins de pesquisa
acadêmica a partir da segunda metade da década de 1960. Nessas
pesquisas, investigava-se a possibilidade de desenvolvimento de
interfaces computacionais capazes de se comunicar com seus usuários
por meio de linguagem natural. Como é comum ocorrer com
tecnologias computacionais desenvolvidas em institutos de pesquisa,
logo se vislumbraram aplicações comerciais para eles. O primeiro
chatbot foi a ELIZA (Figura 9), desenvolvido pelo professor Joseph
Weizenbaum, do Instituto de Tecnologia de Massachusetts - MIT, entre os
.
31
anos 1964 e 1966, supostamente para demonstrar o quão superficial

era a comunicação entre humanos e computadores naquela época. A
ELIZA simulava a conversa de pacientes com seu psicólogo e os
pesquisadores ficaram espantados com o resultado, imaginando que
ela poderia ajudar em tratamentos psicológicos (FERNANDES e ESTIMA,
2019).
Figura 9. ELIZA, primeiro chatbot psicoterapeuta.
Fonte: adaptado de Fernandes e Estima (2019).
32
Um grande exemplo de caso de um chatbot que realiza

atendimentos à população é o Poupinha, um chatbot responsável pelo
atendimento de serviços no site do Poupatempo (Figura 10). Segundo
dados divulgados pela revista Consumidor Moderno, o robô mantém
uma média de 5 mil usuários atendidos por dia, o que em 3 meses,
representou um montante de 8,5 milhões de mensagens trocadas e
218 mil atendimentos concluídos diretamente pelo chatbot
(RANPINELLI, 2017).
Figura 10. Poupinha, Assistente Virtual Poupatempo.
Fonte: adaptado de Poupatempo-SP.
33
O Robô Ed (Figura 11), criado em 2004 com a tecnologia InBot pelo

CONPET (Petrobras), é um robô com IA capaz de conversar com
milhares de usuários simultaneamente como se fosse um atendente
real e falar sobre assuntos ligados ao uso racional de energia,
derivados de petróleo, meio ambiente, gás natural, dicas de economia,
qualidade do ar, biocombustíveis, programas educacionais, fontes
alternativas de energia etc. O nome Ed é uma sigla e significa "Energia
e Desenvolvimento".
Figura 11. Robô Ed, desenvolvido pela CONPET (Petrobras).
Fonte: adaptado de InBot.
34
A Take Blip, empresa que disponibiliza uma plataforma de

desenvolvimento de chatbots aos seus usuários, possui o seu Contato
Inteligente Take Blip (Figura 12) para atendimento às pessoas que
buscam informações gerais sobre seus serviços que, entre eles estão,
criação dos fluxos de conversas automatizadas, integrações com as
diferentes plataformas conversacionais, além da gestão do time de
atendimento.
Figura 12. Contato Inteligente da Take Blip.
35
3.7 Boas práticas para construção de chatbots
O desafio da construção de chatbots relevantes para o usuário

envolve uma série de cuidados e dentre elas, podemos citar (TAKE BLIP,
2018):
1. Defina a interface da conversa
Assim como qualquer software, um chatbot possui uma interface

com o usuário e, uma vez que este entrega um serviço por meio de
uma conversa, é preciso pensar em todas as possíveis mensagens
trocadas com o usuário. A junção destas mensagens deve parecer
uma conversa fluída.
2. Envie poucas perguntas ao usuário
Muitas vezes, no momento da construção do chatbot, são elencadas

muitas informações para o usuário, o que pode não ser benéfico já
que o usuário passará por várias mensagens antes de conseguir a
informação que necessita. Dados pessoais dos usuários devem ser
solicitados apenas quando for extremamente preciso. Se precisar
de informações sensíveis, evite pedir no início do fluxo do chatbot,
principalmente por questões da Lei Geral de Proteção de Dados
(LGPD). O ideal é que o primeiro contato seja para apresentar as
possibilidades do atendimento e, também, para perguntar qual
nome pode chamar. Não solicitar mais do que dois dados pessoais
para o usuário. Evite conversas prolongadas e a razão de
mensagens enviadas para recebidas ideal seria 2:1, duas
mensagens enviadas pelo chatbot com uma resposta do cliente,
assim, a conversa não fica cansativa ou até mesmo que o usuário
desista no meio da interação.
36
3. Direcione para o melhor caminho
Algumas vezes não é simples para o usuário expressar o que ele

realmente deseja e de forma que o chatbot entenda. Por esta razão
é aconselhado induzir o usuário, sempre que possível, de forma
simples e intuitiva para o melhor caminho que o chatbot possui
para que as pessoas consigam obter o serviço que ele se propõe a
atender.
4. Atenção ao tempo de resposta
É preciso verificar se a infraestrutura está na configuração

compatível com o volume e tempo de envio/recebimento de
mensagens, de modo a não deixar o usuário esperando pela
resposta. Quando as respostas surgem de forma quase
instantânea, o usuário costuma avaliar positivamente a interação.
Por fim, evite que o usuário só resolva o problema que o chatbot se
propôs a resolver em outros canais de atendimento, como telefone
e e-mail.
5. Informe os limites do atendimento
Assim como qualquer software, um chatbot deve resolver o

problema para o qual ele foi pensado. Portanto, caso o usuário
peça algo que seu chatbot não foi projetado a responder ou ainda
não consegue, é preciso informá-lo sobre esta limitação e, se
possível, propor-lhe uma ação como direcioná-lo ao atendimento
humano. É importante reforçar também o tempo de espera para o
atendimento, alinhando as expectativas do usuário quanto aos
horários de disponibilidade em finais de semana, feriados e fora do
horário comercial.
37
6. Solicite avaliação do atendimento
Comentários positivos ou negativos são úteis para a autoavaliação

e ajudam na construção de aplicações que realmente atendam às
necessidades do usuário. Ainda mais no mundo dos chatbots, que
os feedbacks estão a um clique, bastando escrever algo e enviar.
Essa pesquisa pode ser aplicada após a finalização de um
atendimento, tanto para o atendente virtual quanto para o
atendente humano. Por isso, é preciso estar sempre atento a todos
os feedbacks e, se possível, incentivá-los.
7. Utilize todos os recursos disponíveis
Não limite o atendimento a apenas conversas textuais. No

momento da construção do chatbot, avalie e disponibilize sempre
os recursos disponíveis, oferecendo menus interativos ou de
respostas rápidas, imagens, documentos, direcionamentos para
websites, ou seja, tudo o que puder tornar mais atrativo e amigável
o ambiente de atendimento e com o maior número de informações
sobre o produto ou serviço, aumentando as chances de conversão.
Mas, tenha cuidado com links não identificados que possam gerar
desconfiança por parte do usuário.
3.7.1 Nome do personagem
É recomendado atenção na designação do nome do chatbot.

Embora seja comum no mercado atribuir nomes humanos a chatbots, é
de bom tom cuidar para que o chatbot não induza o usuário a pensar
que está conversando com um ser humano. Esta recomendação se
baseia em dois aspectos:
38
1. Ético: em um futuro próximo será cada vez mais difícil diferenciar

se estamos conversando com uma máquina ou com um ser
humano. O risco do ser humano vir a ser manipulado
psicologicamente por máquinas é real (SILVEIRA, 2017). Cabe aos
profissionais da área cuidar para não intensificar este
mal-entendido, deixando claro quando um atendimento está sendo
conduzido por um ser humano e quando está sendo atendido pelo
chatbot.
2. Prático: ao deixar claro que o atendimento está sendo conduzido
por um chatbot e quais serviços ele compreende, nivela-se a
expectativa do usuário, que tenderá a ser mais assertivo nas frases
que enviará para o chatbot.
Portanto, ao nomear seu chatbot e criar uma identidade visual,

sugere-se utilizar nomes e imagens que deixem claro que se trata de
um robô.
3.7.2 Loop de repetição
Ao desenvolver um chatbot, cuide para que não haja um loop, ou

seja, um conjunto de perguntas e respostas de onde o usuário não
consegue sair. Este tipo de erro acontece com muita frequência, por
exemplo, quando um chatbot não consegue entender o que o usuário
escreveu e refaz a mesma pergunta inúmeras vezes, deixando o
usuário preso naquele passo.
Tendo em vista a experiência do usuário, é importante permitir que

o atendimento seja transferido para um atendimento humano nas
situações em que o chatbot não seja capaz de atender à solicitação do
usuário.
39
4. CONSOLIDAÇÃO
No decorrer desta unidade, apresentaremos o estudo de caso que
será utilizado para compreendermos um cenário que vai desde
construir e configurar um chatbot utilizando a integração com a
Inteligência Artificial do ChatGPT e colocá-lo no ar em poucos passos.
4.1 Estudo de caso: atendimento

a um projeto de uma Instituição
Científica e Tecnológica Privada
Em uma Instituição Científica e Tecnológica (ICT) Privada, assim

como em outros negócios, a facilidade para o cliente entrar em contato
e tirar dúvidas é um fator determinante para o sucesso do negócio.
Durante muitos anos o formato padrão para conhecer a organização e
tirar dúvidas foram o telefone e a home page. Hoje, muitos
empreendimentos focam nos aplicativos como uma maneira de facilitar
a vida do usuário.
Porém, uma tendência tem se mostrado cada vez mais forte é a

interação com os clientes por meio de interfaces conversacionais, ou
seja, por meio de conversas em canais de atendimento como o
WhatsApp, Telegram, Facebook Messenger, mensagem direta do
Instagram, entre outros. A pandemia da COVID-19 contribuiu muito
para a adoção destes canais e prevê-se que 80% das organizações dei-
40
xarão de usar aplicativos nativos dos smartphones e passarão a utilizar

sistemas baseados em mensagens até 2025 (GARTNER, 2021b).
Quando o assunto é otimização do atendimento, o uso do chatbot é

fortemente recomendado, já que ele consegue atender várias pessoas
ao mesmo tempo enquanto um atendente precisa focar em um cliente
de cada vez. Ele pode ampliar a experiência do cliente, de maneira que
ele possa solucionar dúvidas, necessidades de suporte, com um custo
baixo e um benefício claro para o cliente e a empresa. As Figura 13 e 14
demonstram um chatbot de atendimento no Facebook Messenger e
Telegram, respectivamente.
Figura 13. Simulação de navegação em um chatbot no Facebook Messenger.

Fonte: o Autor.
41
Figura 14. Simulação de navegação em um chatbot no Telegram.
Fonte: o Autor.
Ao contrário do que muitos acham, o atendimento por chatbot não

irá substituir o atendimento humano. Uma equipe de atendimento
moderna e eficiente é aquela em que ferramentas e softwares agem
em conjunto com atendentes bem treinados, melhorando a satisfação
e diminuindo os custos da empresa (TAKE BLIP, 2021a).
4.1.1 Decisões tecnológicas
Nosso objetivo será construir um chatbot para a Facti - Fundação de

Apoio à Capacitação em Tecnologia da Informação - e, para isto, vamos
precisar tomar algumas decisões de negócio:
● Vamos criar um chatbot baseado em Processamento de Linguagem

Natural, utilizando a Inteligência Artificial do ChatGPT.
42
● Vamos atender aos usuários de quais canais de comunicação?

● Como iremos desenvolver o nosso chatbot e onde vamos
hospedá-lo? Vamos programar? Vamos utilizar uma ferramenta
visual baseada em fluxograma? Vamos utilizar uma ferramenta de
chatbot que hospede a nossa solução?
4.1.2 Proposta de implementação
Vamos criar um MVP (Minimum Viable Product, expressão em inglês

para o menor conjunto de especificações que resolvam um problema
para o cliente) durante esta etapa.
Para este MVP, escolheremos o canal do Facebook Messenger ou

do Telegram, em função da simplicidade e por não apresentar custos
para integração.
Como ferramenta de Inteligência Artificial utilizaremos o ChatGPT,

da OpenAI, que permite incorporar suas funcionalidades por meio de
uma API (do inglês, Application Programming Interface, ou seja uma
Interface de Programação de Aplicação) que fará a integração com com
a ferramenta de desenvolvimento do chatbot.
Para a construção do chatbot utilizaremos a ferramenta Blip, da

Take.net, por se tratar de uma ferramenta prática e com um pacote
gratuito que permite a integração com o Facebook Messenger e
Telegram.
Nosso objetivo será direcionar o cliente para que ele tenha o

melhor atendimento para buscar informações sobre os cursos de
capacitação do QualiFacti ou como contratar um projeto, para que
possamos ganhar tempo e ter uma melhor possibilidade de conversão.
43
4.2 Infraestrutura utilizada para

o estudo de caso
Para realizarmos a implementação da infraestrutura necessária

para realizar o desenvolvimento do chatbot, para que se consiga
realizar a automação dos atendimentos com ChatGPT, vamos utilizar
uma infraestrutura web de mercado. Antes de entrar propriamente na
criação, vamos realizar o cadastro nas ferramentas necessárias para
realizar sua execução. Vamos precisar contar com os seguintes
aplicações:
4.2.1 Ferramenta Blip
O Blip é uma plataforma para construção de chatbots por meio de

fluxogramas, que pode ser utilizada sem ou com programação, de
acordo com a necessidade do projeto e com as habilidades do usuário.
A ferramenta está disponível em https://www.take.net/blip, sendo
necessário criar uma conta de acesso utilizando a opção “Entrar” na
página principal da plataforma (Figura 15) e clique em “Cadastre-se
grátis” ou ainda, clique para entrar com sua conta Google (Figuras 16).
44
Figura 15. Criando uma conta na Take Blip.

Figura 16. Informe um e-mail e senha para cadastro.

45
Em seguida, será necessário completar o cadastro com informações

como (Figura 17): nome, sobrenome e e-mail. Será preciso selecionar o
checkbox de aceitação dos termos, política e privacidade da Blip e
marcar no recaptcha: “Não sou um robô” e selecionar as imagens
indicadas. Ao final, clique em “Seguir” e para que cadastre sua senha
(Figura 18), clique em “Criar” e um e-mail de ativação da conta será
enviado ao e-mail cadastrado na Blip (Figura 19).
Figura 17. Completando o cadastro na Take Blip.

Figura 18. Criando a senha da conta Take Blip.

46
Figura 19. Confirmação do e-mail de cadastro na Take Blip.

Após confirmar o e-mail, acesse a plataforma para começar a

explorar todas as funcionalidades da Blip.
4.2.1 Chave de API da OpenAI
A chave de API da OpenAI é um código de acesso exclusivo que

permite aos desenvolvedores acessar os serviços e recursos da
plataforma da OpenAI e utilizá-la em projetos e aplicativos que fazem
uso dos recursos oferecidos pela empresa. É um tipo de senha que
autoriza o acesso ao uso de modelos de linguagem natural ou
Processamento de Linguagem Natural.
Os desenvolvedores precisam solicitar uma chave de API junto à

OpenAI e, uma vez concedida, eles podem usá-la para acessar os
recursos da plataforma e integrá-la em suas aplicações. Para obter a
chave de API acesse https://platform.openai.com/account/api-keys e
realize o login (Figura 20) para criar sua conta, que pode ser pelo e-mail
47
pessoal ou conta Google ou Microsoft (Figura 21).
Figura 20. Acesso à autenticação.

Fonte: adaptado de OpenAI.
Figura 21. Criando conta na OpenAI.

Ao acessar com o seu e-mail, complete os dados informando o seu

nome, sobrenome e clique em “Continue” (Figura 22). Informe um
número de telefone (Figura 23) e clique em “Send code”.
48
Figura 22. Informando dados pessoais.

Figura 23. Informando o telefone.

Após clicar para enviar o código de verificação para o número de

celular informado, localize o código em seu aparelho (mensagem SMS)
e digite na região indicada (Figura 24). Ao informar corretamente o
código você terá acesso à área API Keys (Chave de API; Figura 25).
49
Figura 24. Informando o código enviado por SMS.

Figura 25. Área da API Keys na OpenAI.

Conforme a figura acima, localize e clique no botão “Create new

secret key” para gerar a Chave de API. Copie a chave e salve-a! Uma vez
fechada não será mais possível visualizá-la e precisaremos dela para
trabalhar durante o nosso curso, integrando o chatbot à OpenAI, para
utilizar os recursos de NLP.
50
4.3 Proposta de solução do

Estudo de Caso
Agora que conhecemos as ferramentas essenciais para o

desenvolvimento de chatbots, chegou a hora de aplicarmos o que
abordamos de forma mais específica. O nosso cliente, a Facti, solicitou
uma aplicação de atendimento ao cliente via chatbot e será preciso
propor uma solução. Em nossa proposta abordaremos o
desenvolvimento de um fluxo híbrido, em árvore de navegação por
meio de um menu convencional e integrando a IA do ChatGPT.
Vamos começar a construir nosso fluxo e, para começar o

desenvolvimento do chatbot, será necessário localizar e clicar no ícone
“Criar chatbot”. Na tela seguinte você deverá escolher o template do
chatbot, escolhendo a opção “Criar do Zero”. Você precisará definir o
“Nome do chatbot” e uma imagem (opcional) e clique em “Finalizar”
(Figura 26). Caso opte por utilizar o logotipo da Facti, clique no link para
realizar o download.
Figura 26. Escolhendo um nome e imagem do chatbot.

Fonte: o Autor.
51
A construção do fluxo no Blip inicia-se na aba “Builder” e é

basicamente composta por blocos que representam cada passo da
conversa. Estes blocos são conectados por linhas que definem como a
conversa evolui, de acordo com as respostas do usuário. Ao criar um
chatbot no Blip, ele já monta o bloco início e o bloco de exceções. O
bloco de início sempre fica aguardando a entrada do usuário, enquanto
que o bloco de exceções trata das situações em que o chatbot não
entendeu o que o usuário escreveu.
A estrutura de cada bloco é composta pelo nome do bloco na

região superior, podendo ser renomeado, por exemplo, conforme a
ação referente ao bloco. O conteúdo inicial de cada bloco possui uma
“Entrada do usuário”, no qual o chatbot irá aguardar ou não por uma
resposta do usuário. Indicações de usuário digitando (por exemplo,
“...”) podem ser inseridas para criar um ambiente mais amigável e
estabelecer uma pausa entre cada mensagem enviada pelo chatbot. As
mensagens provenientes do chatbot poderão ser na forma de texto, um
menu de resposta rápida, imagem, menu na forma de carrossel, menu
convencional ou ainda outras opções, conforme desejado.
Uma outra funcionalidade encontrada são as “Condições de saída”

do chatbot (Figura 24), ou seja, onde se definem as regras e o próximo
bloco para o qual o usuário será direcionado, definindo os sentidos das
setas dentro do fluxo programado. Por definição, a “Saída padrão”
define para qual bloco o usuário será direcionado se nenhuma das
condições forem cumpridas, por exemplo, direcionado ao bloco de
"Exceções” mostrando uma mensagem de erro padrão, no qual o
chatbot não conseguiu entender o que foi solicitado. Outra opção
existente é a das “Ações” (Figura 25), pois nela é possível estabelecer
quais serão as “Ações de entrada”, a serem executadas antes do envio do
52
primeiro conteúdo, bem como as “Ações de saída”, que serão

executadas após o envio do último conteúdo ou resposta do usuário.
Na área principal do “Builder” encontramos algumas outras opções

para trabalharmos durante o desenvolvimento de nosso chatbot. Na
aba “Atendimento” conseguimos acessar a funcionalidade do
atendimento humano, conforme exploraremos mais adiante. Já na aba
“Canais” encontramos os meios que conseguimos conectar o nosso
chatbot, seja pelo Blip Chat, por meio de um link ou mesmo
incorporando-o a um website ou às redes sociais como Facebook
Messenger, Telegram, dentre outros. Também conseguimos testar a
todo momento o fluxo em construção, lembrando apenas que
necessitamos clicar em “Publicar o fluxo” antes de cada teste.
Finalizado o conhecimento do ambiente, apresentamos o fluxo

conversacional para a nossa solução (Figura 27).
Figura 27. Fluxo de atendimento do chatbot da Facti.

Fonte: o Autor.
O nosso fluxo básico contará com um bloco “Boas vindas”, em que o

chatbot irá se apresentar e perguntar o nome do usuário. O bloco
seguinte será o “Nome”. Nele, o chatbot precisará recuperar o nome di-
53
gitado pelo usuário, que ficará salvo na variável {{nome}}, e apresentar

e perguntar o nome do usuário. O bloco seguinte será o “Nome”. Nele,
o chatbot precisará recuperar o nome digitado pelo usuário, que ficará
salvo na variável {{nome}}, e apresentar o que a Facti oferece no
atendimento - cursos na área de TIC e realização e gestão de projetos
de PD&I - e estas opções deverão aparecer na forma de menu no bloco
seguinte, “Menu principal”, apresentando as opções:
1. Cursos do QualiFacti
2. Projetos
Uma vez o usuário tendo optado por saber sobre os cursos, o bloco
“Cursos do QualiFacti” irá apresentar o QualiFacti, fornecendo o link para
plataforma (https://facti.com.br/qualifacti/) e, em seguida, apresentar
um menu para a opção de curso, conforme exposto:
1. Visão Computacional aplicada ao reconhecimento de imagens
Ao escolher o curso, o chatbot deverá seguir para o bloco “Curso

VCA” e recuperar o curso escolhido, salvo na variável {{curso}}, e ser
direcionado ao bloco “Pergunta cursos”, como será abordado mais
adiante. Precisaremos agora, na aba “Ações” do Curso VCA, criar uma
ação de entrada “Definir variável” para definir uma variável prompt
(nome da variável) referente a este curso.
O prompt é elaborado de forma que o chatbot possa responder

perguntas a respeito do curso, tirando as dúvidas dos usuários ou
fornecendo as informações no qual será consultado. Desta forma,
devemos construir o prompt para o Curso VCA, conforme a seguir. Aqui
no tutorial, está marcado de azul o que se refere a descrição do curso
que será solucionada as dúvidas.
54
Curso: Visão Computacional aplicada ao reconhecimento de imagens

Área: Inteligência Artificial
Carga horária: 9 horas assíncronas e 6 horas síncronas (online)
Dias das aulas síncronas (online): terças e quintas-feiras das 19 às 22
horas
Meio utilizado para execução das aulas: Google Meet
Instrutor: Marcelo Viana
Indicado para: Estudantes do ensino médio, graduação,
pós-graduação ou profissionais interessados no tema
Pré requisitos: Possuir conhecimentos consolidados em sistemas
operacionais (Windows, Linux ou Mac OS), navegadores de internet,
comandos básicos de utilização e noções de estruturas de linguagem
de programação
O que irá aprender: Principais conceitos relacionados à Visão
Computacional. Abordagem sobre o que é uma imagem digital. Como o
aprendizado de máquina reconhece imagens e principais aplicações.
Pilares da inteligência artificial, abordando machine learning e deep
learning. Arquitetura das redes neurais e abordagem dentro do modelo
de reconhecimento de imagens. Apresentação da linguagem Python e
suas principais bibliotecas. Utilização de ferramenta Open Source de
programação (Jupyter Notebook) para aplicação dos conceitos básicos
de programação em Python. Estudo de caso para a aplicação dos
principais conceitos e ferramentas utilizadas nas abordagens
relacionadas ao reconhecimento de imagens médicas. Implementação
da infra-estrutura necessária para o desenvolvimento do estudo de
caso. Atividade de consolidação final adaptando o modelo para o
reconhecimento de outros padrões de imagens.
Ferramentas de apoio: Navegador de internet, Python, bibliotecas, IDE
Jupyter Notebook e banco de imagens fornecidos pelo instrutor.
Certificado: Sim, com participação de 75% das aulas
Custo: gratuito
Agora, baseado exclusivamente nas informações acima, responda a
seguinte pergunta do cliente.
Pergunta:
55
Atenção! Como na ferramenta o prompt requer quebras de

linha e elas não podem se perder na definição da variável,
contornarmos trocando as quebras de linha por “\n”. Na
sequência, repetiremos o prompt na forma adequada para
que seja inserido no campo Valor da variável (Figura 28).

Fonte: o Autor.
56
Prompt com quebras de linha substituídas:
Considere a descrição do seguinte curso.\n\nCurso: Visão

Computacional aplicada ao reconhecimento de imagens\nÁrea:
Inteligência Artificial\nCarga horária: 9 horas assíncronas e 6 horas
síncronas (online)\nDias das aulas síncronas (online): terças e
quintas-feiras das 19 às 22 horas\nMeio utilizado para execução das
aulas: Google Meet\nInstrutor: Marcelo Viana\nIndicado para:
Estudantes do ensino médio, graduação, pós-graduação ou
profissionais interessados no tema\nPré requisitos: Possuir
conhecimentos consolidados em sistemas operacionais (Windows,
Linux ou Mac OS), navegadores de internet, comandos básicos de
utilização e noções de estruturas de linguagem de programação\nO
que irá aprender: Principais conceitos relacionados à Visão
Computacional. Abordagem sobre o que é uma imagem digital. Como o
aprendizado de máquina reconhece imagens e principais aplicações.
Pilares da inteligência artificial, abordando machine learning e deep
learning. Arquitetura das redes neurais e abordagem dentro do modelo
de reconhecimento de imagens. Apresentação da linguagem Python e
suas principais bibliotecas. Utilização de ferramenta Open Source de
programação (Jupyter Notebook) para aplicação dos conceitos básicos
de programação em Python. Estudo de caso para a aplicação dos
principais conceitos e ferramentas utilizadas nas abordagens
relacionadas ao reconhecimento de imagens médicas. Implementação
da infra-estrutura necessária para o desenvolvimento do estudo de
caso. Atividade de consolidação final adaptando o modelo para o
reconhecimento de outros padrões de imagens.\nFerramentas de
apoio: Navegador de internet, Python, bibliotecas, IDE Jupyter
Notebook e banco de imagens fornecidos pelo instrutor.\nCertificado:
Sim, com participação de 75% das aulas.\nCusto: gratuito.\n\nAgora,
baseado exclusivamente nas informações acima, responda a seguinte
pergunta do cliente.\nPergunta:
Agora, deveremos repetir o mesmo procedimento para caso o

usuário escolha pela opção de “Projetos” no “Menu principal”.
57
Uma vez o usuário tendo optado por saber sobre os projetos, o

bloco “Modalidade de projetos” irá apresentar a Facti, fornecendo o link
para o website da (https://facti.com.br/) e, em seguida, apresentar um
menu para a opção de projeto, conforme exposto:
1. Lei de Informática
Ao escolher o projeto, o chatbot deverá seguir para o bloco “Lei de

Informática” e recuperar o projeto escolhido, salvo na variável
{{projeto}}, e ser direcionado ao bloco “Pergunta projetos”, como será
abordado mais adiante. Precisaremos, também, na aba “Ações” de Lei
de Informática, criar uma ação de entrada “Definir variável” para definir
a variável prompt também à opção de projeto.
O prompt deverá ser elaborado de forma que o chatbot possa

responder perguntas a respeito da modalidade de projeto, tirando as
dúvidas dos usuários ou fornecendo as informações no qual será
consultado. Desta forma, devemos construir o prompt também para o
Lei de Informática, conforme a seguir. Aqui no tutorial, está marcado
de azul o que se refere a descrição do curso que será solucionada as
dúvidas.
58
Projeto: Lei de Informática

Área: Projeto de incentivo fiscal
Lei: N° 8.248/1991
Objetivo da Lei: conceder incentivos fiscais visando estimular a
competitividade e a capacitação técnica de empresas brasileiras
produtoras de bens de informática, automação e telecomunicações.
Tributos incidentes: Imposto sobre Produtos Industrializados (IPI), o
Imposto de Importação, à Contribuição para o PIS/Pasep e a Cofins.
Financiador: Ministério de Ciência, Tecnologia e Inovação
Contrapartida: as empresas beneficiadas devem investir uma
porcentagem do seu faturamento em pesquisa e desenvolvimento
(P&D) em TIC no Brasil.
A quem se destina: A Lei de Informática se destina a todas as
empresas que atuam no setor de tecnologia da informação e
comunicação (TIC) no Brasil. Essas empresas podem ser fabricantes de
equipamentos eletrônicos, desenvolvedoras de software, prestadoras
de serviços de tecnologia ou outras empresas que produzem bens e
serviços relacionados à TIC.
Facti: com experiência comprovada na realização e gestão de Projetos
de PD&I, é habilitada a receber aportes de recursos privados
provenientes de incentivos fiscais como os de Lei de Informática.
Valor: credibilidade
Missão: prover tecnologia com credibilidade
Visão: atuar como ICT Privada para o desenvolvimento de soluções e
tecnologias em Serviços 4.0, entregando, de maneira personalizada, a
melhor experiência deste conceito para os seus clientes e parceiros nos
segmentos de Análise e Monitoramento de Dados, Internet das Coisas,
Saúde, Segurança da Informação e Varejo.
Agora, baseado exclusivamente nas informações acima, responda a

seguinte pergunta do cliente.
Pergunta:
59
Prompt com quebras de linha substituídas:
Considere a descrição da seguinte modalidade de projeto.\n\nProjeto:

Lei de Informática\nÁrea: Projeto de incentivo fiscal\nLei: N°
8.248/1991\nObjetivo da Lei: conceder incentivos fiscais visando
estimular a competitividade e a capacitação técnica de empresas
brasileiras produtoras de bens de informática, automação e
telecomunicações.\nTributos incidentes: Imposto sobre Produtos
Industrializados (IPI), o Imposto de Importação, à Contribuição para o
PIS/Pasep e a Cofins.\nFinanciador: Ministério de Ciência, Tecnologia e
Inovação.\Contrapartida: as empresas beneficiadas devem investir uma
porcentagem do seu faturamento em pesquisa e desenvolvimento
(P&D) em TIC no Brasil.\nA quem se destina: A Lei de Informática se
destina a todas as empresas que atuam no setor de tecnologia da
informação e comunicação (TIC) no Brasil. Essas empresas podem ser
fabricantes de equipamentos eletrônicos, desenvolvedoras de
software, prestadoras de serviços de tecnologia ou outras empresas
que produzem bens e serviços relacionados à TIC.\nFacti: com
experiência comprovada na realização e gestão de Projetos de PD&I, é
habilitada a receber aportes de recursos privados provenientes de
incentivos fiscais como os de Lei de Informática\nValor:
credibilidade\nMissão: prover tecnologia com credibilidade\nVisão:
atuar como ICT Privada para o desenvolvimento de soluções e
tecnologias em Serviços 4.0, entregando, de maneira personalizada, a
melhor experiência deste conceito para os seus clientes e parceiros nos
segmentos de Análise e Monitoramento de Dados, Internet das Coisas,
Saúde, Segurança da Informação e Varejo.\n\nAgora, baseado
exclusivamente nas informações acima, responda a seguinte pergunta
do cliente.\nPergunta:
Uma vez criado os blocos com as opções a serem escolhidas pelo

usuário, precisaremos criar os blocos referentes às perguntas que
serão realizadas ao chatbot e trazendo os recursos do ChatGPT para
responder ao usuários, baseada no prompt das descrições e, também,
no próprio conhecimento da IA da OpenAI. Para completarmos nossa
solução, disponibilizaremos as formas de contato com a Facti, a
possibilidade de atendimento humano e agradecimento (Figura 29).
60

Fonte: o Autor.
No bloco “Pergunta cursos” deveremos oferecer ao usuário, a

pergunta a respeito do que deseja-se saber sobre o curso do QualiFacti.
Ainda disponibilizaremos a opção de, ao digitar “voltar”, retornar ao
“Menu principal” ou “contato” para oferecer a possibilidade de entrar em
contato com a Facti. A este bloco deveremos criar a variável
{{pergunta}}, no qual será armazenada a informação para acessar a IA
do ChatGPT e direcionada ao bloco “GPT-3 cursos”.
Ao conteúdo deste bloco deveremos trazer a resposta do ChatGPT à

pergunta realizada, deixando indicado “Resposta GPT-3 {{resposta}}”.
Será preciso também criar um loop com o bloco “Pergunta cursos”, para
que o usuário tenha a opção de tirar todas as suas dúvidas até optar
encerrar o seu atendimento. Precisaremos agora, na aba “Ações” do
GPT-3 cursos, criar uma ação de entrada “Executar script” para
configurar a chamada da API da OpenAI, nomeando a ação como
“Construir Payload” e definir as variáveis de entrada como prompt (com
as definições do curso) e pergunta (que foi feita pelo usuário). Na
opção “Script” deveremos abrir o editor de código para fornecer o script,
na linguagem Javascript, que montará o JSON da troca de dados
61
que a API OpenAI GPT-3 espera. A este script iremos passar as variáveis
“prompt” e “pergunta” como entrada da função e, no campo prompt do
JSON, vamos concatenar as duas para formar o prompt final. O script
que deverá ser inserido é o seguinte:
function run(prompt, pergunta) {

const a = {
"model": "text-davinci-003",
"prompt": prompt + " " + pergunta,
"temperature": 0.9,
"top_p": 0.9,
"frequency_penalty": 0,
"presence_penalty": 0,
"best_of": 1,
"max_tokens": 256,
"stop": null
};
return JSON.stringify(a);
}
Na última configuração à esta ação, precisaremos também definir a

variável para o valor de retorno, chamada de “payload”.
Agora precisaremos fazer a requisição HTTP na API OpenAI GPT-3.

Para isso, vamos adicionar uma nova ação de entrada e selecionando
“Requisição HTTP”. Deveremos configurar o Método: POST e a seguinte
URL: https://api.openai.com/v1/completions. Em “Cabeçalhos”
deverá seguir as seguintes configurações:
62
Key Value
Authorization Bearer API_KEY
Content-Type application/json
Atenção! Substitua a palavra API_KEY pelo valor da chave da

API que criou quando realizou o cadastro na OpenAI, na
seção 4.2.1 Chave de API da OpenAI. Se não salvou a
chave, você deverá excluir a chave existente e criar uma
nova.
Ainda na área de Requisição HTTP, no preencha o campo CORPO:

{{payload}} e em SALVAR RESPOSTA com a Variável para status da
resposta: status e Variável para o corpo da resposta: json.
Para o bloco “GPT-3 projetos”, siga exatamente os mesmos passos

que foram utilizados para configurar o bloco “GPT-3 cursos”. Você pode
ainda optar por duplicar o bloco criado para “GPT-3 cursos” e
renomeá-lo para “GPT-3 projetos”. Pronto! Temos configurada a nossa
integração com a IA do ChatGPT para responder a todas as perguntas
dos usuários.
Com relação ao fluxo relacionado ao bloco “Contato”, devemos

oferecer ao usuário como gostaria de ser atendido. Assim, inserimos
um menu do tipo “Quick Replay”, com as opções “Atendimento humano”
63
e “Enviar meus contatos”. Ao optar pelo atendimento humano, o fluxo

será direcionado para o mesmo bloco “Atendimento humano”, conforme
exposto para a opção cursos. No entanto, ao selecionar “Enviar meus
contatos”, o fluxo seguirá para o bloco “Email”, solicitando o e-mail do
usuário e o armazenará em uma variável {{email}}. No passo seguinte,
em um bloco “Telefone”, o chatbot deverá solicitar o telefone do usuário
e, da mesma forma, armazená-lo em uma variável {{telefone}}. Na
sequência, o fluxo seguirá para o bloco “Confirmação dados” e o chatbot
precisará recuperar o conteúdo de todas as variáveis, apresentando
uma mensagem que entrará em contato dentro de 24 horas e, por fim,
seguirá para o bloco “Agradecimento”, agradecendo e encerrando o
contato.
Explore como se comporta o chatbot abaixo e estudem, conforme

apresentado, como implementariam este fluxo de atendimento para a
Facti. Trabalharemos nesta proposta ao longo de nosso curso.
Blip Chat URL - Chatbot FactiGPT
64
5. AVALIAÇÃO
5.1 Compartilhando Conquistas
Para a finalização do curso, temos um desafio para você.
Agora que você já sabe os principais conceitos para a construção de

um chatbot, que tal pensar em uma aplicação prática para você ou uma
empresa que possa ser sua cliente e desenvolver um chatbot para ela?
Pode ser uma loja de doces, um supermercado, uma loja de roupas,
uma concessionária de automóveis, enfim, qualquer empresa de
produtos ou serviços que você tenha ideia em atender.
Anteriormente levantamos a proposta de implementação, criando o

nosso MVP com o menor conjunto de especificações que deve ser
atendido. O que deve ser apresentado para a avaliação:
1. Construir um chatbot híbrido, do tipo árvore de navegação e

integrar o NLP por meio da IA do ChatGPT;
2. O chatbot deverá conter um menu oferecendo ao menos duas
opções que serão respondidas por meio da IA do ChatGPT;
● É possível utilizar a mesma chave de API criada na OpenAI;
● Crie a estrutura das descrições para o prompt de ambas as
opções. Lembre-se de transformá-lo com as quebras de
linhas “\n”;
Tente explorar ao máximo todos os recursos disponíveis e

apresentados durante nosso curso. Assim, terá um chatbot completo e
conseguirá consolidar todo o aprendizado.
65
Com o seu chatbot que acabou de criar pronto, será necessário

compartilhar o resultado de seu trabalho, conforme as etapas abaixo.
Primeiro você precisará encaminhar o arquivo JSON do chatbot

desenvolvido, obtendo-o conforme os passos da Figura 30. Localize o
menu “Configurações” (1), clique na aba “Versões” (2) e em “Baixar fluxo”
(3), para fazer o download do arquivo (4).
1 3
Figura 30. Obtendo o arquivo JSON do fluxo do chatbot.

Fonte: o Autor.
Em seguida, encaminhe o Blip Chat URL para que possamos testar

o fluxo conversacional do chatbot, obtendo-o conforme os passos da
Figura 31. Localize a aba “Canais” (1), clique em “Blip Chat” (2) e na
opção “Instalação” (3), para copiar e compartilhar o link do “Blip Chat
URL” (4).
66
2
2 1
3
1 3
4 4
Figura 31. Obtendo o Blip Chat URL do chatbot.

Fonte: o Autor.
Faça o envio localizando na aba “Atividades”, na seção “Avaliação”, as

atividades de “Avaliação de conteúdo”, para encaminhar o arquivo e o
link do chatbot para registro de sua avaliação.
67
REFERÊNCIAS
ABAL, J. ChatGPT e a evolução da geração de conteúdo automatizado.
2023. Disponível em: https://www.aquare.la/chatgpt-e-a-evolucao-da-
geracao-de-conteudo-automatizado. Acesso em: 28 de março de 2023.
ALMEIDA, E.B., FERREIRA, J.E.V., LIMA, S.C., ROBERTO, J.C.A.

Implementação da ferramenta Chatbot no gerenciamento de vendas
online: Estudo de caso na Parente Service. Revista Científica
Multidisciplinar Núcleo do Conhecimento, v. 07, p. 25-44, 2020.
BUGHIN, J., HAZAN, E., RAMASWAMY, S., CHUI, M., ALLAS, T.,
DAHLSTROM, P., HENKE, N., TRENCH, M. Artificial intelligence: The next
digital frontier? McKinsey Global Institute, 2017.
CARDOSO, R. Conceitos que você deve conhecer para criar chatbots

utilizando ferramentas online. 2017. Disponível em:
https://imasters.com.br/desenvolvimento/conceitos-que-voce-deve-con
hecer-para-criar-chatbots-utilizando-ferramentas-online. Acesso em: 30
março 2023.
CAUDURO, A. Deep Learning: o motor dos negócios na era da

inteligência artificial. 2018. Disponível em: https://medium.com/huia/
intelig%C3%AAncia-artificial-uma-corrida-desleal-80bfa53075ed. Acesso
em: 24 março 2023.
COSTELLO, K. Gartner survey shows 37 percent of organizations

have implemented AI in some form. 2019. Disponível em:
https://www.gartner.com/en/newsroom/press-releases/2019-01-21-gar
tner-survey-shows-37-percent-of-organizations-have. Acesso em: 08
março 2022.
CHOLLET, F. Deep learning with Python. Simon and Schuster, 2nd

edition, 2017.
CUNHA, S.P.P. Análise de imagens médicas com recurso a

metodologias de deep learning. Dissertação de mestrado (Engenharia
Eletrônica e Informática) - Universidade Lusíada. Vila Nova de
Famalicão, p. 136, 2021.
68
CRUZ, L.T., ALENCAR, A., SCHMITZ, E.A. Assistentes virtuais

inteligentes e chatbots. São Paulo: Brasport, 2018.
DAHIYA, M. A tool of conversation: Chatbot. International Journal of

Computer Sciences and Engineering, v. 5, n. 5, p. 158-161, 2017.
ETER, M. Chatbot marketing: Domina el Chatbot Marketing como un

maestro. São Paulo: Kindle, 2018.
FERNANDES, L., ESTIMA, V. Processamento de Linguagem Natural:

Histórico e Potencial Atual. Disponível em: http://www.each.usp.
br/petsi/jornal/?p=2577. Acesso em: 26 março 2023.
FIALHO, R. ChatGPT o que é e como utilizá-lo para melhorar sua

produtividade. 2023. Disponível em: https://blog.e-goi.com/br/
chatgpt. Acesso em: 28 de março de 2023.
GARTNER. Gartner Predicts 80% of Customer Service Organizations

Will Abandon Native Mobile Apps in Favor of Messaging by 2025.
2021b. Disponível em: https://www.gartner.com/en/newsroom/press-
releases/2021-01-12-gartner-predicts-80--of-customer-service-organizat
ion. Acesso em: 10 março 2022.
GARTNER. Natural-Language Processing (NLP). 2021a. Disponível em:

https://www.gartner.com/en/information-technology/glossary/natural-l
anguage-processing-nlp. Acesso em: 29 março 2023.
INBENTA. Chat Híbrido: quando usar? 2018. Disponível em:

https://www.inbenta.com/pt/blog/chat-hibrido-definicao-uso-vantagen
s/. Acesso em: 27 março 2023.
MCCARTHY, J., MINSKY, M.L., ROCHESTER, N., SHANNON, C.E. A

proposal for the Dartmouth summer research project on artificial
intelligence, august 31, 1955. AI Magazine, v. 27, n. 4, p. 12-12, 2006.
RAMPINELLI, F. Chatbots no atendimento a clientes: tudo que você

precisa saber. 2017. Disponível em: https://www.dds.com.br/blog/
index.php/chatbots-atendimento-tudo-que-voceprecisa-saber. Acesso
em: 28 março 2023.
69
REINALDO FILHO, D. O ChatGPT é um Sistema de Inteligência

Artificial de “Alto Risco”? Lex Ediora. Disponível em:
https://www.lex.com.br/o-chatgpt-e-um-sistema-de-inteligencia-artificia
l-de-alto-risco. Acesso em: 28 de março de 2023.
SAS. Machine Learning: o que é e qual a sua importância? 2022.

Disponível em: https://www.sas.com/pt_br/insights/analytics/machine-
learning.html. Acesso em: 28 março 2023.
SILVEIRA, V.S. Inteligência Artificial: Uma era de abundância ou o fim da

espécie humana? Revista Fonte, n. 17, p. 84-91, 2017.
TAKE BLIP. Atendimento híbrido: o que é e quais as melhores dicas?

2020a. Disponível em: https://www.take.net/blog/atendimento/atendi
mento-hibrido/. Acesso em: 24 março 2023.
TAKE BLIP. Boas práticas para a construção de chatbots relevantes.

2018. Disponível em: https://www.take.net/blog/chatbots/boas-praticas
-para-construcao-de-chatbots/. Acesso em: 25 março 2023.
TAKE BLIP. Chatbot baseado em diretrizes: o que é e quais são as

limitações? 2021b. Disponível em: https://www.take.net/blog/chat
bots/chatbot-baseado-em-diretrizes/. Acesso em: 28 março 2023.
TAKE BLIP. Chatbot em marketing: como aplicar a tecnologia na

atração e conversão de clientes. 2017b. Disponível em:
https://www.take.net/blog/chat bots/chatbot-marketing/. Acesso em:
26 março 2023.
TAKE BLIP. Chatbot para atendimento: vale a pena investir em um?

2020b. Disponível em: https://www.take.net/blog/chatbots/chatbot-
para-atendimento/. Acesso em: 26 março 2023.
TAKE BLIP. Chatbot para vendas: saiba suas possibilidades e como

usar para aumentar a receita da sua empresa. 2017c. Disponível em:
https://www.take.net/blog/chatbots/chatbot-para-vendas/. Acesso em:
25 março 2023.
TAKE BLIP. [Guia Completo] Chatbot: o que é, como funciona,

benefícios e cases. 2021a. Disponível em: https://www.take.net/blog/
chatbots/chatbot. Acesso em: 31 março 2023.
70
TAKE BLIP. [Guia] Uso de chatbots: os tipos e as soluções que eles

oferecem para negócios atuais. 2017a. Disponível em:
https://www.take.net/blog/chatbots/uso-de-chatbots-nas-empresas/.
Acesso em: 26 março 2023.
TAKE BLIP. Tudo sobre NLP: o que é processamento de linguagem

natural e seus desafios na Inteligência Artificial. 2019. Disponível
em: https://www.take.net/blog/tecnologia/nlp-processamento-lingua
gem-natural. Acesso em: 30 março 2023.
WANG, P. Rigid flexibility: the logic of intelligence. Springer Science &

Business Media, 2006.
71
INSTITUIÇÃO EXECUTORA
COORDENADORA
INICIATIVA
Este projeto foi apoiado pelo Ministério da Ciência, Tecnologia e Inovação, com
recursos da Lei nº 8.248, de 23 de outubro de 1991, no âmbito do PPI-Softex,
coordenado pela Softex e publicado Residência em TIC 03 (Processo:
01245.010224/2022-33).

Automacao de Atendimentos Com Chatgpt

Enviado por

Direitos autorais:

Formatos disponíveis

Automacao de Atendimentos Com Chatgpt

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Automacao de Atendimentos Com Chatgpt

Enviado por

Direitos autorais:

Formatos disponíveis

Automação de Atendimentos

Especialista de Projetos na Facti - Fundação de Apoio à Capacitação

Também atuou como professor universitário e é membro do Comitê

Como formação acadêmica, é Doutor em Engenharia Elétrica

4.1. Estudo de Caso: atendimento a um projeto de uma Instituição

A evolução da interação sobre como as máquinas estabelecem um

A evolução da interação estreita relacionamentos e permite o

Antes de iniciarmos a Etapa de Conceitualização do conteúdo,

Inicie respondendo ao formulário de Conhecendo um pouco mais

Para ﬁnalizar esta etapa, você precisará acessar e seguir as

Um chatbot é oriundo da junção dos termos chat e robot. É uma

Figura 1. Funcionamento de um chatbot.

Fonte: adaptado de Dahiya (2017).

Os assistentes virtuais inteligentes (a Siri do iPhone, a Bia do

Os primeiros chatbots eram relativamente simples, utilizavam

às mensagens enviadas pelo usuário em diferentes canais, tais como:

O chatbot tem várias funcionalidades no mercado, algumas delas

Por outro lado, um chatbot pode apresentar problemas de

ﬁnalizar o atendimento (RAMPINELLI, 2017).

3.2 Inteligência Artiﬁcial

Inteligência Artiﬁcial é um termo utilizado para designar sistemas

Figura 2. Paralelo entre programação clássica e Machine Learning.

Fonte: Adaptado de Chollet (2017).

Esse processo de fazer a máquina aprender é chamado de

Quando usamos ML para obter sistemas inteligentes, ou seja,

O desaﬁo é que existem problemas complexos demais para serem

Outra abordagem em forma de algoritmo desenvolvida para

Uma das principais vantagens do DL é que o sistema é capaz de

Em uma técnica de ML tradicional, os seres humanos indicariam

A implementação de DL se dá por meio de redes neurais de

Figura 3. Representação de uma rede neural de múltiplas camadas.

A dinâmica da informação ﬂuindo através de uma rede neural pode

Figura 4. Representação de uma rede neural de múltiplas camadas.

Fonte: adaptado de https://playground.tensorﬂow.org.

3.3 ChatGPT e o contato

Utilizando a IA, por meio da rede neural do seu modelo de

O ChatGPT se destaca por sua habilidade de aprender e se adaptar

Com sua habilidade de entender o contexto e o signiﬁcado das

3.4 Estruturas dos chatbots

➔ Chatbot baseado em regras: só aceita e apresenta respostas

3.4.1 Chatbot baseado em regras

Os chatbots baseados em diretrizes ou regras, do tipo árvore de

Um chatbot que funciona por meio de um conjunto de diretrizes, ou

Em um chatbot de árvore de navegação, o usuário é obrigado a

Figura 5. Chatbot com menu através de botões clicáveis.

Fonte: adaptado de blip.ai.

Embora o chatbot baseado em regras seja uma ótima solução para

3.4.2 Chatbot com Processamento de Linguagem Natural

Quando os chatbots são conectados a tecnologias como o

De acordo com o Gartner (2021a), o NLP é deﬁnido como a

Com o NLP é possível transformar uma frase de texto livre em um

Com estes dados, mais o nome e os dados do cliente, já teríamos as

Buscando um atalho, muitos simpliﬁcam o conceito de

Uma outra parte importante na criação é a simulação da execução

● Intenção: é o desejo que o chatbot perceberá que o usuário possui

● Diálogo: é onde se cria as respostas que o chatbot retornará ao

No entanto, apenas conﬁgurar as intenções, as entidades e o

Desta forma, a diferença entre um chatbot do tipo árvore de

Figura 6. Chatbot aguardando resposta digitada livremente pelo usuário.