Se cognição é a capacidade que temos de processar informações e transformá-las em conhecimento, cognificação pode ser definido como o processo de incorporar características e capacidades cognitivas humanas em sistemas computacionais para que esses possam executar tarefas como reconhecimento de padrões, aprendizagem, inferência e processamento de linguagem. Ao aplicar os princípios da cognição à Inteligência Artificial (IA), a cognificação busca tornar esses sistemas mais inteligentes e capazes de aprender, raciocinar e tomar decisões de maneira semelhante aos seres humanos. Essa interseção entre cognição e IA é fundamental para avançar no desenvolvimento de sistemas inteligentes cognitivos.

Após a etapa de datalização, onde objetivos foram entendidos e mapeados, e dados foram estruturados, a segunda etapa do framework AI.transforma consiste no desenvolvimento de modelos cognitivos capazes de lidar com as incertezas presentes na sua organização. Nessa etapa, uma ampla gama de modelos descritivos e preditivos pode ser desenvolvida personalizada às suas necessidades, permitindo a utilização plena do potencial dos seus dados para tomadas de decisão mais fundamentadas e assertivas.

Agora você pode estar se perguntando, por que nomeamos a segunda etapa do nosso framework “Cognição” e não “Cognificação”? A resposta está no fator humano, embora cognificação seja um valioso processo de incorporação de características cognitivas humanas em sistemas computacionais, é essencial reconhecer que modelos cognitivos replicam características humanas, mas são humanos que os desenvolvem, logo, cabe a nós a responsabilidade de mitigar vieses e garantir que os modelos representem de forma adequada a diversidade de ideias e formações socioculturais. Nossa abordagem centrada no ser humano é crucial para que nossas soluções sejam não só eficazes, mas confiáveis, éticas e socialmente responsáveis.

Visando um entendimento mais completo de como podemos te guiar nessa jornada à transformação digital, aprofundaremos nossa abordagem ao detalhar tecnicamente nossas metodologias e explorar as bases científicas por trás do desenvolvimento e evolução dos nossos modelos cognitivos.

Na classificação cognitiva a ideia é identificar características dos dados de entrada, dado um conjunto de regras e informações de treinamento (textos, muitos textos...), para que o aprendizado apresente uma saída sistemática sobre como aquele dado é classificado dentro de um contexto (a classe ou label daquela classificação).

A classificação cognitiva baseada em redes neurais na Daoura (em Deep Learning - DL e Deep Reinforcement Learning - DRL) necessita de uma regularidade nos dados de aprendizagem, em sua quantidade e sua qualidade, sendo que a tarefa dos classificadores é inferir dentro das regras da linguística em que o problema é associado no Natural Language Processing (NLP).

Temos hoje, 5 classificadores cognitivos, em uma mescla de tipagem binária, multi-label e multi-class, cada qual atuando em uma determinada problemática, mas estreitando a estimativa de resposta em uma convergência de contexto. Os classificadores são: classificador de categorias urbano-sociais; classificador de gênero textual, classificador de sentimentos; classificador de estados emocionais; classificador demográfico.

O classificador de categorias urbano-sociais deve identificar, interpretar e inferir textos, dentre 15 classes, para caracterizar e classificar categorias urbanas-sociais, envoltas a problemáticas públicas em determinados municípios, desenvolvido em uma arquitetura em Machine Learning (ML) baseada em Transformers, e tendo como diferencial a parametrização de seu mecanismo de atenção adaptado a um modelo paralelo de significação semântica de textos por DRL.

Já o classificador de gênero textual deve determinar, no texto, quais são as características de conteúdo em relação a um contexto. A identificação do gênero é baseada no objetivo contextual dentro do texto, determinando assim qual sua intencionalidade de comunicação. É baseado no BERT-Transformers multimodal, porque a classificação interpreta o nível de subjetividade e semântica que gêneros textuais apresentam num mesmo texto, logo, são discriminadas 10 classes que caracterizam o gênero textual.

O classificador de sentimentos é desenvolvido em uma arquitetura baseada no BERT-Transformers e realimentação de inferência por DRL, para interpretar se um texto apresenta sentimento “negativo”, “neutro” ou “positivo” (3 classes). A classificação contínua por DRL é importante para identificar se cada classe tem relação para mais ou para menos em um mesmo texto.

Já o classificador de estados emocionais é dependente do classificador de sentimentos, isto é, para cada um dos três sentimentos tem-se um conjunto de 5 classes de emoções, ou seja, 15 emoções que caracterizam a mínima semântica emotiva dentro do enunciado. O contexto do conteúdo de corpora de um texto em cada emoção está envolvido nas especificidades de cada sentimento. É baseado na arquitetura BERT-Transformers e base de dados HuggingFace multimodal, com augmentation de quociente de corpora, que significa que um texto de determinada emoção tem que explicitar a semântica de tokenizers diretivos em seu contexto.

Finalmente, o classificador demográfico é baseado em uma arquitetura LSTM para inferir sobre os perfis públicos de usuários nas redes sociais, quanto a definição de empresa ou pessoa e, no caso de pessoa, a estimativa etária (ou intervalo de idades), para caracterizar a variação populacional que se manifesta socialmente.

A base teórica em que a Daoura se sustenta na construção destes cinco classificadores e, propriamente, sua classificação textual é a linguística e letramento da linguagem. Para analisar as classes destes classificadores envoltas ao contexto compreendido em cada texto, é necessário agregar a semântica da subjetividade linguística por Lahire com os parâmetros intrínsecos do mecanismo de atenção adaptada da arquitetura Transformers, que discretiza a significância e sentidos das palavras (n-gramas) através de um modelo denominado integração relacional paralela de construção linguística e lexical. Outras referências da linguística são necessárias e usadas durante a inferência de textos: a interpretação discursiva por Pêcheux de/entre sujeitos linguisticamente distintos nas redes sociais; o discurso de Ehlich sobre a semiótica de significâncias da língua portuguesa nas redes sociais; e, entendendo e elucidando o léxico sobre o conteúdo de corpora e contexto nas redes sociais por Bakhtin. Com isso, os cinco classificadores estão essencialmente conectados à multidisciplinaridade da linguística e do letramento da linguagem.

A Daoura ainda se preocupa continuamente na melhoria constante dos cinco classificadores, quanto a quantidade e a qualidade de textos em suas bases de dados, priorizando a contundência contextual, e a validação do significado, significante e semântica dos textos, relacionando periodicamente o processo de autoaprendizagem (self-learning).

Na metodologia de self-learning da Daoura, a ideia macro é manter ou melhorar o índice mínimo de precisão, que atualmente é de ~97% entre os cinco classificadores, isso significa que se o self-learning regressar ou manter o percentual, a precisão atual continua e um novo processo de auto-aprendizado é realizado, mas se o self-learning progredir o percentual de cada classificador, cada novo modelo de rede neural é verificado em cada métrica e validado em outras bases de teste para mitigar o viés de treinamento. Assim, um autômato é responsável por substituir os modelos em produção (deployment), restabelecendo os serviços de interpretação.

Inferir dados textuais cognitivamente implica em relacionar os aspectos objetivos e subjetivos do que determina sua classificação, integrar não somente as classes que o compõem de modo determinístico, mas sua relação direta ao que se propõe o significado e a semântica dentro do texto – os objetivos e preocupações que sua organização precisa resolver com as características desses dados.

Quer conhecer nossos classificadores e entender, na prática, como funciona o framework AI.transforma e todas as suas etapas? Disponibilizamos acesso gratuito à nossa plataforma Daoura Insights onde você pode explorar o laboratório AI.transforma e testar nosso framework, assim como conferir uma demonstração completa da própria plataforma.