Fala galera, beleza? Vamos falar agora um pouquinho do Comprehend, um outro carinha bem legal da AWS, um serviço que eu acho bem interessante também, tá? Ele pode acabar ajudando a gente muito no nosso dia a dia. Quando a gente está falando do Comprehend, ele tem uma lógica um pouco diferente do Recognition. O Recognition é focado ali para imagens, vídeos e assim por diante. O Comprehend é o inverso. Como é que eu interpreto o texto? É uma visão um pouco interpretativa do texto. O que a gente tem mais dificuldade quando a gente está falando de tecnologia? Quando eu estou falando de uma máquina, ela normalmente olha texto como unicamente um conjunto de palavras ali, unidas e assim por diante. Mas você não consegue extrair o que um ser humano consegue extrair de um texto. A compreensão daquele texto. O que a gente está querendo dizer com aquilo. Os insights, as emoções e assim por diante. Um texto é muito mais do que a pura palavra. A forma como você agrupa as palavras, a forma como você aborda um assunto, ela consegue trazer um monte de outras informações. Se aquele texto é mais formal, se é menos formal, se é sobre um assunto, se é sobre um assunto, se é uma pergunta, se é uma resposta, se você está querendo fazer uma reclamação ou não, assim por diante. Então, essa compreensão que o ser humano tem, a Amazon trouxe aqui no CompreRend para a gente. Então, quando a gente está falando dele, ele vai fazer uma análise textual. Então, a gente chama isso de linguagem natural ou NLP, o processamento de linguagem natural. Ela consegue olhar para essa linguagem natural e com base em Machine Learning entender quais são os insights que a gente tem em relação a textos. Então com ele você pode extrair uma porrada de informações ali que são muito importantes, como eu citei, sentimentos, idioma ou vários outros tipos de coisa. Imagina que para você analisar grande volume de texto, ele vai ser muito importante para você conseguir fazer isso de forma eficiente e tirar insights muito valiosos, na minha opinião, também, tá bom? Ferramenta bem bacana de usar no dia a dia. Primeira coisa, detecção de sentimentos. Ele consegue analisar o sentimento geral de um texto, falando se é positivo, se é negativo, neutro ou misto. Então imagina que você está trabalhando, por exemplo, com uma tecnologia de atendimento ao consumidor. Você pode fazer isso em vários produtos, se você trabalha com tecnologia, independentemente da plataforma que você atua, deve ter um time de pós-venda, um time de atendimento, assim por diante. Esse time, para ele, é muito valioso saber o comportamento do cliente com base nas reclamações, por exemplo, que a gente tem ali no SAC, assim por diante. Olhar para isso e entender qual está sendo a forma de conversa daquele cliente para tomar uma ação mais detalhada pode ser uma ideia para você usar no dia a dia. É legal levar para o seu time, para a sua equipe, eles saberem que existe essa ferramenta que pode ajudá-los no dia a dia, tá bom? Outra coisa também é o reconhecimento de entidades. Você identificar as entidades que estão sendo mencionadas naquele texto, como, por exemplo, pessoas, locais, organizações, datas, quantidades e outras coisas, para, organizações, datas, quantidades e outras coisas, para, por exemplo, suprimir essas informações. Então, imagina que você está falando, por exemplo, de um texto que, por base na lei geral de dados, você não pode deixar ele aberto para todo mundo. Você tem que suprimir, tem que mascarar ou alguma coisa assim. O Comprehend pode te ajudar a entender se você está citando o nome de alguma pessoa pública que não deveria, se você está citando algum local que não deveria, alguma organização que não deveria, ou até se você está colocando algum tipo de informação que você deveria suprimir para não estar inferindo em nenhum problema de lei de proteção de dados. Então aqui é uma outra ideia de utilização também, lógico, tem várias outras, mas uma ideia que você pode usar o Comprehend para te ajudar no dia a dia, tá bom? Uma outra coisa também é a análise de tópicos, tá bom? Ele consegue entender os principais tópicos que a gente está falando ali dentro de um conjunto de documentos e agrupar isso em textos relacionados. Por exemplo, imagina que você tem um monte de feedback e você precisa tratar esses feedbacks. Você consegue agrupar as preocupações principais dentro desse texto de feedback. Então imagina que você tem um feedback de uma pessoa falando sobre o preço do produto, outra falando sobre a qualidade, outra falando sobre o preço de novo, outra falando sobre a entrega, outra falando sobre a experiência de pagamento, depois de novo falando sobre o preço. Teoricamente com o CompreRent, se você utilizá-lo, você vai conseguir separar esses assuntos e pegar, por exemplo, todo mundo que falou sobre preço e olhar isso como um grupo. Olha, estou tendo muito mais pessoas falando de preço, vamos olhar o preço como o nosso principal ponto para atacar. Então, com o CompreRent, você consegue fazer isso de forma muito mais simplificada para você atacar o que realmente está doendo ali no seu cliente, por exemplo. Então, é uma outra ideia de utilização aqui do Comprehend, que é a análise de tópicos. Outra coisa que você consegue fazer também é a detecção de idioma. Então, imagina que você está tendo ali um suporte, por exemplo, de texto para vários idiomas diferentes. Você consegue chavear esses idiomas dependendo do texto que você está tendo de input você também consegue é fazer extração de palavras chaves ou seja poxa eu preciso identificar quais são as palavras as frases mais importantes dentro de um conjunto de texto para você poder resumir esse conteúdo você consegue fazer isso também vamos dar um um exemplo aqui. Imagina que você tem, por exemplo, um FAQ, e o FAQ é com base em perguntas e respostas dos clientes. Você consegue usar alguns esquemas aqui do Comprehend para identificar os agrupamentos do FAQ e depois usar a extração de palavras-chave para fazer um resumão e deixar um tópico no FAQ para quem tiver dúvidas. Então, imagina que você foi lá e viu que todo mundo está tendo dúvidas sobre qual é a voltagem do seu aparelho que você está vendendo. Um exemplo aqui. Dentro desse agrupamento, você consegue juntar as palavras-chave e montar um FAQ falando, olha, agrupamento por dúvidas sobre voltagem do meu aparelho. Pensei agora num exemplo, tem vários outros, mas aqui é uma ideia de utilização para a extração de frases-chave. Outra coisa também interessante é a análise sintática, que vai identificar ali a estrutura gramatical do texto e você pode aqui incluir algumas visões de como está em substantivos, verbos e adjetivos. Aqui é para quem faz mais análise textual mesmo, detalhe textual da coisa, como que ele vai ser utilizado e assim por diante. Acho que é uma base mais acadêmica, não conheço muitos exemplos de utilização deste pedaço, mas você pode usar também para fazer a análise mais detalhada do texto para você usar no seu dia a dia. detalhada do texto pra você usar no seu dia a dia beleza aqui é pra usar o mesmo companhia de você pode enviar o texto diretamente ali para uma pele e vou e essa pele ela vai te devolver análise correspondente está ali também pode ser integrado ali com a mais 13 por exemplo se você tiver muito tempo ainda não é 3 e você quiser pegar desse pegar direto deste bucket e implementar o Amazon Comprehend para você conseguir analisar aqueles textos já que os seus insights saindo dali, você consegue fazer isso também, você consegue plugar em outros serviços da Amazon, não precisa fazer só via API. E aqui está um exemplo de funcionamento dele, eu usei de novo Python, a gente está falando de Python de novo que eu acho mais simples para fazer esse tipo de análise. De novo aqui o nosso Boto 3 aparecendo para fazer aquele meio de campo e deixar mais facilitado ainda a conversa aqui. Depois você vai criar um client também, Comprehend Boto 3 Client, assim como a gente fez anteriormente. Depois você coloca aqui um texto para ser analisado. Eu coloquei um texto muito simples aqui só de exemplo, tá? Amazon Comprehend é Coloca aqui um texto para ser analisado, eu coloquei um texto muito simples aqui, só de exemplo, tá? Amazon Copyright, um serviço muito útil para análise de sentimentos. E depois de enviar esse texto, a gente pede a resposta disso na linguagem em português, tá? É interessante você colocar aqui qual o código de linguagem que você quer que tenha de retorno e o que você está analisando. analisando, depois você vai fazer vai imprimir a resposta o sentimento e a pontuação daquele sentimento pra saber qual tá sendo o nível de acuracidade que você tá tendo dentro dessa análise mas se vocês pararem pra olhar olha, são poucas linhas, rapidamente você consegue fazer uma análise de texto, aqui eu coloquei um texto fixo mas você pode colocar, por exemplo depois relacionado ou ao CS3 bucket ou relacionado a sua API e assim por diante, fazer de uma forma mais massiva. Aqui é só para vocês entenderem mais ou menos como funcionaria.