| Autor | Alisson Jaques |
|---|---|
| Tecnologias | Java, Framework Spring, JPA, Hibernate, Rest, SQL, MySQL, DDD, OpenAI, Inteligência Artificial Generativa, LLM's |
A AluMind é uma startup que oferece um aplicativo focado em bem-estar e saúde mental, proporcionando aos usuários acesso a meditações guiadas, sessões de terapia, e conteúdos educativos sobre saúde mental. Com o alto crescimento da base de usuários, a AluMind está começando a ter gargalos para analisar feedbacks vindo dos usuários em diferentes plataformas (canais de atendimento ao cliente; comunidades no Discord; redes sociais). Portanto, a AluMind API tem como objetivo resolver esses problemas, ela analisa os feedbacks vindos dos usuários, classifica-os a partir do seu sentimento e elenca as possíveis melhorias contidas neles.
-
Clone o projeto em sua máquina;
-
Abra o projeto no IntelliJ;
-
No painel lateral da IDE, localize o arquivo pom.xml;
-
Clique na opção de atualização (ícone de recarregar no menu lateral direito da IDE) para baixar e instalar todas as dependências;
-
Configure as seguintes variáveis de ambiente no seu computador ou servidor:
ALUMIND_API_KEY = <sua chave de acesso criada na conta da OpenAI> ALUMIND_DATASOURCE_USERNAME = <seu usuário do MySQL> ALUMIND_DATASOURCE_PASSWORD = <sua senha do MySQL> ALUMIND_DATASOURCE_URL = jdbc:mysql://localhost/alumind_api?createDatabaseIfNotExist=true -
Execute a aplicação. Na primeira execução, o sistema irá rodar as migrações para configurar o banco de dados automaticamente.
-
A aplicação ficará escutando na porta 8080 e requisições deve ser feitas, por exemplo, assim: http://localhost:8080/feedback
Aproveite a API e explore as funcionalidades disponíveis!!
- POST /feedback
- Corpo da requisição:
{ "feedback": "Gostei muito da Alumind, só queria uma funcionalidade que permitisse eu alterar meu perfil." }- Retorno:
{ "id": 1, "sentiment": "POSITIVO", "requestedFeatures": [ { "code": "EDITAR_PERFIL", "reason": "O usuário gostaria de alterar seu perfil." } ], "customResponse": "Obrigado pelo seu feedback positivo! Vamos considerar sua sugestão de implementar a opção de editar o perfil." }
- Possuir a JDK 17 (o projeto foi desenvolvido com a versão 17 do java)
- IDE do IntelliJ
- SGBD do MySQL com um usuário e senha cadastrados
- Conta cadastrada na OpenAI com uma chave de acesso disponível
A principal dúvida que surgiu no projeto foi referente aos códigos únicos da funcionalidades sugeridas. Existem dois cenários para interpretação que impactam diretamente nos custos e performance do projeto. São eles:
- Os códigos podem repetir se forem de feedbacks distintos
Nesta abordagem, um código de funcionalidade sugerida pode aparecer em vários feedbacks distintos. Com isso, a modelagem do banco de dados é simplificada, seguindo uma estrutura 1:N , onde um feedback pode ter várias funcionalidades sugeridas, mas cada funcionalidade está relacionada diretamente a um feedback. Essa opção apresenta complexidade de desenvolvimento mais baixa, pois não é necessário garantir a exclusividade dos códigos globalmente. Sendo necessário um único prompt, o que reduz o consumo de tokens e latência da aplicação, resultando em menores custos operacionais. Posteriormente, quando for necessário criar a nova feature, pode ser feito uma listagem por código e assim criar um prompt que gere uma nova reason tendo como base todas as reasons com o mesmo código, gerando uma reason que englobe todos os casos, em seguida deixar no banco de dados apenas um registro com esse código e a nova reason associada a ele.
- O código não pode repetir, mesmo se for de feedbacks dintintos
Neste caso a modelagem das tabelas ficaria N:N ou seja um feedback pode ter muitas funcionalidades sugeridas e uma funcionalidade sugerida pode ter muitos feedbacks. Seria preciso analisar cada nova funcionalidade sugerida verificando se já tem o código cadastrado no banco de dados, no caso de ocorrer seria preciso alinhar com o time o requisito de ‘o que fazer com o reason dessa nova funcionalidade’ (ignorar, gerar um novo prompt que mescla o que tem no banco de dados com o que está vindo, etc) e, por fim, vincular a funcionalidade sugerida que já está cadastrada com o novo feedback. Nesse caso o custo seria um pouco maior, bem como a latência do sistema por ter duas requisições à API da OpenAI por requisição à rota da AluMind, isso se o requisito exigir a criação do novo prompt.
Em um cenário real eu conversaria com a equipe e envolvidos para poder alinhar o que realmente seria preciso, com o requisito claro eu daria procedimento na implementação. No desafio, ao analisar os dois casos optei pelo caso 1, por ser mais barato e ter uma performance maior. Sendo assim um feedback pode ter várias funcionalidades sugeridas e cada funcionalidade sugerida tem relação com um único feedback. Abaixo tem-se uma imagem que demonstra como ficou modelado o relacionamento das tabelas:
A funcionalidade para verificar spam e a mensagem customizada de resposta foram adicionadas ao prompt, sendo feita uma única requisição à API da OpenAI. O prompt cobre todos os casos propostos no desafio. Para a criação do prompt foi levado em consideração várias técnicas como Few-Shot Prompting, Chain of Thought Prompting, Instruction Following, Prompt Engineering para Instruções Diretas, Use of Constraints, Output Formatting, Conditional Generation, Exemplos Negativos e Positivos, entre outros. Foi criado um único prompt por que manter o contexto em diferentes requisições aumenta consideravelmente a complexidade e o tempo para entregar a feature do projeto, pois seria preciso manter o contexto em diferentes prompts com a menor quantidade de tokens possível.
Desenvolver um sistema de gamificação com Inteligência Artificial que incentive o bem-estar mental dos usuários, criando uma abordagem personalizada que promova atividades como meditação regular e sessões terapêuticas. Esse sistema pode adaptar as ações e recompensas ao perfil de cada usuário, tornando a experiência mais significativa e motivadora.
A implementação requer a escolha de um modelo de linguagem grande (LLM) capaz de processar o volume e a complexidade dos dados da AluMind. Esse modelo deve ter a capacidade de entender o contexto e as necessidades individuais para sugerir atividades relevantes, além de fornecer feedback em tempo real. Para isso, é essencial empregar algoritmos de Aprendizado de Máquina em Grande Escala, como redes neurais profundas (Deep Learning), que possibilitam a análise de padrões complexos nos dados dos usuários. Esse processamento permitirá que o sistema evolua com as interações e aumente a eficácia das recomendações ao longo do tempo.
A resposta customizada foi adicionada no json de resposta da rota de criar feedbacks, é retornado um campo customResponse que a representa. A escolha de manter na mesma rota foi devido à minha escolha de manter o mesmo contexto (para deixar a resposta mais coesa e rica), sendo gerada no mesmo prompt que analisa o feedback, assim a latência diminui e fica mais prático para quem está consumindo a API, pois não precisa integrar e gerenciar com uma nova rota.
Foi escolhido para esse projeto o modelo 4o-mini da api da OpenAI, testei e analisei diferentes modelos e escolhi ele por ser o modelo mais barato que mantém a qualidade das respostas.
