3
respostas

[Projeto] IA aplicada na gestão de conhecimento

1 - Do Caos à Estrutura: O Fluxo da IA:

Para resolver o problema dos arquivos como conversaline.txt ou conversaana.txt, a IA atua em três frentes principais:

Categorização Automática (Machine Learning):
O computador lê o conteúdo de todos os seus 12 arquivos e identifica padrões. Ele pode agrupar os textos por temas (ex: "Logística", "Planejamento Estratégico", "Recursos Minerais") sem que você precise abrir um por um para renomear.

Sumarização Executiva (PLN):
A IA processa o texto bruto — com gírias e informalidades — e extrai o "suco" da informação. Ela pode gerar um título autoexplicativo e um resumo de três tópicos para cada nota, facilitando a busca rápida.

Análise de Sentimento e Contexto:
Como você mencionou sobre o feedback de alunos, a IA entende se aquela anotação é um "alerta de erro", uma "sugestão de melhoria" ou um "insight criativo", atribuindo tags que ajudam a equipe a priorizar a leitura.

2 - O Próximo Passo: Tornar o Conhecimento Útil:

A grande virada de chave é entender que a IA não substitui a sua experiência, mas atua como um tradutor de contextos. Ela pega o seu "jeito caótico" de anotar e o traduz para a "linguagem organizacional".

Nota de Insight: O desafio não é parar de usar o Bloco de Notas (se é assim que sua criatividade flui), mas sim criar um processo onde, periodicamente, esses dados passem por um "filtro de IA" para serem integrados ao sistema de gestão da organização.

3 respostas

Olá, Renata! Como vai?

Gostei demais da sua forma de organizar o conteúdo!

Sua resposta demonstra clareza ao explicar o fluxo da IA, objetividade ao detalhar as três frentes de atuação e profundidade ao relacionar o processo com a integração ao sistema de gestão. Uma sugestão para o futuro seria exemplificar como esse “filtro de IA” poderia ser aplicado em ferramentas práticas do dia a dia.

E o que vocês acham que seria mais desafiador: a categorização automática ou a análise de sentimento?

Fico à disposição! E se precisar, conte sempre com o apoio do fórum.

Abraço e bons estudos!

AluraConte com o apoio da comunidade Alura na sua jornada. Abraços e bons estudos!

Depende do cenário da Techsafe, mas no geral, a análise de sentimento tende a ser mais desafiadora do que a categorização automática — e vou te explicar de forma prática

1 - Categorização automática (mais “controlável”)

É quando a IA classifica documentos (ex: atas de reunião, relatórios, tickets) em categorias.

Por que é mais fácil:

As categorias são definidas previamente (ex: “segurança”, “infraestrutura”, “incidentes”)
O modelo aprende padrões mais objetivos (palavras-chave, temas)
Menos ambiguidade na interpretação

Desafios:

Documentos mal escritos ou muito longos
Sobreposição de temas (um texto pode caber em várias categorias)

Mesmo assim, é relativamente estruturado.

2 - Análise de sentimento (mais complexa)

Aqui a IA tenta identificar emoções, opiniões ou tons nos textos.

Por que é mais difícil:

Linguagem humana é cheia de subjetividade
Pode ter ironia, sarcasmo ou ambiguidade
Ex: “Nossa, esse sistema é ótimo…” (pode ser negativo dependendo do contexto)
Em ambiente corporativo, o sentimento é mais implícito
Ex: “Precisamos rever esse processo” → pode indicar insatisfação

Desafios extras:

Diferenças culturais e de linguagem
Textos técnicos (como os da Techsafe) têm pouco sentimento explícito
Necessidade de mais contexto para interpretar corretamente
Resumindo
Categorização automática → mais simples e objetiva
Análise de sentimento → mais complexa e subjetiva

Perfeito, Renata!

Ótimos argumentos, hein. 👏

De fato o caráter mais humano e subjetivo na análise de sentimentos pesa muito, gostei da sua justificativa.