ChatGTP, um chatbot baseado em linguagem desenvolvido pela OpenAI, ganhou muito uso e atenção desde seu lançamento em 2022. Desde então, ele e outros chatbots – programas projetados para imitar a linguagem humana e a conversação – tornaram-se cada vez mais comuns, usados para fornecer criação de conteúdo, marketing, programação, pesquisa, entretenimento, atendimento ao cliente e muito mais.
Os projetos de sistemas embarcados também são afetados pelo rápido desenvolvimento da inteligência artificial. Os microcontroladores têm poder de processamento e memória limitados – ambos importantes para a velocidade, eficiência e eficácia dos chatbots. Os microcontroladores normalmente não são ideais para executar modelos avançados de IA que alimentam a maioria dos chatbots. Mas isso está mudando.
Embora executar um chatbot diretamente em um microcontrolador ainda seja um conceito de nicho, é possível superar algumas de suas limitações. Neste artigo, discutiremos o uso de chatbots em aplicações embarcadas, bem como os métodos empregados para executar chatbots com microcontroladores ou aplicações baseadas em microcomputadores.
O que são chatbots?
Chatbots são programas de computador que simulam conversas humanas como texto ou áudio. Eles são projetados para interpretar e responder às consultas, solicitações ou comandos do usuário. Os chatbots tornaram-se excelentes na interação com os usuários para fornecer informações ou concluir uma tarefa digital.
Atualmente, existem três tipos de tecnologias de chatbot.
1. Chatbots baseados em regras: siga um conjunto predefinido de regras e palavras-chave para gerar respostas.
2. Chatbots baseados em IA: use processamento de linguagem natural (PNL) e aprendizado de máquina para compreender a intenção do usuário e fornecer respostas dinâmicas.
3. Chatbots híbridos: use abordagens baseadas em regras e IA para maior flexibilidade.
Chatbots que funcionam como programas de computador podem fornecer assistência ou serviços 24 horas por dia, 7 dias por semana, a qualquer hora e em qualquer lugar. Eles são úteis para automatizar tarefas, interagir com o usuário e aprimorar as experiências do usuário com a tecnologia.
Aplicações em sistemas embarcados
Os chatbots fornecem um meio útil para implementar PNL em aplicações incorporadas, melhorando as interações do usuário por meio da linguagem.
Aqui estão algumas aplicações típicas de chatbot com microcontroladores
Reconhecimento de comando de voz: um dos usos mais comuns de chatbots em dispositivos incorporados, agora frequentemente usados em sistemas domésticos inteligentes, dispositivos IoT e aplicações automotivas. Ele permite que os usuários controlem, interajam e configurem dispositivos por meio da linguagem falada (como definir um alarme ou pedir ao Siri para tocar música com um comando de áudio). Isso é comumente aplicado em sistemas domésticos inteligentes, dispositivos IoT e aplicações automotivas.
Solução de problemas e assistência: Os chatbots podem diagnosticar problemas comuns com dispositivos inteligentes e orientar os usuários nas etapas de solução de problemas. Eles também podem conectar usuários com pessoal de suporte humano quando necessário.
Personalização: Os chatbots servem como um meio ativo de interação com os usuários. Os chatbots baseados em IA podem “aprender” as preferências do usuário. Eles podem automatizar sistemas embarcados ou ajustar configurações de dispositivos inteligentes de acordo com o padrão de uso e comportamento do usuário. Isto pode levar a uma maior eficiência energética nas residências, configurar automaticamente aparelhos (como cafeteiras) ou alarmes (em casa ou no escritório) para conveniência e segurança e melhorar o conforto geral do usuário (ajustando termostatos ou outros dispositivos conforme desejado).
Interfaces de conversação: chatbots com recursos de PNL permitem que dispositivos inteligentes incorporados conversem e interajam com os usuários. Isso é útil para quiosques de atendimento ao cliente, displays interativos e sistemas de recuperação de informações.
Interface da máquina: junto com a recuperação ou execução de tarefas por meio da comunicação do usuário, os chatbots podem simplificar as interações com máquinas industriais complexas. Os operadores de máquinas podem usar interfaces alimentadas por chatbot para monitorar condições, emitir comandos, receber informações de diagnóstico ou autorizar acesso a máquinas críticas.
Treinamento e suporte: os chatbots tornaram-se úteis no treinamento prático em alguns setores. Dispositivos incorporados alimentados por chatbots podem explicar certas tarefas ou procedimentos, ensinar aos usuários etapas operacionais específicas, fornecer assistência ou suporte em tempo real com novos equipamentos e ajudar na solução de problemas.
Manutenção preditiva: os chatbots podem detectar possíveis falhas no equipamento analisando os dados do sensor e alertando o pessoal de manutenção antes que ocorram falhas, minimizando o tempo de inatividade. Como os chatbots podem funcionar 24 horas por dia, 7 dias por semana, eles podem monitorar continuamente os equipamentos e potencialmente resolver problemas ou sugerir soluções para melhorias.
Tradução de idiomas: os chatbots podem fornecer serviços de tradução de idiomas (em formato de texto ou áudio) em tempo real usando PNL, apoiando os usuários durante viagens ou no aprendizado de um novo idioma.
Resumo do texto: pode resumir grandes volumes de texto, facilitando o consumo de informações relevantes pelos usuários. Isso pode ser útil em sistemas embarcados que suportam dados textuais, como leitores de notícias ou resumidores de documentos. Isso também é útil em aplicativos de IoT que processam e analisam grandes volumes de dados de sensores.
Lembretes e notificações: gadgets inteligentes com chatbots podem ser programados para gerar notificações e alertas. Por exemplo, eles podem lembrar os usuários de compromissos ou de tomar medicamentos, gerando avisos em linguagem natural.
Resposta de emergência: chatbots em gadgets vestíveis podem fornecer resposta e assistência de emergência conforme necessário, como entrar em contato com serviços de emergência, orientar os usuários através de procedimentos de primeiros socorros ou fornecer apoio emocional.
Análise de sentimentos: uma ferramenta que os sistemas embarcados podem empregar para interpretar e reagir às respostas emocionais da entrada humana. Isto se aplica a robôs sociais, sistemas de análise de feedback ou dispositivos sensíveis às emoções.
Integração de gestos e linguagem: suporta um sistema embarcado para interpretar comandos falados e gestos para controlar um dispositivo ou sistema.
Pesquisa e recuperação baseada em texto: As funções de pesquisa orientadas por PNL permitem que os usuários interajam com sistemas incorporados usando consultas em linguagem natural. Isso beneficia aplicações como mecanismos de busca inteligentes, sistemas de recuperação de conteúdo e interfaces baseadas em conhecimento.
Acompanhamento de saúde e condicionamento físico: os chatbots podem fornecer feedback personalizado sobre os níveis de atividade, sugerir rotinas de exercícios com base em determinados objetivos e responder perguntas sobre dados de saúde.
Conversão de texto para fala (TTS) e fala para texto (STT): usando chatbots baseados em IA, os sistemas embarcados podem converter a linguagem falada em texto escrito (STT) e vice-versa (TTS). Isso é útil em aplicativos como assistentes de voz, ferramentas de acessibilidade e dispositivos de comunicação.
Interação com robôs: apoiando robôs para “compreender” comandos e intenções humanas, levando a interações mais intuitivas e naturais.
Ferramentas educacionais interativas: chatbots em dispositivos educacionais podem facilitar interações em linguagem natural para fins de aprendizagem. Eles podem orientar os alunos em atividades educacionais, contar histórias, jogar ou tornar os robôs companheiros mais envolventes e interativos. Os chatbots também são úteis como tutores de idiomas ou ferramentas de aprendizagem de idiomas.
Segurança e controle de acesso: usado para aumentar a segurança através da implementação de sistemas de controle de acesso baseados em voz. Os usuários podem usar a voz como método de autenticação seguro para dispositivos incorporados.
Acessibilidade e assistência: os chatbots podem ajudar pessoas com deficiência a controlar robôs usando comandos de voz, auxiliar nas atividades diárias ou fornecer companhia.
Executando chatbots com microcontroladores
Não é possível executar chatbots diretamente em microcontroladores, embora muitos possam executar modelos LLM menores e estruturas personalizadas para dispositivos de ponta. No entanto, abordagens alternativas são usadas para implementar chatbots na maioria das aplicações embarcadas e IoT.
Aqui estão algumas práticas para implementação de chatbots com microcontroladores.
Chatbots baseados em regras: contar com um conjunto de regras e palavras-chave predefinidas para responder à entrada do usuário. Esses chatbots leves podem ser executados em microcontroladores básicos, fornecendo recursos básicos de PNL em um dispositivo inteligente. Porém, as interações com os usuários são limitadas e sem pouca flexibilidade. Eles também não possuem a compreensão da linguagem natural dos chatbots com tecnologia de IA.
Chatbots baseados em nuvem: nesses chatbots, o complexo processamento de linguagem natural é transferido para uma plataforma de chatbot baseada em nuvem. O microcontrolador conecta apenas os sensores e atuadores, coletando as informações do usuário e enviando-as para a nuvem para processamento. Um chatbot baseado em nuvem gera uma resposta, que é enviada de volta ao microcontrolador e comunicada por voz ou texto. Neste método, a funcionalidade da PNL do sistema embarcado depende da conectividade com a Internet e da eficiência da plataforma em nuvem. No entanto, incorpora linguagem natural e permite maior flexibilidade nas interações do usuário.
Reconhecimento de palavras-chave offline com respostas limitadas: bibliotecas como TinyML são usadas para treinar pequenos modelos de reconhecimento de palavras-chave no microcontrolador. Este modelo aciona respostas ou ações pré-gravadas com base em palavras-chave reconhecidas. Essa abordagem é útil em aplicações simples, como dispositivos controlados por voz, permitindo funcionalidades de PNL sem um sistema complexo e design de software.
Chatbots para microcontrolador
Abaixo estão algumas opções de chatbot para implementar funções de PNL em sistemas baseados em microcontroladores.
ChatGPT na nuvem: vários aplicativos incorporados incorporam PNL integrando serviços baseados em nuvem que executam ChatGPT. O microcontrolador captura a entrada do usuário e a envia para um serviço de nuvem baseado em ChatGPT por meio de uma API. As respostas são recebidas pelo serviço online e exibidas pelo microcontrolador do dispositivo. Por exemplo, um microcontrolador pode recuperar a entrada do usuário por meio de um teclado ou teclado numérico e enviá-la a um servidor remoto para processamento. Em seguida, o servidor processa a solicitação e envia uma resposta ao microcontrolador, que comunica por voz ou display.
Serviço de bot do Microsoft Azure: um popular chatbot baseado em nuvem que se integra a vários canais, como assistentes de voz, aplicativos de mensagens ou interfaces da web, oferecendo aos usuários flexibilidade na forma como interagem com seus dispositivos. Esta plataforma também apresenta bots de design com botões, imagens e carrosséis para fornecer experiências visualmente atraentes e interativas na interface de um dispositivo incorporado.
O bot pode rastrear interações anteriores e adaptar as respostas de acordo, oferecendo uma experiência mais personalizada e contextual. Ele permite que os usuários acessem informações do dispositivo, controlem configurações ou acionem ações por meio de comandos de linguagem natural. Um dispositivo também pode delegar tarefas ou fluxos de trabalho complexos ao bot, liberando recursos para funcionalidades principais. Ele pode gerenciar dispositivos a partir de um local central e garante que toda a comunicação de dados seja segura e privada.
Fluxo de diálogo: A plataforma de PNL baseada em nuvem do Google é útil para aplicativos incorporados, dependendo do projeto. Ele oferece agentes Dialogflow leves (LDFAs) para dispositivos com recursos limitados. Os usuários podem combinar funcionalidades baseadas em nuvem e no dispositivo para obter flexibilidade e desempenho ideal.
O Dialogflow facilita os mecanismos de reconhecimento de fala offline para lidar com a entrada do usuário sem conectividade com a Internet. Ele é adequado para implantação baseada em nuvem, embora seus agentes possam ser usados offline. Ele oferece integrações pré-construídas com outros serviços do Google, como Google Assistant, Calendar e Maps, que expandem os recursos de um bot e permitem fluxos de conversação personalizados. Ele rastreia interações anteriores e adapta as respostas de acordo, fornecendo uma experiência personalizada e contextual. Ele tem uma interface amigável com muitas ferramentas de arrastar e soltar, exigindo idealmente conhecimento do Dialogflow e suas ferramentas de desenvolvimento relacionadas.
ChatScript: um mecanismo de chatbot gratuito, de código aberto e baseado em regras, com extensa documentação e uma grande base de comunidade. Ele pode funcionar com eficiência em qualquer dispositivo de baixa potência devido à sua abordagem baseada em regras. É flexível em linguagem de script e permite adaptar as respostas e o comportamento do chatbot às necessidades e cenários específicos da IoT e de sistemas embarcados. Funciona de forma eficaz mesmo sem conexão com a Internet. No entanto, não consegue lidar com linguagem complexa, ambigüidades e nuances. Também carece de integrações integradas, reconhecimento de contexto e recursos analíticos avançados.
Gerenciar regras e lógicas complexas para lidar com diversas interações de usuários é um desafio para uma abordagem baseada em regras. ChatScript é adequado para incorporar funções simples de PNL em sistemas embarcados e projetos de IoT que não dependem de conectividade com a Internet.
AIML: significa Artificial Intelligence Markup Language, uma linguagem popular de chatbot baseada em regras, baseada em simplicidade e facilidade de uso. É ideal para integração com brinquedos educacionais simples, interação de voz em dispositivos embarcados e teste de protótipos simples de prova de conceito, como funcionalidade de interação de voz. AIML depende de correspondência de padrões e regras predefinidas. O uso de AIML está diminuindo à medida que a IA melhora devido à sua falta de funcionalidades integradas, como consciência de contexto, análise de sentimentos, personalização, preocupações com segurança e baixa escalabilidade.
Impulso de borda: uma plataforma para desenvolver e implantar modelos TinyML em microcontroladores e dispositivos IoT. Ele oferece uma interface amigável com muitas ferramentas de arrastar e soltar e fluxos de trabalho visuais e integra-se a vários sensores. Os usuários podem treinar e executar modelos de aprendizado de máquina diretamente no dispositivo, eliminando a necessidade de processamento em nuvem e reduzindo a latência. Ele otimiza automaticamente os modelos quanto ao tamanho e eficiência, garantindo que funcionem perfeitamente em microcontroladores. Vários modelos de aprendizado de máquina, como detecção de palavras-chave, detecção de anomalias, manutenção preditiva, reconhecimento de gestos e funções de IA, podem ser implantados sem complicações. Esta plataforma de baixo custo, flexível e eficiente é melhor utilizada para tarefas mais simples.
Tensorflow Lite Micro: uma versão leve do TensorFlow útil para implantar pequenos modelos conversacionais em microcontroladores. Os modelos rodam diretamente no dispositivo e podem operar sem conexão com a internet. Isso reduz o consumo de energia do sistema embarcado. O Tensorflow Lite é útil para dispositivos IoT alimentados por bateria e microcontroladores com recursos limitados. Os desenvolvedores podem escolher entre uma variedade de modelos pré-treinados ou treinar por conta própria, adaptando a funcionalidade às necessidades específicas e à plataforma de hardware. Ele é excelente em tarefas mais simples e pode não ser adequado para executar modelos complexos de aprendizado de máquina ou de aprendizado profundo. Suporta muitas plataformas populares, mas não todos os microcontroladores e plataformas de hardware.
Rasa NLU: uma poderosa estrutura de código aberto para compreensão de linguagem natural (NLU), permitindo que máquinas extraiam significado e intenção de conversas. É possível executar o Rasa NLU em um Raspberry Pi ou dispositivos similares e comunicar-se com ele usando um microcontrolador.
Rasa é excelente na compreensão do significado e da intenção por trás das consultas dos usuários, mesmo com um vocabulário limitado ou frases ambíguas normalmente usadas para IA de conversação para dispositivos. É possível treinar modelos NLU personalizados na linguagem e terminologia do domínio específico de um usuário, garantindo uma compreensão precisa da intenção. Ele se integra perfeitamente com outras plataformas de chatbot e ferramentas de IA de conversação e oferece suporte multilíngue. A maioria dos modelos Rasa NLU requerem uma conexão com a Internet para processamento.
ChatterBot: é uma biblioteca Python para criação de chatbots. Ele pode ser usado para implementar um chatbot em um microcomputador como Raspberry Pi e comunicar-se com ele a partir de um microcontrolador. Ele permite interações em linguagem natural com dispositivos embarcados e IoT, permitindo aos usuários controlar funcionalidades, acessar informações ou fazer perguntas por meio de comandos de voz ou mensagens de texto. Ele pode adaptar as respostas e recomendações com base nas preferências do usuário, nas interações anteriores e nos dados em tempo real dos sensores ou do ambiente.
Recortes.ai: Snips.ai: uma plataforma de voz de código aberto que inclui um componente NLU. É uma plataforma proeminente para o desenvolvimento de assistentes de voz e interfaces de conversação para sistemas embarcados e IoT, tornando-a ideal para conectividade limitada à Internet ou questões de latência. Seus modelos são otimizados para dispositivos embarcados com recursos limitados, exigindo o mínimo de RAM, CPU e espaço de armazenamento. Isso permite a integração na maioria dos dispositivos de baixo consumo de energia. Os modelos podem ser treinados na linguagem e terminologia de um domínio específico. A plataforma prioriza privacidade, processamento local e eficiência de recursos.
Conclusão
Os chatbots têm muitas aplicações em dispositivos embarcados e IoT. Eles desempenham um papel crucial na habilitação de funcionalidades de PNL nos dispositivos de ponta. Para tarefas mais simples, os chatbots baseados em regras podem ser implantados diretamente em microcontroladores. No entanto, pode ser necessário transferir funcionalidades de PNL para um serviço de chatbot baseado em nuvem, dependendo da complexidade das tarefas incorporadas.
Vários modelos de aprendizado de máquina também podem ser implantados em microcontroladores usando Edge Impulse ou Tensor Flow Lite Micro para habilitar recursos de PNL em dispositivos baseados em microcontroladores. Em muitas aplicações, o microcontrolador é acompanhado por um microcomputador dentro do dispositivo. Chatbots mais complexos podem então ser executados no microcomputador enquanto transferem tarefas essenciais incorporadas para o microcontrolador.
Uma abordagem híbrida que combina chatbots baseados em regras com serviços de chatbot baseados em nuvem também é uma opção. Alguns chatbots populares e serviços de chatbot baseados em nuvem incluem ChatGPT-on-Cloud, Microsoft Azure Bot Service, Dialogflow, ChatScript, AIML, Rasa NLU, ChatterBot e Snips.ai. O Tensor Flow Lite Micro e o Edge Impulse são ideais para implantar modelos de aprendizado de máquina em microcontroladores para implementar NLP.
