Ir para o conteúdo principal
Português— Escolher um idioma
Menu

Atelier: Análise de Texto

Aula 14 de 16 Atualizada a 28 de julho de 2026 Iniciante
Nesta página
  1. Objetivo do atelier
  2. Exercício 1: Analisar o sentimento de avaliações de clientes
  3. Exercício 2: Extrair dados estruturados
  4. Exercício 3: Classificar tickets de suporte
  5. Dicas para tarefas de análise
  6. Pontos-chave

Objetivo do atelier

Depois da escrita, vamos mudar de registo: este atelier treina-o para utilizar o Mistral em tarefas de análise — analisar o sentimento de um texto, extrair informações-chave e classificar conteúdos. Estas competências são fundamentais para automatizar o processamento de dados textuais nas empresas. Sempre que um humano lê dezenas de textos semelhantes para extrair a mesma grelha de informações, tem um candidato à automação. Notará um fio condutor nos três exercícios: a temperatura mantém-se baixa, porque na análise a consistência importa mais do que a criatividade.

Exercício 1: Analisar o sentimento de avaliações de clientes

Imagine este cenário: gere o serviço de apoio ao cliente de um marketplace e recebe centenas de avaliações diariamente. Ler todas é impossível; precisa de as analisar automaticamente para detetar problemas recorrentes e priorizar respostas. O prompt do sistema define uma grelha de análise fixa — sentimento, temas, urgência, ação — e impõe uma saída em JSON para que a sua ferramenta de gestão de tickets possa processar o resultado.

messages = [
    {
        "role": "system",
        "content": """You are a customer experience analyst.
For each review, provide:
1. Overall sentiment: positive / mixed / negative
2. Topics covered (max 3)
3. Urgency level: low / medium / high
4. Recommended action (1 sentence)

Respond in structured JSON."""
    },
    {
        "role": "user",
        "content": """Analyze these 3 customer reviews:

Review 1: "Order received in 2 days, careful packaging. However, the user
manual is only in English, which is a shame for a product sold in France.
The product itself works very well."

Review 2: "This is the THIRD time I've received a defective item. Support
has been giving me the runaround for 2 weeks. I will contact the DGCCRF if
nothing moves."

Review 3: "Good value for money. Nothing exceptional but does the job.
Standard delivery, no issues."

Return a JSON table with the analysis of each review."""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.1
)

O resultado esperado é o seguinte — note que a avaliação 1, geralmente satisfeita mas com uma ressalva, deve resultar em «misto» e não em «positivo», e a avaliação 2, com a sua ameaça de contactar a DGCCRF (agência francesa de proteção ao consumidor), deve acionar urgência elevada:

[
  {
    "review": 1,
    "sentiment": "mixed",
    "themes": ["delivery", "documentation", "product quality"],
    "urgency": "low",
    "action": "Translate the user manual to French for future batches."
  },
  {
    "review": 2,
    "sentiment": "negative",
    "themes": ["product quality", "customer service", "recurrence"],
    "urgency": "high",
    "action": "Escalate to support manager for priority handling."
  },
  {
    "review": 3,
    "sentiment": "positive",
    "themes": ["value for money", "delivery"],
    "urgency": "low",
    "action": "No action required, standard satisfied review."
  }
]

Exercício 2: Extrair dados estruturados

Segunda situação: recebe e-mails de candidaturas em texto livre e precisa de extrair informações-chave para alimentar o seu ATS (Applicant Tracking System). O principal risco na extração é a invenção: um modelo deixado sem instruções preencherá alegremente as lacunas com deduções plausíveis. Daí as duas regras cardeais do prompt do sistema — «não fornecido» para qualquer informação em falta e uma proibição absoluta de dedução.

messages = [
    {
        "role": "system",
        "content": """You extract structured data from free text.
Rules:
- If information is not mentioned, indicate "not provided"
- NEVER deduce information: stay strictly with the text
- Dates must be in YYYY-MM-DD format
- Skills must be normalized terms"""
    },
    {
        "role": "user",
        "content": """Extract information from this job application email:

"Hello,

I am submitting my application for the full-stack developer position
published on LinkedIn. My name is Sarah Benali and I have 6 years
of experience in web development. Currently a Lead Developer at DataViz (Paris),
I work primarily with React, Node.js, and PostgreSQL. I also have
strong experience with AWS and Docker. My current daily rate is
€650 and I am available starting May 15, 2026.

Best regards,
Sarah Benali"

Expected JSON format:
{
  "name": "",
  "target_role": "",
  "experience_years": 0,
  "current_role": "",
  "current_company": "",
  "location": "",
  "skills": [],
  "daily_rate": "",
  "availability": ""
}"""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0
)

Eis a saída que deve obter:

{
  "name": "Sarah Benali",
  "target_role": "Full-stack developer",
  "experience_years": 6,
  "current_role": "Lead Developer",
  "current_company": "DataViz",
  "location": "Paris",
  "skills": ["React", "Node.js", "PostgreSQL", "AWS", "Docker"],
  "daily_rate": "€650",
  "availability": "2026-05-15"
}

Note a temperatura a 0,0: para extração, quer uma resposta determinista fiel ao texto de origem. Note também a conversão da data para o formato ISO, explicitamente solicitada nas regras — sem esta instrução, o modelo teria copiado «May 15, 2026» tal como estava.

Exercício 3: Classificar tickets de suporte

Última situação: a sua equipa de suporte recebe tickets sem categoria que precisam de ser encaminhados automaticamente para o departamento correto. A chave deste exercício é a definição exaustiva de categorias e prioridades no prompt do sistema. Se deixar o modelo inventar a sua própria taxonomia, cada lote de tickets sairá com categorias diferentes e o seu encaminhamento tornar-se-á ingovernável.

messages = [
    {
        "role": "system",
        "content": """You classify technical support tickets.

Available categories:
- BILLING: payment issues, invoices, subscriptions, refunds
- TECHNICAL: bugs, errors, functionality issues, slowness
- ACCOUNT: login, password, settings, account deletion
- FEATURE: requests for new features, suggestions
- OTHER: anything that doesn't fit the categories above

Priorities:
- P1: service inaccessible, data loss, direct financial impact
- P2: degraded functionality, workaround possible
- P3: question, information request, suggestion

Respond ONLY in JSON, no text before or after."""
    },
    {
        "role": "user",
        "content": """Classify these 4 tickets:

Ticket A: "Unable to log in since this morning. I tried to
reset my password but I'm not receiving the email."

Ticket B: "Would it be possible to add an Excel export in addition to CSV?"

Ticket C: "I was charged twice for my March subscription."

Ticket D: "The app crashes when I import a file larger than 50 MB.
Error message: MEMORY_EXCEEDED."

Format:
[{"ticket": "A", "category": "", "priority": "", "service": "", "summary": ""}]"""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0
)

O resultado esperado — note que o ticket C, com o seu impacto financeiro direto, vai para P1, enquanto a falha técnica no ticket D permanece em P2, uma vez que existe uma solução alternativa:

[
  {
    "ticket": "A",
    "category": "ACCOUNT",
    "priority": "P2",
    "service": "Level 1 Support",
    "summary": "Unable to log in, reset email not received"
  },
  {
    "ticket": "B",
    "category": "FEATURE",
    "priority": "P3",
    "service": "Product",
    "summary": "Request for Excel export in addition to CSV"
  },
  {
    "ticket": "C",
    "category": "BILLING",
    "priority": "P1",
    "service": "Accounting",
    "summary": "Double charge March subscription, refund request"
  },
  {
    "ticket": "D",
    "category": "TECHNICAL",
    "priority": "P2",
    "service": "Development",
    "summary": "Crash importing large files (MEMORY_EXCEEDED)"
  }
]

Dicas para tarefas de análise

Quatro boas práticas resumem o método deste atelier. Trabalhe com temperatura 0 para classificação e extração: quer consistência, não inspiração. Defina categorias explicitamente no prompt do sistema; caso contrário, o modelo inventará as suas próprias. Inclua sempre a instrução «não fornecido» para dados em falta; caso contrário, o modelo preencherá as lacunas com invenções plausíveis. E, antes de qualquer implementação, teste em casos limite: textos ambíguos, tickets que se enquadram em duas categorias, dados parciais — é aqui que a sua grelha revelará fraquezas, não nos casos de manual.

Pontos-chave

  • A análise de texto com o Mistral funciona melhor com temperatura baixa (0–0,2)
  • Defina sempre as categorias e o formato de saída no prompt
  • Impõe a regra «não fornecido» para evitar alucinações
  • O few-shot melhora a consistência da classificação
  • Teste em casos reais representativos antes de implementar em produção