Extrair informações de um texto bagunçado

O secretário de um clube de xadrez organiza um passeio de ônibus. Ele perguntou por e-mail quem vai, e chegaram trinta e quatro respostas, mais ou menos assim: “Vamos em dois, minha esposa é vegetariana”, “No fim eu vou, desculpe a demora”, “Talvez, confirmo na quinta”, “Para mim é não, a menos que o ônibus saia depois das 9h”. Ele precisa de um número de lugares, um número de refeições vegetarianas e a lista de quem não respondeu com clareza.

A IA sabe fazer esse tipo de triagem, desde que você peça outra coisa que não “resuma essas respostas”.

Dizer o que procurar, campo por campo

Uma extração é uma tabela que você preenche a partir de um texto. Comece, portanto, desenhando a tabela: uma linha por pessoa e uma coluna para cada informação desejada. Para cada coluna, defina os valores permitidos, senão você recebe “sim”, “Sim, com prazer” e “presente”.

Depois, preveja os casos que não cabem nas caixas. No exemplo, existem o “talvez” e o “não, a menos que”. Se você não disser nada, a IA decide por você, em silêncio.

Aqui estão respostas de membros do meu clube de xadrez ao convite para um passeio de ônibus. Uma resposta por bloco, separada por uma linha em branco.

"""
[COLE AS RESPOSTAS]
"""

Monte uma tabela com uma linha por pessoa e estas colunas:
- Nome (como aparece na resposta; se não houver, "desconhecido")
- Participação: sim / não / incerto
- Número de lugares (1 por padrão; mais, se a pessoa informar)
- Refeição vegetariana: número de refeições, ou 0
- Condição ou observação, se a pessoa colocar alguma
- Citação: as palavras exatas da resposta que justificam a linha

Regras:
- "Talvez" e qualquer resposta condicional são "incerto", com a condição anotada.
- Se uma pessoa escrever duas vezes, mantenha a última mensagem e sinalize a mudança na observação.
- Não invente nada. Se uma informação não está na resposta, deixe a célula vazia.
- Depois da tabela, informe o total de lugares dos "sim", o número de refeições vegetarianas e a lista dos "incerto".

Exigir uma citação para cada linha

A coluna “Citação” é o conselho mais útil deste artigo. Para cada linha, a IA precisa copiar as palavras que a levaram à conclusão. Você ganha duas coisas: percebe na hora uma interpretação duvidosa ao ler a citação ao lado do resultado, e a IA inventa menos, porque uma citação precisa existir no texto. Isso não a torna infalível, ela pode citar uma frase que existe e entendê-la errado, mas é a mais rápida das verificações.

Os casos que enganam a extração

A negação e a condição. “Não vou poder não ir” é um caso de manual. Mais comum: “não, a menos que...”. Preveja uma categoria para o meio-termo.

As correções. Quando a mesma pessoa envia duas mensagens contraditórias, a regra “vale a última” precisa estar escrita. Se as suas mensagens não têm data, a ordem em que você cola é o que vale, então cole-as em ordem.

As informações sobre outra pessoa. “Minha esposa é vegetariana” diz respeito a alguém que não escreveu. Diga se quer contar esses casos, senão a linha da esposa nunca vai existir.

Os valores implícitos. Se “vamos em dois” significa 2 lugares, isso é dedução. Diga se você a aceita ou se prefere que a IA deixe a célula vazia.

Os formatos de data. Para extrair prazos de um texto, peça uma única forma de escrita (DD/MM/AAAA) e acrescente “mantenha o texto original se faltar o ano”. Senão, ela escolhe um.

Conferir antes de usar a tabela

Com trinta e quatro respostas, a IA pode esquecer uma ou duas, sobretudo no meio de um texto longo. Três verificações levam cinco minutos:

1. Conte as linhas. Deve haver tantas linhas quanto respostas. Peça à IA que informe o número de blocos que ela leu.
2. Releia os casos incertos e condicionais, que também são os mais fáceis de classificar errado.
3. Pegue cinco linhas ao acaso e compare com o original. Se encontrar uma errada, releia a tabela inteira.

Para volumes muito grandes, valem as orientações do artigo sobre documentos longos: divida em lotes de algumas dezenas de mensagens e una as tabelas depois. Vale também refazer o cálculo final (total de lugares, refeições) numa planilha. Somas longas não são o ponto forte de um modelo de linguagem, e a tabela permite que você as confira.

Que formato de saída escolher

Uma tabela em texto se copia para uma planilha sem muito esforço e basta para uma tarefa pontual. Se você precisa reutilizar os dados em outro lugar, por exemplo num arquivo CSV ou numa ferramenta, peça um formato mais estrito: o artigo sobre JSON e CSV explica como descrever os campos e validar o resultado.

Pense nos dados pessoais

Respostas de e-mails contêm nomes e, às vezes, restrições alimentares ou informações de saúde reveladas indiretamente. Antes de colá-las numa ferramenta, retire o que não é necessário para a sua tarefa (assinaturas, endereços, números de telefone) e releia o que diz o artigo sobre confidencialidade. Para um clube associativo, veja também o que preveem as regras internas de vocês.

Para testar no seu caso

Escolha um monte de mensagens que você precisa tabular à mão esta semana. Escreva primeiro as colunas e as regras para os casos ambíguos. Rode a extração em apenas dez mensagens, compare com a sua própria tabulação, corrija as regras que falharam e só então processe o resto.