🧠 Senticore: BERT Multilingual Sentiment Model

Senticore-BERT-Sentiment é um modelo de fine-tuning baseado no bert-base-multilingual-uncased, treinado para análise de sentimentos multilíngue, com ênfase especial em feedbacks de clientes corporativos, visando identificar nível de satisfação e risco de cancelamento (churn).

🔍 Aplicações

Classificação de sentimentos em feedbacks textuais de clientes.
Detecção automática de clientes insatisfeitos ou detratores.
Análise semântica de resumos de chamados técnicos, NPS e pesquisas de relacionamento.
Sistemas de recomendação para priorização de atendimento e mitigação de churn.
Dashboards inteligentes e monitoramento de sentimentos ao longo do tempo.

📁 Estrutura do Modelo

A pasta bert-multilingual-sentiment/ contém:

config.json
pytorch_model.bin ou model.safetensors
tokenizer_config.json
vocab.txt
special_tokens_map.json

🧪 Como Utilizar em Python

from transformers import pipeline

classifier = pipeline(
    "text-classification",
    model="ViniciusKhan/senticore-bert-sentiment",
    tokenizer="ViniciusKhan/senticore-bert-sentiment"
)

texto = "Estou extremamente insatisfeito com o serviço."
resultado = classifier(texto)
print(resultado)

🏷️ Labels Retornados

O modelo classifica os textos em três categorias:

LABEL_0: Sentimento Negativo
LABEL_1: Sentimento Neutro
LABEL_2: Sentimento Positivo

📊 Dados de Treinamento

O modelo foi treinado com um conjunto balanceado de textos reais rotulados por especialistas, abrangendo:

Clientes Promotores (Positivo)
Clientes Neutros
Clientes Detratores (Negativo)

Fontes incluem dados de NPS, resumos de chamados, pesquisas de relacionamento e interações via CRM.

🔧 Requisitos

Python >= 3.8
transformers >= 4.36.2
torch >= 2.0

Instalação via pip:

pip install transformers torch

🌐 Suporte a Idiomas

Este modelo é multilíngue e tem ótimo desempenho em:

Português
Inglês
Espanhol

Pode ser aplicado em contextos multinacionais.

🚀 Integração com API REST

Este modelo pode ser facilmente incorporado a aplicações backend via Flask, FastAPI ou outras bibliotecas. Exemplo de endpoint disponível na pasta /app/routes.

✅ Resultados de Avaliação

Métricas estimadas em conjunto de validação:

Métrica	Valor
Acurácia	0.92
F1-score	0.91
Recall	0.89
Precisão	0.90

Resultados baseados em feedbacks reais rotulados.

📦 Repositório Relacionado

O código fonte e pipeline de inferência encontram-se no repositório: https://github.com/ViniciusKanh/Senticore

🧠 Autor

Desenvolvido por Vinicius de Souza Santos (Vinicius Khan)
Engenheiro da Computação | Cientista de Dados | Especialista em Machine Learning
Perfil no Hugging Face

📜 Licença

Este projeto está licenciado sob a Licença MIT.

ViniciusKhan
/

senticore-bert-sentiment