Da voz do cliente à decisão: Small Language Models (SLM) especializados para análise de feedbacks em escala industrial

Descrição

A análise automática de feedbacks de clientes é um problema de Processamento de Linguagem Natural inerentemente multitarefa - classificação em taxonomias dinâmicas, sentimento por aspecto, detecção de temas emergentes e sumarização de causa raiz sobre texto curto, ruidoso e multicanal - cujo estado da prática o delega a LLMs proprietárias de propósito geral. Essa escolha impõe restrição estrutural: custo linear no volume, que inviabiliza cobertura integral das interações; latência incompatível com diagnóstico em tempo quase real; e envio de dados sensíveis a provedores externos, inaceitável em setores regulados. O gargalo deslocou-se, assim, da qualidade da análise para a eficiência do pipeline. Evidências convergentes na literatura apontam a especialização de Small Language Models (SLMs) como caminho promissor, mas o problema permanece em aberto: a especialização impõe compromisso conhecimento–habilidade, categorias emergentes desafiam modelos ajustados sobre taxonomias fechadas, e não há consenso sobre qual estratégia domina cada tarefa sob restrições reais de latência e custo. Diante disso, propõe-se neste projeto investigar sistematicamente essas estratégias em três fases avaliadas sobre um mesmo benchmark multitarefa multicanal com particionamento temporal: especialização por ajuste fino eficiente (LoRA/QLoRA) com supervisão professor–estudante; redução estrutural por ablação de camadas, destilação e módulos residuais compensatórios; e arquitetura de execução em CPU com quantização, regimes de micro-lote e lote, agrupamento semântico e roteamento por confiança entre SLMs e LLMs. Espera-se estabelecer a fronteira empírica entre qualidade e custo para análise de feedback em escala industrial, viabilizando pipelines auditáveis, executáveis em infraestrutura própria e com custo desacoplado de provedores externos.