Pague Conforme o Uso - AI Model Orchestration and Workflows Platform
Os chatbots empresariais devem operar sem interrupções, mesmo durante falhas. Os sistemas tolerantes a falhas garantem isso usando redundância, estratégias de failover e monitoramento em tempo real para manter os chatbots funcionando 24 horas por dia, 7 dias por semana. Ao contrário da alta disponibilidade, que minimiza o tempo de inatividade, a tolerância a falhas garante operação contínua, fundamental para lidar diariamente com milhares de interações com clientes.
Ao investir em arquiteturas robustas, as empresas não só evitam interrupções dispendiosas, mas também melhoram as experiências dos utilizadores e a eficiência operacional.
A criação de um chatbot empresarial confiável requer um sistema cuidadosamente projetado que possa lidar com problemas sem quebrar. O segredo está na construção de uma arquitetura que possa gerenciar a alta demanda, recuperar rapidamente e fornecer respostas precisas. Vamos mergulhar em três blocos de construção principais: balanceamento de carga, autorrecuperação e integração inteligente de PNL.
O balanceamento de carga consiste em espalhar o tráfego do chatbot por vários servidores para evitar lentidão ou travamentos. Por exemplo, a Terminix, uma empresa global de controle de pragas, adotou um Gateway Load Balancer e obteve uma melhoria impressionante de 300% no rendimento em comparação com sua configuração antiga. Da mesma forma, a Code.org usa um Application Load Balancer para lidar com picos repentinos de tráfego, como o aumento de 400% observado durante seus eventos de codificação on-line.
Para dar um passo adiante, as implantações em várias zonas distribuem a infraestrutura do chatbot em vários data centers ou regiões geográficas. Essa configuração garante que, se um data center ficar off-line, o chatbot possa continuar operando perfeitamente a partir de outro. Os balanceadores de carga redundantes de zona desempenham um grande papel aqui, mantendo um único endereço IP de front-end que permanece funcional mesmo durante falhas de zona, tornando a mudança invisível para os usuários.
A great example of this strategy is Contoso, a major retail company. In December 2024, they deployed application replicas across several Azure regions, implemented zone-redundant architecture within regions, and used cross-subscription load balancing to isolate each replica. This layered approach ensured their chatbot remained operational at global, regional, and subscription levels. It’s a clear example of how spreading infrastructure geographically can keep services running smoothly.
Os chatbots modernos precisam se recuperar automaticamente quando algo dá errado. Esta capacidade de autorrecuperação depende de sistemas de monitoramento automatizados que rastreiam o desempenho e respondem aos problemas em tempo real. Os componentes redundantes são cruciais aqui: eles eliminam pontos únicos de falha, enquanto o armazenamento replicado garante que os históricos de conversas permaneçam acessíveis mesmo durante interrupções de hardware.
Os sistemas de failover automático são outra ferramenta essencial. Esses sistemas transferem as operações para servidores de backup sem exigir intervenção manual, minimizando o tempo de inatividade. O Chatbot Events Pipeline da Salesforce é um ótimo exemplo: quando os endpoints falham, o sistema tenta novamente as solicitações até seis vezes em uma janela de 16 horas. Se os terminais se recuperarem durante esse período, o sistema entregará os dados com êxito, sem sobrecarregar os serviços restaurados.
__XLATE_7__
"As falhas são um dado adquirido e tudo acabará falhando com o tempo." - Werner Vogels
Essa mentalidade levou a padrões de design como o CircuitBreaker, que interrompe temporariamente as solicitações de componentes com falha, e o Bulkhead, que limita o número de solicitações simultâneas para evitar a sobrecarga de recursos. Os mecanismos de tempo limite também ajudam a cortar respostas lentas antes que causem atrasos maiores.
While infrastructure resilience is critical, the real magic of chatbots lies in their ability to understand and respond to users. That’s where natural language processing (NLP) comes in. By separating NLP tasks from the chatbot’s core logic, you can scale each system independently. A microservice architecture allows NLP to work alongside other services like user authentication and conversation management without bottlenecks.
Estudos mostram que o desempenho do chatbot pode melhorar em até 75% quando os sistemas de PNL são treinados em conjuntos de dados maiores e mais diversos. Armazenar em cache os resultados de PNL usados com frequência é outra jogada inteligente - reduz os tempos de resposta e a carga nos sistemas de back-end.
Tecnologias como Docker e Kubernetes facilitam a implantação de sistemas de PNL e o ajuste dinâmico de recursos durante períodos de maior movimento. Além disso, projetar sistemas com idempotência garante que tarefas repetidas, como o reprocessamento de dados do usuário, produzam resultados consistentes sem duplicação. Com a expectativa de que os chatbots de IA administrem mais de 85% das interações com os clientes em breve, essas estratégias são essenciais para a construção de sistemas escaláveis e eficientes.
Recent advancements in fault-tolerant architectures have significantly boosted the reliability, cost efficiency, and overall user experience of enterprise chatbots. Companies adopting these systems report substantial improvements in key performance metrics. Let’s dive into the data and real-world examples to see how these systems deliver results.
O impacto financeiro do tempo de inatividade é impressionante, custando às empresas entre US$ 300.000 e US$ 500.000 por hora. Os sistemas tolerantes a falhas, aprimorados pela IA, provaram ser revolucionários no gerenciamento de incidentes. Veja o que os números mostram: os tempos de resposta melhoram 65%, enquanto a recorrência de incidentes cai 40%. Esses avanços não apenas economizam dinheiro, mas também criam experiências de usuário mais tranquilas.
Os sistemas de IA atingem agora uma taxa de deteção de 98% para incidentes conhecidos e reduzem o ruído de alerta em 70%, permitindo que os chatbots resolvam os problemas de forma proativa. A acessibilidade móvel também desempenha um papel fundamental, reduzindo em 35% os tempos de resolução para equipes distribuídas. Estas métricas destacam a importância de testar estes sistemas em cenários do mundo real.
When it comes to testing fault-tolerant chatbots, it’s not just about ensuring basic functionality - it’s about preparing for real-world challenges. Automated escalation, for instance, reduces resolution delays by 65%, which underscores the need for comprehensive testing strategies.
Take Klarna as an example. Their system handles over 2 million conversations each month. They’ve implemented confidence-based routing that categorizes interactions based on reliability scores: high-confidence interactions (above 90%) are handled automatically, medium-confidence ones go through extra verification, and anything below 70% gets routed to human agents.
Glean emprega outra abordagem inovadora, mantendo uma meta estrita de precisão de 99,99% para tarefas críticas de negócios. Eles usam o "roteamento de experiência", que combina os casos com o especialista mais qualificado, analisando o contexto da conversa e a intenção do usuário. Este sistema reduz o roteamento incorreto e acelera o processamento de tickets em 80% por meio de categorização automatizada.
Casos de uso do mundo real validam essas métricas. Robinhood, por exemplo, aproveita um sistema de IA em camadas para auxiliar nas negociações. Um modelo de linguagem primária lida com cenários complexos, enquanto um modelo secundário leve fornece resumos concisos. Se o sistema primário falhar, um mecanismo de redundância entra em ação, alternando para o modelo secundário ou respostas armazenadas em cache. Essa configuração garante quase 100% de tempo de atividade, reduz falhas de pedidos e mantém os custos de inferência de IA sob controle.
Slice oferece outro exemplo convincente. Eles migraram de um chatbot gerenciado para um sistema interno desenvolvido com MQTT e EMQX para superar as limitações de personalização e desempenho. O resultado? Tempos de resposta mais rápidos, melhor escalabilidade e maior eficiência de custos.
Dados abrangentes do setor refletem esses sucessos. Os sistemas baseados em IA reduzem os falsos positivos em 75% e melhoram a precisão da previsão de incidentes para 92%. As resoluções automatizadas para problemas comuns sobem para 78%, enquanto o tempo médio entre falhas melhora 65%. A disponibilidade do sistema atinge impressionantes 99,99% e as empresas relatam uma redução de 45% nos custos de tratamento de incidentes. Klarna, por exemplo, reduziu as consultas repetidas em 25%, economizando US$ 40 milhões anualmente.
__XLATE_18__
"A tolerância a falhas garante que seu banco de dados permaneça operacional mesmo durante falhas." - Equipe TiDB
Esses exemplos deixam claro: os sistemas de chatbot tolerantes a falhas não apenas reduzem custos, mas também aumentam a satisfação do usuário e agilizam as operações. Ao investir em arquiteturas robustas, as empresas podem minimizar o tempo de inatividade, otimizar recursos e escalar com confiança à medida que as suas necessidades evoluem.
Assim que uma infraestrutura sólida estiver implementada, o próximo passo para melhorar o desempenho do chatbot empresarial é a automação do fluxo de trabalho. Os chatbots modernos precisam lidar perfeitamente com enormes volumes de interação, e o segredo está na criação de fluxos de trabalho que se ajustam em tempo real, minimizam o esforço manual e escalam sem esforço à medida que os negócios crescem. As empresas agora estão aproveitando a automação orientada por IA para transformar os chatbots de ferramentas reativas em sistemas proativos que podem se adaptar e otimizar.
A tokenização é uma virada de jogo para detecção de intenções. Ao dividir entradas complexas em partes menores e gerenciáveis, os chatbots podem entender melhor a intenção do usuário. Por exemplo, quando um usuário pergunta: “Preciso redefinir minha senha, mas não consigo encontrar o link”, a tokenização divide a frase em palavras individuais. Essa abordagem estruturada ajuda o sistema a identificar a intenção (redefinição de senha) e a responder adequadamente, como fornecendo um link de redefinição ou instruções passo a passo.
Os fluxos de trabalho multimodais vão um passo além, integrando texto, imagens, voz e vídeo nas interações do chatbot. Esta capacidade está se tornando cada vez mais importante à medida que se espera que o mercado de IA multimodal cresça para US$ 4,5 bilhões até 2028, com uma impressionante taxa de crescimento anual de 35% de 2023 a 2028. Da mesma forma, os gastos do varejo em chatbots multimodais deverão saltar de US$ 12 bilhões em 2023 para US$ 72 bilhões em 2028. Esses fluxos de trabalho permitem que os chatbots processem vários tipos de entrada simultaneamente, criando interações mais naturais e reduzindo as demandas de processamento. Ferramentas como prompts.ai aprimoram esse processo rastreando a tokenização e oferecendo um modelo de preços pré-pago, garantindo desempenho eficiente em diversos tipos de interação. Essa abordagem estruturada prepara o terreno para que os chatbots aprendam e se adaptem de forma dinâmica.
Para que os chatbots permaneçam eficazes e escaláveis, a aprendizagem contínua é essencial. Ao atualizar constantemente com novos dados e feedback, estes sistemas podem manter a sua precisão e relevância. Um relatório da Zendesk destaca que as empresas que usam chatbots baseados em IA reduziram os custos de atendimento ao cliente em 30%. A atualização regular dos dados de treinamento do chatbot e o envolvimento de especialistas no assunto garantem que as respostas permaneçam precisas e úteis.
No entanto, a supervisão humana ainda é crítica para gerenciar consultas complexas que os chatbots não conseguem resolver sozinhos. Este modelo híbrido – que combina respostas automatizadas com intervenção humana – melhora a satisfação do cliente e mantém as operações eficientes. De acordo com o Gartner, 67% dos clientes recorrem aos chatbots para perguntas básicas e solução de problemas. Plataformas como prompts.ai apoiam esse aprendizado contínuo centralizando a coleta e análise de feedback. Suas ferramentas de colaboração em tempo real permitem que as equipes implementem atualizações rapidamente, garantindo que os chatbots evoluam de acordo com as necessidades do usuário.
Microfluxos de trabalho personalizados são outra camada de refinamento que aprimora a escalabilidade. Em vez de confiar em soluções únicas, as empresas estão projetando fluxos de trabalho especializados para lidar com cenários e casos extremos exclusivos. Essa abordagem direcionada complementa projetos anteriores de tolerância a falhas, fornecendo respostas precisas e sob demanda.
"Instead of wasting time configuring it, he uses Time Savers to automate sales, marketing, and operations, helping companies generate leads, boost productivity, and grow faster with AI-driven strategies." – Dan Frydman, AI Thought Leader
"Instead of wasting time configuring it, he uses Time Savers to automate sales, marketing, and operations, helping companies generate leads, boost productivity, and grow faster with AI-driven strategies." – Dan Frydman, AI Thought Leader
Ao mapear intenções específicas do usuário para ações personalizadas, os chatbots podem lidar com diversas situações sem a necessidade de ajustes manuais constantes. A integração de ferramentas como Slack, Gmail e Trello por meio de conexões alimentadas por IA também elimina tarefas repetitivas, quebrando silos e melhorando a eficiência geral. A Accenture relata que 56% dos líderes da indústria reconhecem os bots de conversação como disruptores de mercado, com 43% observando que os concorrentes já implementaram a tecnologia.
Prompts.ai’s Time Savers feature exemplifies this strategy, offering custom micro workflows that automate specific tasks, reducing AI costs by 98% while increasing team productivity tenfold.
"Convert fixed costs into scalable, on-demand efficiency." – prompts.ai
"Convert fixed costs into scalable, on-demand efficiency." – prompts.ai
Com fluxos de trabalho LLM interoperáveis, prompts.ai permite que as empresas criem soluções personalizadas sem estarem vinculadas a um único fornecedor. Esta flexibilidade garante que os sistemas chatbot possam evoluir juntamente com os requisitos de negócio, proporcionando escalabilidade a longo prazo e eficiência de custos num sistema unificado e adaptável.
À medida que as empresas passam de projetos-piloto para a implantação em grande escala de sistemas de IA, o percurso muitas vezes expõe desafios que podem resultar em reveses dispendiosos se não forem resolvidos atempadamente. Mesmo com arquiteturas avançadas tolerantes a falhas e designs escaláveis, a transição para sistemas prontos para produção requer planejamento e execução cuidadosos.
Gerenciar a precisão das respostas em escala é um obstáculo significativo, especialmente quando se lida com milhares de interações simultâneas. Os riscos financeiros são altos - modelos de treinamento como o GPT-3 da OpenAI custaram cerca de US$ 4,6 milhões, enquanto os custos de treinamento do GPT-4 dispararam para aproximadamente US$ 78 milhões. Esses números destacam o equilíbrio entre desempenho e custo.
Outra questão importante são os resultados tendenciosos causados por dados inadequados. A má qualidade dos dados pode levar a resultados distorcidos, aumentando a necessidade de correções caras no futuro. A solução? Invista em conjuntos de dados diversos e representativos desde o início para evitar correções de retalhos no futuro.
__XLATE_32__
“Para equipes que levam a sério a implantação de agentes de IA em ambientes de alto risco e alta complexidade, o apelo à ação é claro: trate os agentes como sistemas distribuídos”. - Nancy Wang, Produto & Executivo de Engenharia, Consultor e Investidor
Cost management is another critical factor. Tools like FrugalGPT can slash expenses by up to 98% by allocating high-performance models only where they’re most needed, while using more affordable solutions for routine tasks. Starting with real user data to break down intents and focusing on solving specific problems - rather than attempting to address everything at once - can help streamline this process.
A escalabilidade também depende da adoção de arquiteturas nativas da nuvem e baseadas em microsserviços. Isso permite que diferentes componentes sejam dimensionados de forma independente, reduzindo gargalos e evitando a necessidade de revisão de sistemas inteiros. Esta abordagem modular não só aumenta a resiliência, mas também mantém os custos de infraestrutura sob controlo. Outra consideração é garantir a integração perfeita entre estes sistemas modernos e estruturas de TI mais antigas.
Trazer aplicações de IA para ambientes dominados por sistemas legados é um dos aspectos mais desafiadores da implantação empresarial. Em setores como bancos e seguros, até 75% dos orçamentos de TI são frequentemente consumidos pela manutenção de sistemas legados. Esses sistemas mais antigos frequentemente carecem do poder computacional e da modularidade necessários para dar suporte à IA, levando a problemas de compatibilidade e silos de dados.
__XLATE_36__
"O que é necessário é uma estratégia de integração empresarial. É importante ressaltar que ela deve ser ágil, flexível e econômica. Os CIOs que estamos reunindo estão começando a reconhecer a necessidade de uma plataforma de integração como serviço para reunir todos esses serviços para funcionarem como um todo coordenado. Um IPaaS garante que você possa integrar novos serviços SaaS com o negócio, evitando o pesadelo da integração ponto a ponto que muitas vezes retarda a jornada para a nuvem." - Ben Scowen, líder de negócios, Capgemini
Uma abordagem faseada à integração é muitas vezes a mais eficaz. Isso envolve conectar um sistema por vez e testar minuciosamente cada conexão antes de expandir ainda mais. Ferramentas modernas de integração podem simplificar esse processo. A importância crescente deste campo é evidente, com o mercado de integração de sistemas projetado para atingir 665,6 mil milhões de dólares até 2028. As principais estratégias incluem a realização de avaliações detalhadas dos sistemas existentes, o desenvolvimento de planos claros de mapeamento de dados e a implementação de medidas de segurança robustas ao longo do processo de integração.
Tecnologias como arquitetura orientada a serviços (SOA) e plataformas de conteinerização como Docker ou Kubernetes são fundamentais na modernização de sistemas legados. Eles ajudam a garantir a estabilidade e ao mesmo tempo permitem que esses sistemas mais antigos funcionem perfeitamente com soluções mais novas e escaláveis.
Após a integração, o monitoramento contínuo torna-se essencial para manter o desempenho e garantir operações tranquilas. O desafio reside em transformar dados brutos em insights acionáveis que possam gerar melhorias contínuas.
__XLATE_41__
"O desenvolvimento de chatbot de IA não é um trabalho do tipo 'definir e esquecer'. Ele precisa de ajuste consistente." - Adil Lakhani, especialista em nuvem/DevOps/IA
O monitoramento eficaz rastreia métricas como tempo de resposta, rendimento e estabilidade do sistema sob carga. Painéis de desempenho em tempo real podem fornecer alertas instantâneos, ajudando as equipes a resolver possíveis problemas antes que eles aumentem. Por exemplo, o sistema de colaboração multiagente da Amazon usa gerenciamento avançado de memória para manter o contexto durante interações complexas e multivoltas – um recurso crítico para dimensionar sistemas de suporte ao cliente.
Protocolos de recuperação automatizados, como detecção de erros e pontos de verificação em tempo real, são essenciais para a construção de sistemas tolerantes a falhas. Essas medidas evitam que problemas menores se transformem em grandes interrupções. O sistema de processamento dinâmico de dados do CERN é um ótimo exemplo, gerenciando o estado distribuído em 94.000 pontos de dados, mantendo a consistência durante interações paralelas massivas.
A alocação dinâmica de recursos também desempenha um papel fundamental. Ao usar o aprendizado de máquina para prever padrões de tráfego, as empresas podem dimensionar recursos de maneira eficiente, tanto horizontal quanto verticalmente, para atender às demandas em constante mudança.
__XLATE_46__
“Escalar os sistemas de suporte ao cliente do chatbot não se trata apenas de lidar com mais conversas, mas de melhorar a qualidade dessas interações.” - NomeSilo Pessoal
Os ciclos de feedback são outra base para implantações bem-sucedidas. A análise de transcrições de bate-papo e registros de interações com falha ajuda a refinar modelos e melhorar a precisão ao longo do tempo. A atualização regular dos dados de treinamento e dos modelos de reciclagem garante que o sistema continue a evoluir e se adaptar.
Finalmente, o monitoramento da segurança e da conformidade deve ser uma prioridade desde o primeiro dia. A adesão a regulamentações como GDPR ou HIPAA, juntamente com a implementação de estruturas robustas de criptografia e conformidade, garante que os avanços técnicos se traduzam em benefícios comerciais mensuráveis.
Prompts.ai exemplifica essas práticas recomendadas com suas ferramentas de colaboração em tempo real e recursos de relatórios automatizados. Ao oferecer rastreamento de tokenização pré-pago, ele combina eficiência de custos com alto desempenho, apoiando a melhoria contínua em uma variedade de implantações empresariais.
Scaling enterprise chatbots demands building systems that can withstand failures and operate without interruption. Throughout this discussion, it’s clear that creating fault-tolerant architectures is not just a technical goal - it’s a business necessity.
Consider this: outages can cost between $300,000 and $500,000 per hour. For enterprises, investing in fault-tolerant frameworks doesn’t just reduce risks - it delivers measurable advantages, like cutting service interruptions by 40%.
A tolerância a falhas vai além da alta disponibilidade. Embora a alta disponibilidade vise reduzir o tempo de inatividade, a tolerância a falhas garante a operação contínua, mesmo durante falhas, ao contar com componentes redundantes e de backup. Princípios fundamentais como redundância, isolamento e monitoramento proativo são a espinha dorsal desses sistemas. Plataformas como prompts.ai exemplificam esses princípios, oferecendo soluções escalonáveis de chatbot projetadas com resiliência em mente.
Veja prompts.ai, por exemplo. Ele incorpora um design tolerante a falhas para fornecer serviços de chatbot seguros e escalonáveis. Com certificações como SOC 2 Tipo 2 e conformidade com GDPR, garante segurança de nível empresarial enquanto gerencia altos volumes de interação. Recursos como IA de autoaprendizagem, ferramentas de colaboração em tempo real e um modelo de tokenização pré-pago melhoram ainda mais o desempenho e a eficiência de custos - tudo isso sem sacrificar a confiabilidade do sistema.
Os benefícios da tolerância a falhas vão além da continuidade operacional. Pesquisas e estudos de caso mostram que os sistemas tolerantes a falhas melhoram a experiência do cliente e reduzem custos. Por exemplo, os chatbots de IA concebidos para serem resilientes podem aumentar a satisfação do cliente em até 50% e reduzir as despesas operacionais em cerca de 30%. Esses resultados só são possíveis quando os sistemas são construídos para lidar com falhas de maneira adequada.
Testing plays a critical role in ensuring fault tolerance. Regular failure simulations help uncover weaknesses before they affect users. Techniques like timeouts, retry mechanisms, and circuit breakers provide additional safeguards. When combined with thorough documentation and team training, these practices embed fault tolerance into the company’s processes, making it a proactive strategy rather than a reactive fix.
Em última análise, as empresas precisam abordar os chatbots como sistemas distribuídos desde o início. Ao prepararem-se para falhas, monitorizando de perto os sistemas e refinando-os com base em insights do mundo real, as organizações podem garantir que as suas plataformas permanecem operacionais, independentemente dos desafios que surjam. Esses princípios se alinham perfeitamente com discussões anteriores sobre arquiteturas escaláveis e otimização de fluxo de trabalho, reforçando sua importância para o sucesso empresarial.
Os sistemas tolerantes a falhas são desenvolvidos para garantir que os chatbots corporativos continuem funcionando sem problemas, mesmo quando algo dá errado. Esses sistemas lidam com falhas automaticamente, garantindo tempo de inatividade zero e operações ininterruptas.
Por outro lado, os sistemas de alta disponibilidade visam reduzir o tempo de inatividade tanto quanto possível, embora não o eliminem totalmente. Embora eles se recuperem rapidamente dos problemas, breves interrupções ainda podem acontecer. Ambos os sistemas desempenham papéis importantes, mas as configurações tolerantes a falhas fornecem um nível mais alto de confiabilidade, especialmente para aplicações críticas.
Investir em arquiteturas tolerantes a falhas para chatbots empresariais oferece economia de custos a longo prazo e aumenta a eficiência operacional. Esses sistemas são construídos para continuar funcionando perfeitamente, mesmo quando determinados componentes falham. Isso significa menos tempo de inatividade, menos interrupções e menor chance de problemas como perda de receita ou clientes insatisfeitos.
Além da confiabilidade, os projetos tolerantes a falhas melhoram a eficiência dos recursos, simplificando o desempenho e reduzindo a necessidade de correções manuais. Por exemplo, o uso de microsserviços e configurações sem servidor baseadas em nuvem pode reduzir significativamente as despesas com infraestrutura. Embora os custos iniciais possam parecer elevados, a combinação de manutenção reduzida, maior fiabilidade e escalabilidade torna estes sistemas uma jogada inteligente para empresas que procuram aumentar as suas capacidades de chatbot.
O balanceamento de carga desempenha um papel crítico para garantir que os chatbots corporativos gerenciem o alto tráfego com eficiência. Ao distribuir as solicitações recebidas por vários servidores, evita que qualquer servidor fique sobrecarregado. Essa abordagem ajuda a manter um desempenho estável e reduz as chances de tempo de inatividade, mesmo durante picos de uso.
As implantações em várias zonas levam a confiabilidade um passo adiante. Ao hospedar chatbots em vários locais geográficos ou data centers, essa configuração protege as operações contra interrupções localizadas. Mesmo que uma região enfrente um problema, o chatbot continua funcionando perfeitamente, garantindo um serviço ininterrupto.
Quando combinadas, essas estratégias criam um sistema que pode lidar com tráfego intenso e interrupções inesperadas, proporcionando desempenho consistente e confiável do chatbot.
