Update README.md

README.md

@@ -1,3 +1,120 @@
----
-license: mit
----
+---
+language:
+  - pt
+tags:
+  - sentiment-analysis
+  - nps
+  - text-classification
+  - portuguese
+license: mit
+pipeline_tag: text-classification
+datasets:
+  - nps
+  - customer-feedback
+---
+
+# 🤖 BERT NPS Feedback Analyzer (PT-BR)
+
+Este modelo é uma adaptação de `cardiffnlp/twitter-xlm-roberta-base-sentiment` voltada para a **análise de sentimentos em textos longos de NPS** (Net Promoter Score), com foco em avaliações técnicas, institucionais e operacionais típicas de ambientes corporativos.
+
+---
+
+## 🧠 Contexto do Problema
+
+Frases de NPS corporativas em português tendem a ser extensas e mistas, contendo tanto elogios quanto críticas em uma mesma resposta. A maioria dos modelos tradicionais apresenta falhas ao interpretar esse tipo de conteúdo, classificando erroneamente como **negativo** textos que relatam **problemas já resolvidos** ou **experiências neutras**.
+
+---
+
+## 🏗️ Arquitetura do Modelo
+
+- **Base**: [`cardiffnlp/twitter-xlm-roberta-base-sentiment`](https://huggingface.co/cardiffnlp/twitter-xlm-roberta-base-sentiment)
+- **Arquitetura**: XLM-RoBERTa base (multilíngue, robusto para entradas longas)
+- **Tarefa**: `text-classification` com 3 classes:
+  - `Negative`
+  - `Neutral`
+  - `Positive`
+
+---
+
+## 📥 Uso do Modelo
+
+### 🔧 Requisitos
+
+```bash
+pip install transformers torch
+```
+
+### 📦 Código de uso
+
+```python
+from transformers import AutoTokenizer, AutoModelForSequenceClassification
+import torch.nn.functional as F
+import torch
+
+# Nome do modelo no Hugging Face Hub
+modelo = "ViniciusKhan/bert-nps-feedback-analyzer"
+
+# Carregar modelo e tokenizer
+tokenizer = AutoTokenizer.from_pretrained(modelo)
+model = AutoModelForSequenceClassification.from_pretrained(modelo)
+
+# Texto de NPS para avaliação
+texto = """ 
+Conversei com Alexandre em 20/06 e ele relatou insatisfação com os relatórios, pois vieram misturados.
+O chamado foi resolvido e desde então me procura sempre que precisa. Está satisfeito com os serviços atuais.
+"""
+
+# Tokenizar e inferir
+inputs = tokenizer(texto, return_tensors="pt", truncation=True)
+with torch.no_grad():
+    outputs = model(**inputs)
+    probs = F.softmax(outputs.logits, dim=1)
+
+# Rótulos
+classes = ['Negative', 'Neutral', 'Positive']
+classe_predita = classes[probs.argmax().item()]
+
+print("Sentimento:", classe_predita)
+```
+
+---
+
+## ✅ Aplicações práticas
+
+Este modelo é ideal para:
+
+- Classificação de feedback de clientes em **SAC, helpdesk e pós-venda**
+- Avaliação de **sentimento em pesquisas de satisfação (NPS)**
+- Processamento automatizado de tickets e reclamações
+- Sistemas de BI e dashboards com análise textual
+
+---
+
+## 🗂️ Estrutura do Repositório
+
+| Arquivo              | Descrição                           |
+|----------------------|-------------------------------------|
+| `pytorch_model.bin`  | Pesos do modelo                     |
+| `config.json`        | Configuração do modelo              |
+| `tokenizer.json`     | Vocabulário do tokenizer            |
+| `README.md`          | Descrição técnica do modelo         |
+
+---
+
+## 🧬 Dataset original do modelo base
+
+O modelo base foi treinado com dados multilingues do Twitter, incluindo português, e adaptado para generalização ampla de sentimentos. A robustez do XLM-RoBERTa permite interpretar frases com vocabulário técnico e institucional mesmo sem fine-tuning adicional.
+
+---
+
+## 👨‍💻 Autor
+
+**Vinicius de Souza Santos**  
+Cientista de Dados • IFSP • Especialista em Machine Learning aplicado a serviços e experiência do cliente  
+🔗 [GitHub](https://github.com/ViniciusKanh)
+
+---
+
+## 📄 Licença
+
+Este modelo é disponibilizado sob a licença MIT.