Cosine Similarity

O que é

A Similaridade do Cosseno (Cosine Similarity) é uma técnica estatística utilizada para determinar quão parecidos são dois objetos num espaço multidimensional. No contexto da Inteligência Artificial moderna e do processamento de linguagem natural, é a ferramenta que permite ao computador dizer que a frase "Como posso exportar faturas para o Excel?" é semanticamente próxima de "Guia de extração de dados financeiros", mesmo que as palavras exatas sejam diferentes.

Para uma PME, esta métrica é o motor invisível por trás de sistemas de recomendação e motores de busca inteligentes. Em vez de procurar por palavras-chave exatas (como o comando 'Ctrl+F'), a similaridade do cosseno olha para o "contexto" e a "intenção" codificados em vetores numéricos (embeddings).

Como funciona

Imagine que cada conceito ou documento é transformado numa seta (vetor) que aponta numa direção específica num gráfico.

1. A Direção é o Significado: Se duas setas apontam para direções muito próximas, o ângulo entre elas é pequeno. Isso significa que os temas são muito semelhantes.
2. O Cálculo: A métrica calcula o cosseno do ângulo entre esses dois vetores.
   • Se o valor for 1, o ângulo é zero: os itens são idênticos em significado.
   • Se o valor for 0, os itens são ortogonais: não têm qualquer relação entre si.
   • Se o valor for -1, são opostos (embora em IA de texto, os valores raramente sejam negativos).

A grande vantagem desta abordagem sobre outras métricas (como a Distância Euclidiana) é que ela ignora a magnitude. Se tivermos um manual técnico de 50 páginas sobre "Bombas de Calor" e um pequeno folheto de 1 página sobre o mesmo tema, a similaridade do cosseno reconhecerá que ambos falam do mesmo assunto, enquanto outras métricas poderiam achar que são diferentes apenas porque um é muito mais longo que o outro.

Quando usar

A Similaridade do Cosseno é a escolha padrão em vários cenários práticos de consultoria de IA em Portugal:

• Sistemas de RAG (Retrieval-Augmented Generation): Quando um Chatbot precisa de ler os manuais em PDF da sua empresa para responder a um cliente, ele usa esta métrica para encontrar o parágrafo exato que contém a resposta.
• Classificação de Inventário: Para agrupar produtos de um catálogo de e-commerce que não têm descrições normalizadas, facilitando a navegação do utilizador.
• Deteção de Duplicados: Identificar se um ticket de suporte que acabou de entrar é idêntico a um que foi resolvido ontem, permitindo a automatização da resposta.
• Sistemas de Recomendação B2B: Sugerir peças de substituição com base no historial de encomendas ou na compatibilidade técnica descrita em texto livre.

Erros comuns

• Ignorar a qualidade dos Embeddings: A similaridade do cosseno é apenas um cálculo matemático. Se o modelo de IA que transformou o texto em números (o modelo de embedding) for fraco ou não entender português técnico, o resultado será mau, independentemente da precisão da matemática.
• Confundir similaridade com verdade: Só porque dois documentos são semanticamente próximos, não significa que um seja a resposta correta para o outro. É apenas uma medida de parentesco temático.
• Não considerar o contexto negacional: Por vezes, dois vetores podem estar próximos mesmo que um diga "pode fazer X" e o outro "não pode fazer X", se o modelo de base não for robusto o suficiente para captar a negação.
• Desperdiçar recursos em bases pequenas: Se a sua empresa só tem 50 documentos, uma pesquisa simples por palavras-chave pode ser suficiente. A similaridade do cosseno brilha quando temos milhares de pontos de dados para cruzar.

Exemplo prático para uma PME

Imagine uma empresa de distribuição de material elétrico em Vila Nova de Gaia com um catálogo de 20.000 referências. Um cliente escreve no chat do portal: "Preciso de algo para proteger circuitos contra picos de tensão em ambientes industriais".

O sistema tradicional de base de dados procuraria pelas palavras exatas. Se o produto no catálogo estiver registado como "Descarregador de Sobretensões Tipo 2", a busca comum falharia.

Com a Similaridade do Cosseno:

1. A frase do cliente é convertida num vetor.
2. O sistema compara esse vetor com os vetores de todos os produtos do catálogo.
3. O cálculo identifica que "proteger contra picos de tensão" e "Descarregador de Sobretensões" apontam para a mesma direção conceptual.
4. O sistema devolve o produto correto no topo da lista, convertendo uma frustração do cliente numa venda imediata.

Perguntas frequentes

Q: Qual é a diferença entre Cosine Similarity e busca por palavras-chave? R: A busca por palavras-chave exige uma correspondência exata de letras. A Similaridade do Cosseno procura por proximidade de conceitos, permitindo encontrar resultados mesmo usando sinónimos ou termos técnicos diferentes.

Q: Preciso de uma supermáquina para calcular isto? R: Não. Embora o cálculo de milhares de vetores pareça pesado, existem tecnologias chamadas Vector Databases (como Pinecone ou Weaviate) que fazem milhões destas comparações em milissegundos num computador comum.

Q: Esta métrica funciona para imagens? R: Sim, desde que as imagens tenham sido convertidas em vetores por um modelo de IA visual. É assim que funcionam as pesquisas de "procurar imagens semelhantes".

Q: O valor da similaridade pode ser usado para dar uma nota de confiança? R: Sim, muitas empresas definem um patamar (ex: 0.85). Se a similaridade for inferior a esse valor, o sistema assume que não encontrou informação relevante e prefere dizer "não sei" a inventar uma resposta.

• 01Comparar a pergunta de um cliente com uma base de dados de FAQ para encontrar a resposta mais provável.
• 02Agrupar faturas de fornecedores diferentes que usam descrições distintas para o mesmo serviço.
• 03Recomendar artigos de blogue semelhantes baseando-se no que o utilizador acabou de ler.
• 04Identificar currículos que mais se aproximam da descrição de uma vaga de emprego numa consultora.

Quer usar Cosine Similarity na sua empresa?

30 minutos, gratuito, sem compromisso. Dizemos onde encaixa.

Diagnóstico IA gratuito