Full Stack + IA: Como usei Python e Next.js para "ler" 50 mil reviews ajudando na decisão de compra

O problema de quem compra hardware Sabe quando você vai comprar aquela placa de vídeo ou processador novo na KaBuM e se depara com 500 comentários? Você lê o primeiro, o segundo, e no décimo já não sabe se o produto é bom ou se o usuário que não soube instalar. Foi pensando nisso (e na minha paixão por Full Stack e Dados) que decidi criar o meu TCC: o Review Sentimentum.

Queria compartilhar com a comunidade da DIO como foi o processo de criar um sistema que coleta, analisa e diz se a "vibe" do produto é boa ou ruim, usando Inteligência Artificial.

A Grande Sacada

Full Stack encontra a IA Muita gente acha que para mexer com IA você precisa ser um cientista de dados sênior. Minha missão foi provar que um Dev Full Stack pode (e deve) usar essas ferramentas para inovar.

A ideia do projeto era simples:

1. Coletar dados: Ir até o e-commerce e pegar as opiniões (Web Scraping).
2. Entender os dados: Usar um modelo de linguagem para ler o texto e classificar (Positivo, Negativo ou Neutro).
3. Mostrar os dados: Uma interface web bonitona para o usuário final.

A Stack de Respeito (FARM Stack) Para colocar isso de pé, fugi do básico. Usei uma arquitetura desacoplada que recomendo muito para quem quer performance:

• Backend: Python com FastAPI. É incrivelmente rápido e perfeito para servir modelos de ML.
• Frontend: Next.js com TypeScript. Para garantir que a interface fosse reativa e os dados tipados.
• Banco de Dados: MongoDB. Como eu estava lidando com reviews (textos variados), um banco NoSQL foi a escolha ideal.
• A Estrela (IA): Usei o Selenium para o scraping e, para a "mágica", fiz o fine-tuning (ajuste fino) de um modelo baseado no RoBERTa.

O Desafio da IA: Ensinando o robô a falar "Tech" Aqui foi onde o aprendizado acelerou. Peguei um modelo pré-treinado em português e o "treinei" novamente com reviews de hardware. Por que? Porque o modelo precisava entender que "gargalo" em PC é ruim, mas "voando" é bom!

O resultado? Conseguimos processar mais de 53 mil avaliações com uma acurácia de 91,5%. Isso mostra que, com as bibliotecas certas (como a Transformers da Hugging Face), a gente consegue resultados profissionais rodando localmente (sim, usei minha RTX 4060 guerreira para treinar isso!).

Como isso ajuda a Comunidade Dev? Desenvolver esse projeto me ensinou que não precisamos reinventar a roda. Usar Transfer Learning (pegar um modelo que já sabe ler e ensinar ele a ser especialista em um nicho) é uma habilidade valiosa para o mercado hoje.

Além disso, integrar isso via API REST mostra como o ecossistema Python conversa bem com o ecossistema JavaScript. Você não precisa escolher um lado, pode dominar os dois!

Conclusão

Se você é estudante ou júnior, minha dica é: saia do tutorial padrão. Tente pegar um problema real do seu dia a dia (como ler reviews chatos) e automatize isso. O Review Sentimentum nasceu assim e virou uma ferramenta de apoio à decisão robusta.

Espero que esse post inspire vocês a misturarem Web Development com Data Science. O código é livre e o conhecimento é para ser compartilhado!

Quem quiser trocar uma ideia sobre FastAPI ou NLP, deixa aí nos comentários! 🚀

Links

Demonstração da Ferramenta: https://reviewsentimentum.vercel.app/

Artigo científico: https://bib.pucminas.br/pergamumweb/download/715ca804-2f23-4fd5-8650-59d885540f63.pdf

Repositório: https://github.com/Wesleyhrl/tcc_sentiment-analysis-ecommerce

#FullStack #Python #NextJS #ArtificialIntelligence #TCC #Inovação