Como uma aplicação pode aprender as preferências de uma pessoa a partir do seu histórico de compras e transformar esse aprendizado em recomendações?

Foi essa pergunta que guiou o Neural Shop, projeto acadêmico que desenvolvi na disciplina de Fundamentos de IA e LLMs, da Pós-graduação em Engenharia de Software com IA Aplicada, ministrada por Erick Wendel.

O projeto

O Neural Shop é um laboratório didático de recomendação que simula um pequeno e-commerce. Na interface, é possível selecionar um cliente, consultar e alterar seu histórico de compras, treinar o modelo e visualizar os produtos classificados pelo percentual de compatibilidade.

Mais do que exibir uma lista de itens, a proposta foi construir e compreender o pipeline completo de uma recomendação:

1. representar produtos e clientes como vetores numéricos;
2. aprender padrões presentes no histórico de compras;
3. recuperar produtos semelhantes;
4. atribuir uma pontuação a cada par cliente-produto;
5. ordenar e apresentar as melhores recomendações ainda não compradas.

Transformando preferências em números

Redes neurais trabalham com números. Por isso, características como preço, idade, categoria e cor precisam ser convertidas em vetores.

Preço e idade são normalizados para o intervalo entre 0 e 1. Categoria e cor utilizam codificação one-hot, em que cada possibilidade ocupa uma posição no vetor. Para fins didáticos, as características recebem pesos diferentes: preço (0,4), categoria (0,3), idade (0,2) e cor (0,1).

O vetor do cliente é calculado a partir da média dos vetores dos produtos que ele comprou. Para um perfil sem histórico, apenas a idade contribui inicialmente, permitindo observar na prática o conhecido problema de cold start.

A rede neural no navegador

O modelo foi implementado com TensorFlow.js e treinado dentro de um Web Worker, mantendo o processamento pesado fora da thread principal da interface.

A rede é sequencial e possui camadas densas de 128, 64 e 32 neurônios, todas com ativação ReLU. A saída usa um único neurônio com ativação sigmoid, produzindo uma pontuação entre 0 e 1 para indicar a compatibilidade entre usuário e produto.

No treinamento, utilizei o otimizador Adam, função de perda binaryCrossentropy, lotes de 32 exemplos e 100 épocas. O TensorFlow Visor permite acompanhar a evolução do modelo em tempo real.

As curvas ajudam a tornar o aprendizado visível: a precisão se aproxima de 1 enquanto o erro cai ao longo das épocas. Como o conjunto de dados é pequeno e didático, esses números descrevem o ajuste aos dados de treinamento e não devem ser interpretados, isoladamente, como garantia de desempenho em produção.

Uma arquitetura híbrida

O projeto evoluiu do exemplo executado apenas no navegador para uma arquitetura que também utiliza Node.js, Express e MongoDB.

Produtos, clientes, compras e vetores são persistidos no banco. Na recomendação, o MongoDB Vector Search recupera até 50 candidatos próximos do vetor do cliente, e a rede neural faz o reranking. Por fim, itens já comprados são removidos e os 12 melhores resultados aparecem no catálogo.

Em resumo, o fluxo ficou assim:

Perfil e histórico de compras
        ↓
Vetorização das características
        ↓
MongoDB Vector Search — recuperação de candidatos
        ↓
TensorFlow.js — pontuação e reordenação
        ↓
12 recomendações personalizadas

Quando o Vector Search não está disponível em uma instalação local, a aplicação utiliza uma busca exata por similaridade de cosseno, suficiente para o pequeno catálogo acadêmico.

Principais aprendizados

Este trabalho permitiu conectar conceitos que muitas vezes aparecem separadamente na teoria:

• preparação e normalização de dados;
• codificação de atributos categóricos;
• construção e treinamento de uma rede neural;
• interpretação de loss e accuracy;
• embeddings e similaridade vetorial;
• recuperação e reordenação de candidatos;
• integração entre frontend, API e banco de dados;
• limites entre uma demonstração acadêmica e um sistema de produção.

Também ficou evidente que um bom sistema de recomendação não depende apenas do modelo. Qualidade dos dados, estratégia de avaliação, tratamento de novos usuários, versionamento de modelos e métricas de negócio são igualmente importantes.

Conclusão

O Neural Shop transformou conceitos fundamentais de redes neurais em uma experiência visual e interativa. Ao selecionar um perfil, treinar o modelo, acompanhar as curvas e gerar recomendações, é possível observar cada etapa do aprendizado de máquina funcionando dentro de uma aplicação JavaScript completa.

O resultado é um projeto acadêmico, não uma solução pronta para produção, mas representa uma base concreta para continuar explorando recomendadores, bancos vetoriais e aplicações de IA na engenharia de software.

O código-fonte e a documentação estão disponíveis no repositório da Pós-graduação em Engenharia de Software com IA Aplicada.