Em uma terça-feira fria, umas 15:00h, eu e a Vivian (Product Owner do Colab) estávamos conversando sobre como poderíamos integrar o Asana no Slack, vendo se haviam formas mais fáceis de fazer integrações etc.
Foi aí que pensamos: E se nós não tivéssemos uma integração só com o Asana, mas fizéssemos algo que pudesse ser integrado com qualquer API e de qualquer forma para os times do Colab? Nossa mente fez isso:
Um mundo de possibilidades se desenrolava na nossa frente. Era a relação ganha-ganha perfeita:
- Nós não mudaríamos o fluxo de trabalho da galera inserindo uma nova interface, eles usariam uma ferramenta à qual já estão habituados (o Slack, nesse caso);
- Seria para somente automações de tarefas básicas, empoderando toda a equipe do Colab, independentemente do setor;
- Implementação extremamente simples.
Calma, se você não entendeu como poderíamos (e como você também pode!) fazer isso e está mais perdido que o John Travolta na casa da Mia em Pulp Ficton, vem comigo!
Explicando
Ok, hora da sopa de letrinhas de tech! Primeiro numa visão macro da arquitetura, pensamos em algo simples com uma capacidade alta de escalabilidade e integrabilidade.
Senhoras e senhores, lhes apresento a arquitetura hexagonal.
Com isso em mente já tínhamos ideia de como iríamos fazer e o que usar para alcançar o objetivo.
Nós queríamos algo fluído, como se as pessoas estivessem pedindo algo para um ser real, queríamos que o quick win pudesse mostrar para a galera o potencial de uma integração mais humana com a máquina e que déssemos poder para as pessoas, mas ao mesmo tempo a máquina seria inteligente o suficiente para entender esse empoderamento da nossa equipe.
A forma mais simples que encontramos para fazer isso é juntando a API do Slack (que é nossa ferramenta básica de comunicação no Colab) com o dialogFlow. O dialogFlow é uma plataforma para a implementação de NLP (Natural Language Processing), uma das mais robustas plataformas que temos hoje no mercado, e tem implementação 100% para português – BR
Dentro do NLP temos o que chamamos de intenções, que são o core do machine learning por trás do NLP, nela treinamos o modelo para dizer quais frases devem fazer quais ações, e, por trás dos panos, o dialogflow aplica o algoritmo com nome mais legal do mundo, a distância Levenshtein que retorna quanto de confiabilidade o usuário está digitando baseado nas intenções cadastradas.
