Nutzen Sie maschinelles Lernen ohne Code, um mithilfe der Stimmungsanalyse- und Textanalysemodelle von Amazon SageMaker Canvas Erkenntnisse aus Produktbewertungen abzuleiten | Amazon Web Services

Laut Gartner85 % der Softwarekäufer vertrauen Online-Bewertungen genauso wie persönlichen Empfehlungen. Kunden geben Feedback und Bewertungen zu Produkten, die sie gekauft haben, über viele Kanäle ab, darunter Bewertungswebsites, Anbieterwebsites, Verkaufsgespräche, soziale Medien und viele andere. Das Problem bei der zunehmenden Menge an Kundenbewertungen über mehrere Kanäle hinweg besteht darin, dass es für Unternehmen eine Herausforderung sein kann, die Daten mit herkömmlichen Methoden zu verarbeiten und aussagekräftige Erkenntnisse daraus abzuleiten. Maschinelles Lernen (ML) kann große Mengen an Produktbewertungen analysieren und Muster, Stimmungen und besprochene Themen identifizieren. Mit diesen Informationen können Unternehmen ein besseres Verständnis der Kundenpräferenzen, Schwachstellen und Zufriedenheitsniveaus erlangen. Sie können diese Informationen auch nutzen, um Produkte und Dienstleistungen zu verbessern, Trends zu erkennen und strategische Maßnahmen zu ergreifen, die das Geschäftswachstum vorantreiben. Die Implementierung von ML kann jedoch eine Herausforderung für Unternehmen sein, denen es an Ressourcen wie ML-Praktikern, Datenwissenschaftlern oder Entwicklern künstlicher Intelligenz (KI) mangelt. Mit dem Neuen Amazon SageMaker-Leinwand Funktionen können Business-Analysten nun ML nutzen, um Erkenntnisse aus Produktbewertungen abzuleiten.

SageMaker Canvas ist auf die funktionalen Anforderungen von Geschäftsanalysten zugeschnitten AWS kein Code ML zur Ad-hoc-Analyse tabellarischer Daten. SageMaker Canvas ist ein visueller Point-and-Click-Dienst, der es Geschäftsanalysten ermöglicht, genaue ML-Vorhersagen zu erstellen, ohne eine einzige Codezeile zu schreiben oder ML-Kenntnisse zu benötigen. Sie können Modelle verwenden, um interaktiv Vorhersagen zu treffen und für die Stapelbewertung von Massendatensätzen. SageMaker Canvas bietet vollständig verwaltete, gebrauchsfertige KI-Modelle und benutzerdefinierte Modelllösungen. Für gängige ML-Anwendungsfälle können Sie ein gebrauchsfertiges KI-Modell verwenden, um Vorhersagen mit Ihren Daten zu generieren, ohne dass ein Modelltraining erforderlich ist. Für ML-Anwendungsfälle, die speziell auf Ihre Geschäftsdomäne zugeschnitten sind, können Sie ein ML-Modell mit Ihren eigenen Daten für benutzerdefinierte Vorhersagen trainieren.

In diesem Beitrag zeigen wir, wie Sie das gebrauchsfertige Sentiment-Analysemodell und das benutzerdefinierte Textanalysemodell verwenden, um Erkenntnisse aus Produktbewertungen abzuleiten. In diesem Anwendungsfall verfügen wir über eine Reihe synthetisierter Produktbewertungen, die wir auf Stimmungen hin analysieren und die Bewertungen nach Produkttyp kategorisieren möchten, um das Erkennen von Mustern und Trends zu erleichtern, die Geschäftsbeteiligten dabei helfen können, fundiertere Entscheidungen zu treffen. Zunächst beschreiben wir die Schritte zur Bestimmung der Stimmung der Bewertungen mithilfe des gebrauchsfertigen Stimmungsanalysemodells. Anschließend führen wir Sie durch den Prozess, um ein Textanalysemodell zu trainieren, um die Bewertungen nach Produkttyp zu kategorisieren. Als Nächstes erklären wir, wie Sie das trainierte Modell auf Leistung überprüfen. Abschließend erklären wir, wie das trainierte Modell zur Durchführung von Vorhersagen verwendet wird.

Die Stimmungsanalyse ist ein gebrauchsfertiges Modell zur Verarbeitung natürlicher Sprache (NLP), das Text auf Stimmungen hin analysiert. Die Stimmungsanalyse kann für einzelne Zeilen- oder Batch-Vorhersagen durchgeführt werden. Die vorhergesagten Stimmungen für jede Textzeile sind entweder positiv, negativ, gemischt oder neutral.

Mit der Textanalyse können Sie Text mithilfe benutzerdefinierter Modelle in zwei oder mehr Kategorien klassifizieren. In diesem Beitrag möchten wir Produktbewertungen nach Produkttyp klassifizieren. Um ein benutzerdefiniertes Textanalysemodell zu trainieren, stellen Sie einfach einen Datensatz bereit, der aus dem Text und den zugehörigen Kategorien in einer CSV-Datei besteht. Der Datensatz erfordert mindestens zwei Kategorien und 125 Textzeilen pro Kategorie. Nachdem das Modell trainiert wurde, können Sie die Leistung des Modells überprüfen und das Modell bei Bedarf neu trainieren, bevor Sie es für Vorhersagen verwenden.

Voraussetzungen:

Erfüllen Sie die folgenden Voraussetzungen:

1. Einen haben AWS-Konto.
2. Einrichten SageMaker-Leinwand.
3. Laden Sie die Beispieldatensätze für Produktbewertungen:
   • sample_product_reviews.csv – Enthält 2,000 synthetisierte Produktbewertungen und wird für Stimmungsanalysen und Textanalysevorhersagen verwendet.
   • sample_product_reviews_training.csv – Enthält 600 synthetisierte Produktbewertungen und drei Produktkategorien und ist für das Training von Textanalysemodellen vorgesehen.

Stimmungsanalyse

Zunächst ermitteln Sie mithilfe der Sentimentanalyse die Stimmung der Produktbewertungen, indem Sie die folgenden Schritte ausführen.

1. Auf dem SageMaker-Konsole, klicken Canvas im Navigationsbereich und klicken Sie dann auf Leinwand öffnen , um die SageMaker Canvas-Anwendung zu öffnen.
2. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Gebrauchsfertige Modelle im Navigationsbereich und klicken Sie dann auf Stimmungsanalyse.
3. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Batch-Vorhersage, dann klick Datensatz erstellen.
4. Bieten eine Datensatzname und klicken auf Erstellen.
5. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Wählen Sie Dateien von Ihrem Computer aus um die zu importieren sample_product_reviews.csv Datensatz.
6. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Datensatz erstellen und überprüfen Sie die Daten. Die erste Spalte enthält die Bewertungen und dient der Stimmungsanalyse. Die zweite Spalte enthält die Bewertungs-ID und dient nur als Referenz.
7. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Datensatz erstellen um den Daten-Upload-Vorgang abzuschließen.
8. Im Wählen Sie den Datensatz für Vorhersagen aus Ansicht auswählen sample_product_reviews.csv und klicken Sie dann auf Generieren Sie Vorhersagen. 
9. Wenn die Stapelvorhersage abgeschlossen ist, klicken Sie auf Anzeigen , um die Vorhersagen anzuzeigen.

Die Spalten „Stimmung“ und „Konfidenz“ liefern die Stimmungs- bzw. Konfidenzbewertung. Ein Konfidenzwert ist ein statistischer Wert zwischen 0 und 100 %, der die Wahrscheinlichkeit angibt, dass die Stimmung richtig vorhergesagt wird.

10. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. CSV herunterladen um die Ergebnisse auf Ihren Computer herunterzuladen.

Textanalyse

In diesem Abschnitt gehen wir die Schritte durch, um eine Textanalyse mit einem benutzerdefinierten Modell durchzuführen: Importieren der Daten, Trainieren des Modells und anschließendes Treffen von Vorhersagen.

Importieren Sie die Daten

Importieren Sie zunächst den Trainingsdatensatz. Führen Sie die folgenden Schritte aus:

1. On Gebrauchsfertige Modelle Seite, klicken Sie auf Erstellen Sie ein benutzerdefiniertes Modell
2. Aussichten für ModellbezeichnungGeben Sie einen Namen ein (z. B. Product Reviews Analysis). Klicken Textanalyse, dann klick Erstellen.
3. Auf dem Auswählen Tab, klicken Sie auf Datensatz erstellen um die zu importieren sample_product_reviews_training.csv Datensatz.
4. Bieten eine Datensatzname und klicken auf Erstellen.
5. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Datensatz erstellen und überprüfen Sie die Daten. Der Trainingsdatensatz enthält eine dritte Spalte, die die Produktkategorie beschreibt, wobei die Zielspalte aus drei Produkten besteht: Bücher, Videos und Musik.
6. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Datensatz erstellen um den Daten-Upload-Vorgang abzuschließen.
7. Auf dem Datensatz auswählen Seite auswählen sample_product_reviews_training.csv und klicken auf Datensatz auswählen.

Trainiere das Modell

Als Nächstes konfigurieren Sie das Modell, um den Trainingsprozess zu starten.

1. Auf dem Bauen Registerkarte, auf der Zielspalte Dropdown-Menü, klicken Sie auf product_category als Trainingsziel.
2. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. product_review als Quelle.
3. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Schneller Aufbau um mit der Modelausbildung zu beginnen.

Weitere Informationen zu den Unterschieden zwischen Quick Build und Standard Build finden Sie unter Erstellen Sie ein benutzerdefiniertes Modell.

Wenn das Modelltraining abgeschlossen ist, können Sie die Leistung des Modells überprüfen, bevor Sie es für Vorhersagen verwenden.

4. Auf dem Analysieren Auf der Registerkarte wird der Konfidenzwert des Modells angezeigt. Ein Konfidenzwert gibt an, wie sicher ein Modell ist, dass seine Vorhersagen korrekt sind. Auf der Über uns Überprüfen Sie auf der Registerkarte die Leistung für jede Kategorie.
5. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Scoring um die Erkenntnisse zur Modellgenauigkeit zu überprüfen.
6. Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Erweiterte Metriken um das zu überprüfen Verwirrungsmatrix und F1-Score.

Voraussagen machen

Um mit Ihrem benutzerdefinierten Modell eine Vorhersage zu treffen, führen Sie die folgenden Schritte aus:

1. Auf dem Vorhersagen Tab, klicken Sie auf Batch-Vorhersage, dann klick Manuell.
2. Klicken Sie auf denselben Datensatz. sample_product_reviews.csv, die Sie zuvor für die Stimmungsanalyse verwendet haben, und klicken Sie dann auf Generieren Sie Vorhersagen.
3. Wenn die Stapelvorhersage abgeschlossen ist, klicken Sie auf Anzeigen , um die Vorhersagen anzuzeigen.

Bei der Vorhersage benutzerdefinierter Modelle dauert es einige Zeit, bis SageMaker Canvas das Modell für die erste Verwendung bereitstellt. SageMaker Canvas hebt die Bereitstellung des Modells automatisch auf, wenn es 15 Minuten lang inaktiv ist, um Kosten zu sparen.

Das Prediction (Kategorie) und Confidence Die Spalten liefern die vorhergesagten Produktkategorien bzw. Konfidenzwerte.

4. Markieren Sie den abgeschlossenen Auftrag, wählen Sie die drei Punkte aus und klicken Sie Herunterladen um die Ergebnisse auf Ihren Computer herunterzuladen.

Aufräumen

Klicken Sie auf Kostenlos erhalten und dann auf Installieren. Abmelden im Navigationsbereich, um sich von der SageMaker Canvas-Anwendung abzumelden und den Verbrauch von zu stoppen Stunden der Canvas-Sitzung und alle Ressourcen freigeben.

Zusammenfassung

In diesem Beitrag haben wir gezeigt, wie Sie es verwenden können Amazon SageMaker-Leinwand Erkenntnisse aus Produktbewertungen ohne ML-Expertise abzuleiten. Zunächst haben Sie ein gebrauchsfertiges Stimmungsanalysemodell verwendet, um die Stimmung der Produktbewertungen zu ermitteln. Als Nächstes haben Sie mithilfe der Textanalyse ein benutzerdefiniertes Modell mit dem Schnellerstellungsprozess trainiert. Schließlich haben Sie das trainierte Modell verwendet, um die Produktbewertungen in Produktkategorien zu kategorisieren. Alles ohne eine einzige Zeile Code zu schreiben. Wir empfehlen, dass Sie den Textanalyseprozess mit dem Standarderstellungsprozess wiederholen, um die Modellergebnisse und die Vorhersagesicherheit zu vergleichen.

---

Über die Autoren

Gavin Satur ist Principal Solutions Architect bei Amazon Web Services. Er arbeitet mit Unternehmenskunden zusammen, um strategische, gut strukturierte Lösungen zu entwickeln, und ist begeistert von der Automatisierung. Außerhalb der Arbeit genießt er gerne Zeit mit der Familie, Tennis, Kochen und Reisen.

Les Chan ist Senior Solutions Architect bei Amazon Web Services mit Sitz in Irvine, Kalifornien. Les ist begeistert von der Zusammenarbeit mit Unternehmenskunden bei der Einführung und Implementierung von Technologielösungen, mit dem alleinigen Fokus, die Geschäftsergebnisse der Kunden voranzutreiben. Seine Fachkenntnisse umfassen Anwendungsarchitektur, DevOps, Serverless und maschinelles Lernen.

Aaqib Bickiya ist Lösungsarchitekt bei Amazon Web Services mit Sitz in Südkalifornien. Er unterstützt Unternehmenskunden im Einzelhandel dabei, Projekte zu beschleunigen und neue Technologien zu implementieren. Zu den Schwerpunkten von Aaqib gehören maschinelles Lernen, Serverless, Analyse und Kommunikationsdienste

• SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
• PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
• PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
• PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
• PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
• Quelle: https://aws.amazon.com/blogs/machine-learning/use-no-code-machine-learning-to-derive-insights-from-product-reviews-using-amazon-sagemaker-canvas-sentiment-analysis-and-text-analysis-models/