Utilice el aprendizaje automático sin código para obtener información a partir de reseñas de productos mediante el análisis de sentimientos y los modelos de análisis de texto de Amazon SageMaker Canvas | Servicios web de Amazon

Según la Gartner, el 85% de los compradores de software confían tanto en las reseñas en línea como en las recomendaciones personales. Los clientes brindan comentarios y reseñas sobre los productos que han comprado a través de muchos canales, incluidos sitios web de reseñas, sitios web de proveedores, llamadas de ventas, redes sociales y muchos otros. El problema con el creciente volumen de reseñas de clientes en múltiples canales es que puede resultar difícil para las empresas procesar y obtener información significativa de los datos utilizando métodos tradicionales. El aprendizaje automático (ML) puede analizar grandes volúmenes de reseñas de productos e identificar patrones, sentimientos y temas discutidos. Con esta información, las empresas pueden comprender mejor las preferencias de los clientes, los puntos débiles y los niveles de satisfacción. También pueden utilizar esta información para mejorar productos y servicios, identificar tendencias y tomar acciones estratégicas que impulsen el crecimiento empresarial. Sin embargo, implementar ML puede ser un desafío para las empresas que carecen de recursos, como los profesionales de ML, los científicos de datos o los desarrolladores de inteligencia artificial (IA). con el nuevo Lienzo de Amazon SageMaker funciones, los analistas de negocios ahora pueden usar ML para obtener información a partir de reseñas de productos.

SageMaker Canvas está diseñado para satisfacer las necesidades funcionales de los analistas de negocios. AWS sin código ML para análisis ad hoc de datos tabulares. SageMaker Canvas es un servicio visual de apuntar y hacer clic que permite a los analistas de negocios generar predicciones de ML precisas sin escribir una sola línea de código ni requerir experiencia en ML. Puede utilizar modelos para hacer predicciones de forma interactiva y para la puntuación por lotes en conjuntos de datos masivos. SageMaker Canvas ofrece modelos de IA listos para usar y soluciones de modelos personalizados totalmente administrados. Para casos de uso comunes de ML, puede utilizar un modelo de IA listo para usar para generar predicciones con sus datos sin ningún entrenamiento del modelo. Para casos de uso de ML específicos de su dominio empresarial, puede entrenar un modelo de ML con sus propios datos para una predicción personalizada.

En esta publicación, demostramos cómo utilizar el modelo de análisis de opiniones listo para usar y el modelo de análisis de texto personalizado para obtener información a partir de reseñas de productos. En este caso de uso, tenemos un conjunto de reseñas de productos sintetizadas que queremos analizar en busca de opiniones y clasificar las reseñas por tipo de producto, para que sea más fácil dibujar patrones y tendencias que puedan ayudar a las partes interesadas del negocio a tomar decisiones mejor informadas. Primero, describimos los pasos para determinar el sentimiento de las reseñas utilizando el modelo de análisis de sentimiento listo para usar. Luego, lo guiaremos a través del proceso para entrenar un modelo de análisis de texto para clasificar las reseñas por tipo de producto. A continuación, explicamos cómo revisar el rendimiento del modelo entrenado. Finalmente, explicamos cómo utilizar el modelo entrenado para realizar predicciones.

El análisis de sentimientos es un modelo listo para usar de procesamiento de lenguaje natural (NLP) que analiza el texto en busca de sentimientos. El análisis de sentimiento se puede ejecutar para predicciones de una sola línea o por lotes. Los sentimientos previstos para cada línea de texto son positivos, negativos, mixtos o neutrales.

El análisis de texto le permite clasificar el texto en dos o más categorías utilizando modelos personalizados. En esta publicación, queremos clasificar las reseñas de productos según el tipo de producto. Para entrenar un modelo personalizado de análisis de texto, simplemente proporcione un conjunto de datos que consta del texto y las categorías asociadas en un archivo CSV. El conjunto de datos requiere un mínimo de dos categorías y 125 filas de texto por categoría. Una vez entrenado el modelo, puede revisar el rendimiento del modelo y volver a entrenarlo si es necesario, antes de usarlo para predicciones.

Requisitos previos

Complete los siguientes requisitos previos:

1. Tener una Cuenta de AWS.
2. Preparar Lienzo SageMaker.
3. Descargue nuestra conjuntos de datos de reseñas de productos de muestra:
   • sample_product_reviews.csv – Contiene 2,000 reseñas de productos sintetizadas y se utiliza para análisis de sentimientos y predicciones de análisis de texto.
   • sample_product_reviews_training.csv – Contiene 600 reseñas de productos sintetizadas y tres categorías de productos, y está destinado a la capacitación de modelos de análisis de texto.

Análisis de los sentimientos

Primero, utiliza el análisis de opiniones para determinar las opiniones de las reseñas de productos completando los siguientes pasos.

1. En Consola SageMaker, haga clic Canvas en el panel de navegación y luego haga clic en Lienzo abierto para abrir la aplicación SageMaker Canvas.
2. Haga Clic en Modelos listos para usar en el panel de navegación y luego haga clic en Análisis de los sentimientos.
3. Haga Clic en Predicción por lotesY, a continuación, haga clic Crea un conjunto de datos.
4. Proporcionar una Nombre del conjunto de datos y haga clic Crear.
5. Haga Clic en Seleccione archivos de su computadora para importar el sample_product_reviews.csv conjunto de datos
6. Haga Clic en Crear conjunto de datos y revisar los datos. La primera columna contiene las reseñas y se utiliza para el análisis de sentimientos. La segunda columna contiene el ID de la revisión y se utiliza solo como referencia.
7. Haga Clic en Crear conjunto de datos para completar el proceso de carga de datos.
8. En Seleccionar conjunto de datos para predicciones ver, seleccionar sample_product_reviews.csv y haga clic en Generar predicciones. 
9. Cuando se complete la predicción por lotes, haga clic en Ver para ver las predicciones.

Las columnas Sentimiento y Confianza proporcionan el sentimiento y la puntuación de confianza, respectivamente. Una puntuación de confianza es un valor estadístico entre 0 y 100%, que muestra la probabilidad de que el sentimiento se prediga correctamente.

10. Haga Clic en Descarga CSV para descargar los resultados a su computadora.

análisis de texto

En esta sección, repasamos los pasos para realizar análisis de texto con un modelo personalizado: importar los datos, entrenar el modelo y luego hacer predicciones.

Importar los datos

Primero importe el conjunto de datos de entrenamiento. Complete los siguientes pasos:

1. On Modelos listos para usar página, haga clic Crear un modelo personalizado
2. Nombre del modelo, ingrese un nombre (por ejemplo, Product Reviews Analysis) Hacer clic análisis de texto, Luego haga clic Crear.
3. En Seleccione pestaña, clic Crear conjunto de datos para importar el sample_product_reviews_training.csv conjunto de datos
4. Proporcionar una Nombre del conjunto de datos y haga clic Crear.
5. Haga Clic en Crear conjunto de datos y revisar los datos. El conjunto de datos de capacitación contiene una tercera columna que describe la categoría de producto; la columna de destino consta de tres productos: libros, videos y música.
6. Haga Clic en Crear conjunto de datos para completar el proceso de carga de datos.
7. En Seleccionar conjunto de datos página, seleccione sample_product_reviews_training.csv y haga clic Seleccionar conjunto de datos.

Entrenar a la modelo

A continuación, configura el modelo para comenzar el proceso de capacitación.

1. En  Construcción pestaña, en la columna de destino menú desplegable, haga clic en product_category como objetivo del entrenamiento.
2. Haga Clic en product_review como fuente.
3. Haga Clic en Construcción rápida para iniciar el entrenamiento del modelo.

Para obtener más información sobre las diferencias entre la compilación rápida y la compilación estándar, consulte Construye un modelo personalizado.

Cuando se complete el entrenamiento del modelo, podrá revisar el rendimiento del modelo antes de usarlo para la predicción.

4. En Analizar , se mostrará la puntuación de confianza del modelo. Una puntuación de confianza indica qué tan seguro está un modelo de que sus predicciones son correctas. Sobre el General pestaña, revise el rendimiento de cada categoría.
5. Haga Clic en Scoring para revisar los conocimientos sobre la precisión del modelo.
6. Haga Clic en Métricas avanzadas para revisar el matriz de confusión y puntuación F1.

Hacer predicciones

Para realizar una predicción con su modelo personalizado, complete los siguientes pasos:

1. En Predicción pestaña, clic Predicción por lotesY, a continuación, haga clic Manual.
2. Haga clic en el mismo conjunto de datos, sample_product_reviews.csv, que utilizó anteriormente para el análisis de sentimiento, luego haga clic en Generar predicciones.
3. Cuando se complete la predicción por lotes, haga clic en Ver para ver las predicciones.

Para la predicción de modelos personalizados, SageMaker Canvas tarda algún tiempo en implementar el modelo para su uso inicial. SageMaker Canvas desaprovisiona automáticamente el modelo si está inactivo durante 15 minutos para ahorrar costos.

La Prediction (Categoría) y Confidence Las columnas proporcionan las categorías de productos previstas y las puntuaciones de confianza, respectivamente.

4. Resalte el trabajo completado, seleccione los tres puntos y haga clic Descargar para descargar los resultados a su computadora.

Limpiar

Haga Clic en Cerrar Sesión en el panel de navegación para cerrar sesión en la aplicación SageMaker Canvas y detener el consumo de Horas de sesión de lienzo y liberar todos los recursos.

Conclusión

En esta publicación, demostramos cómo puedes usar Lienzo de Amazon SageMaker para obtener información de reseñas de productos sin experiencia en ML. Primero, utilizó un modelo de análisis de sentimientos listo para usar para determinar los sentimientos de las reseñas de productos. A continuación, utilizó el análisis de texto para entrenar un modelo personalizado con el proceso de construcción rápido. Finalmente, utilizó el modelo entrenado para clasificar las reseñas de productos en categorías de productos. Todo sin escribir una sola línea de código. Le recomendamos que repita el proceso de análisis de texto con el proceso de compilación estándar para comparar los resultados del modelo y la confianza de la predicción.

---

Acerca de los autores

Gavin Satur es arquitecto principal de soluciones en Amazon Web Services. Trabaja con clientes empresariales para crear soluciones estratégicas y bien diseñadas y le apasiona la automatización. Fuera del trabajo, disfruta del tiempo en familia, el tenis, cocinar y viajar.

les-chan es arquitecto sénior de soluciones en Amazon Web Services, con sede en Irvine, California. A Les le apasiona trabajar con clientes empresariales en la adopción e implementación de soluciones tecnológicas con el único objetivo de impulsar los resultados comerciales de los clientes. Su experiencia abarca arquitectura de aplicaciones, DevOps, tecnología sin servidor y aprendizaje automático.

Aaqib Bickiya es arquitecto de soluciones en Amazon Web Services con sede en el sur de California. Ayuda a los clientes empresariales del sector minorista a acelerar proyectos e implementar nuevas tecnologías. Las áreas de enfoque de Aaqib incluyen servicios de aprendizaje automático, sin servidor, análisis y comunicación.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
• PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
• PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
• PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
• Fuente: 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/