Selon Gartner, 85 % des acheteurs de logiciels font autant confiance aux avis en ligne qu'aux recommandations personnelles. Les clients fournissent des commentaires et des avis sur les produits qu'ils ont achetés via de nombreux canaux, notamment les sites Web d'avis, les sites Web de fournisseurs, les appels commerciaux, les réseaux sociaux et bien d'autres. Le problème avec le volume croissant d’avis clients sur plusieurs canaux est qu’il peut être difficile pour les entreprises de traiter et d’en tirer des informations significatives à l’aide de méthodes traditionnelles. L'apprentissage automatique (ML) peut analyser de grands volumes d'avis sur des produits et identifier les modèles, les sentiments et les sujets abordés. Grâce à ces informations, les entreprises peuvent mieux comprendre les préférences des clients, les problèmes et les niveaux de satisfaction. Ils peuvent également utiliser ces informations pour améliorer les produits et services, identifier les tendances et prendre des mesures stratégiques qui stimulent la croissance de l'entreprise. Cependant, la mise en œuvre du ML peut être un défi pour les entreprises qui manquent de ressources telles que les praticiens du ML, les data scientists ou les développeurs d'intelligence artificielle (IA). Avec le nouveau Toile Amazon SageMaker fonctionnalités, les analystes commerciaux peuvent désormais utiliser le ML pour tirer des informations des évaluations de produits.
SageMaker Canvas est conçu pour répondre aux besoins fonctionnels des analystes commerciaux. AWS sans code ML pour une analyse ad hoc de données tabulaires. SageMaker Canvas est un service visuel par pointer-cliquer qui permet aux analystes commerciaux de générer des prédictions de ML précises sans écrire une seule ligne de code ni nécessiter une expertise en ML. Vous pouvez utiliser des modèles pour effectuer des prédictions de manière interactive et pour effectuer des évaluations par lots sur des ensembles de données volumineux. SageMaker Canvas propose des solutions de modèles d'IA et de modèles personnalisés entièrement gérés et prêts à l'emploi. Pour les cas d'utilisation courants du ML, vous pouvez utiliser un modèle d'IA prêt à l'emploi pour générer des prédictions avec vos données sans aucune formation de modèle. Pour les cas d'utilisation du ML spécifiques à votre domaine d'activité, vous pouvez entraîner un modèle de ML avec vos propres données pour une prédiction personnalisée.
Dans cet article, nous montrons comment utiliser le modèle d'analyse des sentiments prêt à l'emploi et le modèle d'analyse de texte personnalisé pour tirer des informations des avis sur les produits. Dans ce cas d'utilisation, nous disposons d'un ensemble d'avis de produits synthétisés que nous souhaitons analyser pour déterminer les sentiments et classer les avis par type de produit, afin de faciliter l'identification de modèles et de tendances qui peuvent aider les parties prenantes de l'entreprise à prendre des décisions plus éclairées. Tout d’abord, nous décrivons les étapes permettant de déterminer le sentiment des avis à l’aide du modèle d’analyse des sentiments prêt à l’emploi. Ensuite, nous vous guidons tout au long du processus de formation d'un modèle d'analyse de texte pour classer les avis par type de produit. Ensuite, nous expliquons comment examiner les performances du modèle entraîné. Enfin, nous expliquons comment utiliser le modèle entraîné pour effectuer des prédictions.
L'analyse des sentiments est un modèle de traitement du langage naturel (NLP) prêt à l'emploi qui analyse le texte à la recherche de sentiments. L'analyse des sentiments peut être exécutée pour des prédictions sur une seule ligne ou par lots. Les sentiments prédits pour chaque ligne de texte sont soit positifs, négatifs, mitigés ou neutres.
L'analyse de texte vous permet de classer le texte en deux catégories ou plus à l'aide de modèles personnalisés. Dans cet article, nous souhaitons classer les avis sur les produits en fonction du type de produit. Pour entraîner un modèle personnalisé d'analyse de texte, vous fournissez simplement un ensemble de données composé du texte et des catégories associées dans un fichier CSV. L'ensemble de données nécessite un minimum de deux catégories et 125 lignes de texte par catégorie. Une fois le modèle entraîné, vous pouvez examiner ses performances et recycler le modèle si nécessaire, avant de l'utiliser pour des prédictions.
Pré-requis
Remplissez les conditions préalables suivantes :
- Avoir un Compte AWS.
- Mettre en place Toile SageMaker.
- Télécharger exemples d'ensembles de données d'avis sur les produits :
sample_product_reviews.csv
– Contient 2,000 XNUMX avis de produits synthétisés et est utilisé pour l’analyse des sentiments et les prédictions d’analyse de texte.sample_product_reviews_training.csv
– Contient 600 avis de produits synthétisés et trois catégories de produits, et est destiné à la formation sur le modèle d’analyse de texte.
Analyse des sentiments
Tout d’abord, vous utilisez l’analyse des sentiments pour déterminer les sentiments des avis sur les produits en suivant les étapes suivantes.
- Sur le Console SageMakercliquez Toile dans le volet de navigation, puis cliquez sur Ouvrir le canevas pour ouvrir l'application SageMaker Canvas.
- Cliquez Modèles prêts à l'emploi dans le volet de navigation, puis cliquez sur Analyse des sentiments.
- Cliquez Prédiction par lots, puis clique Créez un jeu de données.
- Fournir un Nom du jeu de données et cliquez sur Créer.
- Cliquez Sélectionnez les fichiers de votre ordinateur pour importer le
sample_product_reviews.csv
jeu de données. - Cliquez Créer un jeu de données et examinez les données. La première colonne contient les avis et est utilisée pour l'analyse des sentiments. La deuxième colonne contient l'ID de l'avis et est utilisée à titre de référence uniquement.
- Cliquez Créer un jeu de données pour terminer le processus de téléchargement des données.
- Dans le Sélectionner un ensemble de données pour les prédictions voir, sélectionner
sample_product_reviews.csv
puis cliquez sur Générez des prédictions. - Une fois la prédiction par lots terminée, cliquez sur Voir pour voir les prédictions.
Les colonnes Sentiment et Confiance fournissent respectivement le sentiment et le score de confiance. Un score de confiance est une valeur statistique comprise entre 0 et 100 %, qui montre la probabilité que le sentiment soit correctement prédit.
- Cliquez Télécharger CSV pour télécharger les résultats sur votre ordinateur.
Analyse de texte
Dans cette section, nous passons en revue les étapes pour effectuer une analyse de texte avec un modèle personnalisé : importer les données, entraîner le modèle puis faire des prédictions.
Importez les données
Importez d’abord l’ensemble de données d’entraînement. Effectuez les étapes suivantes :
- On Modèles prêts à l'emploi page, cliquez sur Créer un modèle personnalisé
- Pour Nom du modèle, entrez un nom (par exemple,
Product Reviews Analysis
). Cliquez sur Analyse de texte, puis clique Créer. - Sur le Sélectionnez onglet, cliquez sur Créer un jeu de données pour importer le
sample_product_reviews_training.csv
jeu de données. - Fournir un Nom du jeu de données et cliquez sur Créer.
- Cliquez Créer un jeu de données et examinez les données. L'ensemble de données de formation contient une troisième colonne décrivant la catégorie de produits, la colonne cible étant composée de trois produits : livres, vidéo et musique.
- Cliquez Créer un jeu de données pour terminer le processus de téléchargement des données.
- Sur le Sélectionnez un jeu de données page, sélectionnez
sample_product_reviews_training.csv
et cliquez sur Sélectionnez un jeu de données.
Former le modèle
Ensuite, vous configurez le modèle pour commencer le processus de formation.
- Sur le Développer onglet, sur le Colonne cible menu déroulant, cliquez sur
product_category
comme objectif de formation. - Cliquez
product_review
comme source. - Cliquez Construction rapide pour commencer la formation du modèle.
Pour plus d'informations sur les différences entre la version rapide et la version standard, reportez-vous à Créer un modèle personnalisé.
Une fois la formation du modèle terminée, vous pouvez examiner les performances du modèle avant de l'utiliser à des fins de prédiction.
- Sur le Analysez , le score de confiance du modèle sera affiché. Un score de confiance indique dans quelle mesure un modèle est certain que ses prédictions sont correctes. Sur le Vue d’ensemble , examinez les performances de chaque catégorie.
- Cliquez Scoring pour examiner les informations sur la précision du modèle.
- Cliquez Mesures avancées passer en revue le matrice de confusion et score F1.
Faire des prédictions
Pour effectuer une prédiction avec votre modèle personnalisé, procédez comme suit :
- Sur le Prédire onglet, cliquez sur Prédiction par lots, puis clique Manuelle.
- Cliquez sur le même ensemble de données,
sample_product_reviews.csv
, que vous avez utilisé précédemment pour l'analyse des sentiments, puis cliquez sur Générez des prédictions. - Une fois la prédiction par lots terminée, cliquez sur Voir pour voir les prédictions.
Pour la prédiction de modèle personnalisé, SageMaker Canvas met un certain temps à déployer le modèle pour une utilisation initiale. SageMaker Canvas désapprovisionne automatiquement le modèle s'il est inactif pendant 15 minutes pour réduire les coûts.
Le Prediction
(Catégorie) et Confidence
Les colonnes fournissent respectivement les catégories de produits prévues et les scores de confiance.
- Mettez en surbrillance le travail terminé, sélectionnez les trois points et cliquez sur Télécharger pour télécharger les résultats sur votre ordinateur.
Nettoyer
Cliquez Déconnexion dans le volet de navigation pour vous déconnecter de l'application SageMaker Canvas afin d'arrêter la consommation de Horaires des séances Canvas et libérer toutes les ressources.
Conclusion
Dans cet article, nous avons montré comment vous pouvez utiliser Toile Amazon SageMaker pour tirer des informations des évaluations de produits sans expertise en ML. Tout d’abord, vous avez utilisé un modèle d’analyse des sentiments prêt à l’emploi pour déterminer les sentiments des avis sur les produits. Ensuite, vous avez utilisé l'analyse de texte pour entraîner un modèle personnalisé avec le processus de génération rapide. Enfin, vous avez utilisé le modèle entraîné pour classer les avis sur les produits en catégories de produits. Tout cela sans écrire une seule ligne de code. Nous vous recommandons de répéter le processus d'analyse de texte avec le processus de génération standard pour comparer les résultats du modèle et la fiabilité des prédictions.
À propos des auteurs
Gavin Satur est architecte de solutions principal chez Amazon Web Services. Il travaille avec des entreprises clientes pour créer des solutions stratégiques et bien architecturées et est passionné par l'automatisation. En dehors du travail, il aime passer du temps en famille, jouer au tennis, cuisiner et voyager.
Les Chan est un architecte de solutions senior chez Amazon Web Services, basé à Irvine, en Californie. Les est passionné par le travail avec les entreprises clientes sur l’adoption et la mise en œuvre de solutions technologiques dans le seul but d’améliorer les résultats commerciaux des clients. Son expertise couvre l'architecture d'applications, le DevOps, le sans serveur et l'apprentissage automatique.
Aaqib Bickiya est un architecte de solutions chez Amazon Web Services basé en Californie du Sud. Il aide les entreprises clientes du secteur de la vente au détail à accélérer leurs projets et à mettre en œuvre de nouvelles technologies. Les domaines d'intervention d'Aaqib comprennent les services d'apprentissage automatique, sans serveur, d'analyse et de communication.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: 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/
- :est
- $UP
- 000
- 10
- 100
- 125
- 15%
- 7
- a
- A Propos
- accélérer
- précision
- Avec cette connaissance vient le pouvoir de prendre
- à travers
- actes
- Ad
- L'adoption d'
- Après
- AI
- Tous
- permet
- aussi
- Amazon
- Amazon Sage Maker
- Toile Amazon SageMaker
- Amazon Web Services
- an
- selon une analyse de l’Université de Princeton
- Analystes
- analytique
- il analyse
- des analyses
- et les
- tous
- Application
- architecture
- SONT
- domaines
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- AS
- associé
- At
- automatiquement
- Automation
- AWS
- basé
- BE
- before
- commencer
- Améliorée
- jusqu'à XNUMX fois
- Livres
- construire
- la performance des entreprises
- acheteurs
- by
- Californie
- Appels
- CAN
- la toile
- maisons
- cas
- catégories
- Catégories
- certaines
- challenge
- difficile
- Voies
- classification
- Classer
- cliquez
- code
- Colonne
- Colonnes
- Commun
- Communication
- Sociétés
- comparer
- complet
- Complété
- compléter
- ordinateur
- confiance
- Qui consiste
- consommation
- contient
- correct
- correctement
- Costs
- engendrent
- Customiser
- des clients
- Clients
- données
- ensembles de données
- décisions
- démontrer
- démontré
- déployer
- décrire
- un
- Déterminer
- mobiles
- différences
- discuté
- dans
- domaine
- download
- dessiner
- motivation
- conduite
- chacun
- Easy
- non plus
- Entrer
- Entreprise
- exemple
- nous a permis de concevoir
- Expliquer
- f1
- famille
- Fonctionnalités:
- Réactions
- Déposez votre dernière attestation
- Fichiers
- finalement
- Prénom
- Focus
- Abonnement
- Pour
- De
- fonctionnel
- Gain
- Gartner
- générer
- gif
- Go
- Croissance
- Vous avez
- he
- vous aider
- aide
- sa
- Comment
- How To
- Cependant
- HTML
- HTTPS
- ID
- identifier
- Idle
- if
- Mettre en oeuvre
- la mise en œuvre
- importer
- l'importation
- améliorer
- in
- comprendre
- Y compris
- croissant
- indique
- d'information
- Actualités
- initiale
- idées.
- Intelligence
- développement
- IT
- SES
- Emploi
- jpg
- Peindre
- langue
- gros
- apprentissage
- niveaux
- Gamme
- enregistrer
- click
- machine learning
- a prendre une
- Fabrication
- de nombreuses
- Matrice
- Mai..
- significative
- Médias
- Menu
- méthodes
- minimum
- Minutes
- mixte
- ML
- modèle
- numériques jumeaux (digital twin models)
- PLUS
- beaucoup
- plusieurs
- Musique
- prénom
- Nature
- Traitement du langage naturel
- Navigation
- nécessaire
- Besoins
- négatif
- Neutri
- Nouveauté
- Les nouvelles technologies
- next
- nlp
- aucune
- maintenant
- of
- Offres Speciales
- on
- en ligne
- uniquement
- ouvert
- or
- Autres
- ande
- les résultats
- au contrôle
- propre
- page
- Pain
- pain
- passionné
- motifs
- /
- Effectuer
- performant
- personnel
- Platon
- Intelligence des données Platon
- PlatonDonnées
- des notes bonus
- positif
- Post
- prédit
- prédiction
- Prédictions
- préférences
- conditions préalables
- précédemment
- Directeur
- Problème
- processus
- traitement
- Produit
- Comparatifs
- Produits
- projets
- fournir
- acheté
- Rapide
- recommander
- recommandations
- reportez-vous
- référence
- libérer
- répéter
- a besoin
- Resources
- respectivement
- Résultats
- détail
- Avis
- Avis
- Courir
- sagemaker
- vente
- même
- client
- Épargnez
- scientifiques
- But
- marquant
- Deuxièmement
- Section
- sentiment
- des sentiments
- Sans serveur
- service
- Services
- Session
- set
- Spectacles
- simplement
- unique
- Réseaux sociaux
- réseaux sociaux
- Logiciels
- Solutions
- quelques
- Identifier
- Du sud
- Space
- travées
- groupe de neurones
- parties prenantes
- Standard
- Commencer
- statistique
- Étapes
- Arrêter
- Stratégique
- tel
- Prenez
- prend
- Target
- Les technologies
- Technologie
- texte
- qui
- Le
- La Source
- puis
- l'ont
- Troisièmement
- this
- trois
- Avec
- fiable
- à
- Les sujets
- traditionnel
- Train
- qualifié
- Formation
- Voyages
- Trends
- La confiance
- deux
- type
- compréhension
- utilisé
- cas d'utilisation
- d'utiliser
- en utilisant
- Plus-value
- vendeur
- Vidéo
- Voir
- le volume
- volumes
- marcher
- souhaitez
- we
- web
- services Web
- sites Internet
- sera
- comprenant
- sans
- activités principales
- de travail
- vos contrats
- écriture
- Vous n'avez
- Votre
- zéphyrnet
- Zip