Amazon Comprehend Targeted Sentiment ajoute la prise en charge synchrone

Plus tôt cette année, Amazon comprendre, un service de traitement du langage naturel (TAL) qui utilise le machine learning (ML) pour découvrir des informations à partir d'un texte, a lancé la fonctionnalité Targeted Sentiment. Avec Targeted Sentiment, vous pouvez identifier des groupes de mentions (groupes de co-référence) correspondant à une seule entité ou attribut du monde réel, fournir le sentiment associé à chaque mention d'entité et proposer la classification de l'entité du monde réel en fonction d'un liste prédéterminée d'entités.

Aujourd'hui, nous sommes ravis d'annoncer la nouvelle API synchrone pour les sentiments ciblés dans Amazon Comprehend, qui fournit une compréhension granulaire des sentiments associés à des entités spécifiques dans les documents d'entrée.

Dans cet article, nous fournissons un aperçu de la façon dont vous pouvez démarrer avec l'API synchrone Amazon Comprehend Targeted Sentiment, parcourez la structure de sortie et discutez de trois cas d'utilisation distincts.

Cas d'utilisation de sentiments ciblés

L'analyse ciblée des sentiments en temps réel dans Amazon Comprehend dispose de plusieurs applications pour permettre des informations précises et évolutives sur la marque et les concurrents. Vous pouvez utiliser des sentiments ciblés pour des processus critiques pour votre entreprise, tels que des études de marché en direct, la création d'une expérience de marque et l'amélioration de la satisfaction client.

Ce qui suit est un exemple d'utilisation de sentiments ciblés pour une critique de film.

« Film » est l'entité principale, identifiée comme type movie, et est mentionné deux fois de plus comme « film » et le pronom « ça ». L'API Targeted Sentiment fournit le sentiment envers chaque entité. Le vert fait référence à un sentiment positif, le rouge à un sentiment négatif et le bleu à un sentiment neutre.

L’analyse traditionnelle donne un sentiment sur l’ensemble du texte, qui dans ce cas est mitigé. Avec des sentiments ciblés, vous pouvez obtenir des informations plus précises. Dans ce scénario, le sentiment envers le film est à la fois positif et négatif : positif en ce qui concerne les acteurs, mais négatif en ce qui concerne la qualité globale. Cela peut fournir un retour ciblé à l'équipe du film, par exemple en faisant preuve de plus de diligence dans l'écriture du scénario, mais en prenant en compte les acteurs pour les rôles futurs.

Les principales applications de l’analyse des sentiments en temps réel varient selon les secteurs. Cela comprend l'extraction d'informations marketing et clients à partir de flux de médias sociaux en direct, de vidéos, d'événements en direct ou de diffusions, la compréhension des émotions à des fins de recherche ou la dissuasion de la cyberintimidation. Les sentiments ciblés et synchrones génèrent de la valeur commerciale en fournissant des commentaires en temps réel en quelques secondes afin que vous puissiez prendre des décisions en temps réel.

Examinons de plus près ces différentes applications d'analyse des sentiments ciblées en temps réel et la manière dont différentes industries peuvent les utiliser :

• Scénario 1 – Exploration d’opinions sur des documents financiers pour déterminer le sentiment envers une action, une personne ou une organisation
• Scénario 2 – Analyses du centre d'appels en temps réel pour déterminer le sentiment granulaire dans les interactions avec les clients
• Scénario 3 – Surveiller les commentaires de l’organisation ou des produits sur les réseaux sociaux et les canaux numériques, et fournir une assistance et des résolutions en temps réel

Dans les sections suivantes, nous discutons de chaque cas d'utilisation plus en détail.

Scénario 1 : Exploration d'opinions financières et génération de signaux de trading

L'analyse du sentiment est cruciale pour les teneurs de marché et les sociétés d'investissement lors de l'élaboration de stratégies de trading. Déterminer le sentiment granulaire peut aider les traders à déduire quelle réaction le marché peut avoir face aux événements mondiaux, aux décisions commerciales, aux individus et à l'orientation du secteur. Ce sentiment peut être un facteur déterminant quant à l’achat ou à la vente d’une action ou d’une matière première.

Pour voir comment nous pouvons utiliser l’API Targeted Sentiment dans ces scénarios, examinons une déclaration du président de la Réserve fédérale, Jerome Powell, sur l’inflation.

Comme nous pouvons le voir dans l’exemple, comprendre le sentiment à l’égard de l’inflation peut éclairer une décision d’achat ou de vente. Dans ce scénario, on peut déduire de l’API Targeted Sentiment que l’opinion du président Powell sur l’inflation est négative, ce qui entraînera très probablement une hausse des taux d’intérêt qui ralentira la croissance économique. Pour la plupart des traders, cela pourrait aboutir à une décision de vente. L'API Targeted Sentiment peut fournir aux traders des informations plus rapides et plus granulaires qu'une analyse de documents traditionnelle, et dans un secteur où la rapidité est cruciale, elle peut générer une valeur commerciale substantielle.

Ce qui suit est une architecture de référence pour l'utilisation d'un sentiment ciblé dans des scénarios d'exploration d'opinions financières et de génération de signaux de trading.

Scénario 2 : Analyse du centre de contact en temps réel

Une expérience positive dans le centre de contact est essentielle pour offrir une expérience client solide. Pour garantir des expériences positives et productives, vous pouvez mettre en œuvre une analyse des sentiments pour évaluer les réactions des clients, l'évolution de leur humeur tout au long de l'interaction, ainsi que l'efficacité des flux de travail du centre de contact et de la formation des employés. Avec l'API Targeted Sentiment, vous pouvez obtenir des informations granulaires dans l'analyse des sentiments de votre centre de contact. Non seulement nous pouvons déterminer le sentiment de l’interaction, mais nous pouvons désormais voir ce qui a provoqué la réaction négative ou positive et prendre les mesures appropriées.

Nous le démontrons avec les transcriptions suivantes d'un client retournant un grille-pain défectueux. Pour cet exemple, nous montrons des exemples de déclarations faites par le client.

Comme on peut le constater, la conversation démarre assez négativement. Grâce à l'API Targeted Sentiment, nous sommes en mesure de déterminer la cause profonde du sentiment négatif et de voir qu'il s'agit d'un grille-pain défectueux. Nous pouvons utiliser ces informations pour exécuter certains flux de travail ou les acheminer vers différents services.

Au fil de la conversation, on peut également constater que le client n’a pas été réceptif à l’offre de carte cadeau. Nous pouvons utiliser ces informations pour améliorer la formation des agents, réévaluer si nous devons même aborder le sujet dans ces scénarios ou décider si cette question ne doit être posée qu'avec un sentiment plus neutre ou positif.

Enfin, nous pouvons constater que le service fourni par l'agent a été accueilli positivement même si le client était toujours mécontent du grille-pain. Nous pouvons utiliser ces informations pour valider la formation des agents et récompenser les bonnes performances des agents.

Ce qui suit est une architecture de référence intégrant des sentiments ciblés dans les analyses en temps réel du centre de contact.

Scénario 3 : Surveiller les médias sociaux pour connaître le sentiment des clients

La réception des médias sociaux peut être un facteur décisif pour la croissance des produits et de l’organisation. Suivre la réaction des clients aux décisions de l'entreprise, aux lancements de produits ou aux campagnes marketing est essentiel pour déterminer l'efficacité.

Nous pouvons démontrer comment utiliser l'API Targeted Sentiment dans ce scénario en utilisant les critiques Twitter d'un nouveau casque.

Dans cet exemple, les réactions au lancement du casque ont été mitigées, mais le thème récurrent est la mauvaise qualité du son. Les entreprises peuvent utiliser ces informations pour voir comment les utilisateurs réagissent à certains attributs et voir où des améliorations du produit devraient être apportées dans les itérations futures.

Ce qui suit est une architecture de référence utilisant l'API Targeted Sentiment pour l'analyse des sentiments sur les réseaux sociaux.

Commencez avec le sentiment ciblé

Pour utiliser des sentiments ciblés sur la console Amazon Comprehend, procédez comme suit :

1. Sur la console Amazon Comprehend, choisissez Lancez Amazon Comprehend.
   
2. Pour Texte de saisie, saisissez le texte que vous souhaitez analyser.
3. Selectionnez Analysez.
   

Une fois le document analysé, le résultat de l'API Targeted Sentiment peut être trouvé sur le Sentiment ciblé onglet dans l' ACTUALITES section. Ici, vous pouvez voir le texte analysé, le sentiment respectif de chaque entité et le groupe de référence auquel il est associé.

Dans le Intégration d'applications section, vous pouvez trouver la demande et la réponse pour le texte analysé.

Utiliser par programmation le sentiment ciblé

Pour démarrer avec l'API synchrone par programmation, vous disposez de deux options :

• détecter-un sentiment-ciblé – Cette API fournit le sentiment ciblé pour un seul document texte
• détection par lots de sentiments ciblés – Cette API fournit le sentiment ciblé pour une liste de documents

Vous pouvez interagir avec l'API avec le Interface de ligne de commande AWS (AWS CLI) ou via le kit SDK AWS. Avant de commencer, assurez-vous d'avoir configuré l'AWS CLI et de disposer des autorisations requises pour interagir avec Amazon Comprehend.

L'API synchrone Targeted Sentiment nécessite la transmission de deux paramètres de requête :

• CodeLangue – La langue du texte
• Texte ou TextList – Le texte UTF-8 traité

Le code suivant est un exemple pour le detect-targeted-sentiment API:

{
"LanguageCode": "string", 
"Text": "string"
}

Ce qui suit est un exemple pour le batch-detect-targeted-sentiment API:

{

"LanguageCode": "string", 
"TextList": ["string"]

}

Examinons maintenant quelques exemples de commandes AWS CLI.

Le code suivant est un exemple pour le detect-targeted-sentiment API:

aws comprehend 
--region us-east-2 
detect-targeted-sentiment  
--text "I like the burger but service was bad" 
--language-code en

Ce qui suit est un exemple pour le batch-detect-targeted-sentiment API:

aws comprehend 
--region us-east-2 
batch-detect-targeted-sentiment 
--text-list "We loved the Seashore Hotel! It was clean and the staff was friendly. However, the Seashore was a little too noisy at night." "I like the burger but service is bad" 
--language-code en

Voici un exemple d'appel d'API du SDK Boto3 :

import boto3
import subprocess

session = boto3.Session()
comprehend_client = session.client(service_name='comprehend', region_name='us-east-2')

Ce qui suit est un exemple de detect-targeted-sentiment API:

response = comprehend_client.detect_targeted_sentiment(
LanguageCode='en',
Text = "I like the burger but service was bad"
)
print(response)

Ce qui suit est un exemple de batch-detect-targeted-sentiment API:

response = comprehend_client.batch_detect_targeted_sentiment(
    LanguageCode='en',
    TextList = ["I like the burger but service was bad","The staff was really sweet though"]
)

Pour plus de détails sur la syntaxe de l'API, reportez-vous au Guide du développeur Amazon Comprehend.

Structure de réponse de l'API

L'API Targeted Sentiment fournit un moyen simple de consommer la sortie de vos tâches. Il fournit un regroupement logique des entités (groupes d'entités) détectées, ainsi que le sentiment pour chaque entité. Voici quelques définitions des champs qui se trouvent dans la réponse :

• Entités – Les parties significatives du document. Par exemple, Person, Place, Date, Foodou Taste.
• Mentions – Les références ou mentions de l'entité dans le document. Il peut s'agir de pronoms ou de noms communs tels que "ça", "lui", "livre", etc. Ceux-ci sont organisés par emplacement (décalage) dans le document.
• IndexDescriptifMention – L'indice dans Mentions qui donne la meilleure représentation du groupe d'entités. Par exemple, "ABC Hotel" au lieu de "hotel", "it" ou d'autres mentions de noms communs.
• Score de groupe – La confiance que toutes les entités mentionnées dans le groupe sont liées à la même entité (comme « je », « moi » et « moi-même » faisant référence à une personne).
• Texte – Le texte du document qui représente l'entité.
• Type – Une description de ce que représente l'entité.
• Score – La confiance du modèle qu'il s'agit d'une entité pertinente.
• MentionnerSentiment – Le sentiment réel trouvé pour la mention.
• Sentiment – La valeur de chaîne positive, neutre, négative ou mixte.
• Score de sentiment – La confiance du modèle pour chaque sentiment possible.
• DécalageDébut – Le décalage dans le texte du document où commence la mention.
• FinDécalage – Le décalage dans le texte du document où la mention se termine.

Pour une répartition plus détaillée, reportez-vous à Extraire un sentiment granulaire dans le texte avec Amazon Comprehend Targeted Sentiment or Organisation du fichier de sortie.

Conclusion

L'analyse des sentiments reste cruciale pour les organisations pour une multitude de raisons : du suivi des sentiments des clients au fil du temps pour les entreprises, à la déduction si un produit est apprécié ou non, à la compréhension des opinions des utilisateurs d'un réseau social sur certains sujets, ou même à la prévision des résultats d'une enquête. campagnes. Les sentiments ciblés en temps réel peuvent être efficaces pour les entreprises, leur permettant d'aller au-delà de l'analyse globale des sentiments pour explorer des informations permettant de piloter l'expérience client à l'aide d'Amazon Comprehend.

Pour en savoir plus sur Targeted Sentiment pour Amazon Comprehend, reportez-vous à Sentiment ciblé.

À propos des auteurs

Raj Pathak est un architecte de solutions et un conseiller technique auprès de clients Fortune 50 et de taille moyenne FSI (banques, assurances, marchés des capitaux) au Canada et aux États-Unis. Raj se spécialise dans l'apprentissage automatique avec des applications dans l'extraction de documents, la transformation du centre de contact et la vision par ordinateur.

Wrick Talukdar est architecte senior au sein de l'équipe Amazon Comprehend Service. Il travaille avec les clients d'AWS pour les aider à adopter l'apprentissage automatique à grande échelle. En dehors du travail, il aime lire et photographier.