Utilizza l'apprendimento automatico senza codice per ricavare approfondimenti dalle recensioni dei prodotti utilizzando i modelli di analisi del sentiment e di analisi del testo di Amazon SageMaker Canvas | Servizi Web di Amazon

Secondo Gartner, l'85% degli acquirenti di software si fida delle recensioni online tanto quanto dei consigli personali. I clienti forniscono feedback e recensioni sui prodotti che hanno acquistato attraverso molti canali, inclusi siti Web di recensioni, siti Web di fornitori, chiamate di vendita, social media e molti altri. Il problema con il volume crescente di recensioni dei clienti su più canali è che può essere difficile per le aziende elaborare e ricavare informazioni significative dai dati utilizzando metodi tradizionali. Il machine learning (ML) può analizzare grandi volumi di recensioni di prodotti e identificare modelli, opinioni e argomenti discussi. Con queste informazioni, le aziende possono comprendere meglio le preferenze dei clienti, i punti critici e i livelli di soddisfazione. Possono anche utilizzare queste informazioni per migliorare prodotti e servizi, identificare tendenze e intraprendere azioni strategiche che guidano la crescita del business. Tuttavia, l'implementazione del machine learning può rappresentare una sfida per le aziende prive di risorse come professionisti del machine learning, data scientist o sviluppatori di intelligenza artificiale (AI). Con il nuovo Tela di Amazon SageMaker funzionalità, gli analisti aziendali possono ora utilizzare il machine learning per ricavare approfondimenti dalle recensioni dei prodotti.

SageMaker Canvas è progettato per soddisfare le esigenze funzionali degli analisti aziendali AWS nessun codice ML per analisi ad hoc di dati tabellari. SageMaker Canvas è un servizio visivo point-and-click che consente agli analisti aziendali di generare previsioni ML accurate senza scrivere una singola riga di codice o richiedere competenze di ML. È possibile utilizzare i modelli per effettuare previsioni in modo interattivo e per il punteggio batch su set di dati collettivi. SageMaker Canvas offre modelli AI completamente gestiti e pronti all'uso e soluzioni di modelli personalizzati. Per i casi d'uso comuni di ML, puoi utilizzare un modello AI pronto all'uso per generare previsioni con i tuoi dati senza alcun addestramento del modello. Per i casi d'uso ML specifici del tuo dominio aziendale, puoi addestrare un modello ML con i tuoi dati per una previsione personalizzata.

In questo post, dimostriamo come utilizzare il modello di analisi del sentiment pronto all'uso e il modello di analisi del testo personalizzato per ricavare approfondimenti dalle recensioni dei prodotti. In questo caso d'uso, disponiamo di una serie di recensioni di prodotti sintetizzate che vogliamo analizzare per i sentimenti e classificare le recensioni per tipo di prodotto, per facilitare il disegno di modelli e tendenze che possano aiutare le parti interessate dell'azienda a prendere decisioni più informate. Innanzitutto, descriviamo i passaggi per determinare il sentiment delle recensioni utilizzando il modello di analisi del sentiment pronto all'uso. Quindi, ti guideremo attraverso il processo per addestrare un modello di analisi del testo per classificare le recensioni per tipo di prodotto. Successivamente, spiegheremo come esaminare le prestazioni del modello addestrato. Infine, spieghiamo come utilizzare il modello addestrato per eseguire previsioni.

L'analisi del sentiment è un modello pronto all'uso per l'elaborazione del linguaggio naturale (NLP) che analizza il testo per individuare i sentiment. L'analisi del sentiment può essere eseguita per previsioni a riga singola o batch. I sentimenti previsti per ciascuna riga di testo sono positivi, negativi, misti o neutri.

L'analisi del testo consente di classificare il testo in due o più categorie utilizzando modelli personalizzati. In questo post, vogliamo classificare le recensioni dei prodotti in base al tipo di prodotto. Per addestrare un modello personalizzato di analisi del testo, fornisci semplicemente un set di dati costituito dal testo e dalle categorie associate in un file CSV. Il set di dati richiede un minimo di due categorie e 125 righe di testo per categoria. Una volta addestrato il modello, è possibile esaminarne le prestazioni e, se necessario, addestrarlo nuovamente prima di utilizzarlo per le previsioni.

Prerequisiti

Completa i seguenti prerequisiti:

1. Abbi un Account AWS.
2. Impostare Tela SageMaker.
3. Scarica la set di dati di recensioni di prodotti di esempio:
   • sample_product_reviews.csv – Contiene 2,000 recensioni di prodotti sintetizzate e viene utilizzato per l'analisi del sentiment e le previsioni dell'analisi del testo.
   • sample_product_reviews_training.csv – Contiene 600 recensioni di prodotti sintetizzate e tre categorie di prodotti ed è destinato alla formazione sul modello di analisi del testo.

Analisi del sentimento

Innanzitutto, utilizzi l'analisi delle opinioni per determinare le opinioni delle recensioni dei prodotti completando i passaggi seguenti.

1. Sulla Console SageMaker, fare clic su Canvas nel riquadro di navigazione, quindi fare clic su Apri tela per aprire l'applicazione SageMaker Canvas.
2. Clicchi Modelli pronti all'uso nel riquadro di navigazione, quindi fare clic su Analisi del sentimento.
3. Clicchi Previsione in lotti, quindi fare clic Crea set di dati.
4. Fornire una Nome del set di dati e fare clic su Creare.
5. Clicchi Seleziona i file dal tuo computer per importare il file sample_product_reviews.csv set di dati.
6. Clicchi Crea set di dati e rivedere i dati. La prima colonna contiene le recensioni e viene utilizzata per l'analisi del sentiment. La seconda colonna contiene l'ID della revisione e viene utilizzata solo come riferimento.
7. Clicchi Crea set di dati per completare il processo di caricamento dei dati.
8. Nel Seleziona il set di dati per le previsioni vista, selezionare sample_product_reviews.csv e quindi fare clic Genera previsioni. 
9. Una volta completata la previsione batch, fare clic su Visualizza per visualizzare i pronostici

Le colonne Sentiment e Confidenza forniscono rispettivamente il sentiment e il punteggio di confidenza. Un punteggio di confidenza è un valore statistico compreso tra 0 e 100%, che mostra la probabilità che il sentiment venga previsto correttamente.

10. Clicchi Scarica CSV per scaricare i risultati sul tuo computer.

analisi del testo

In questa sezione, esaminiamo i passaggi per eseguire l'analisi del testo con un modello personalizzato: importare i dati, addestrare il modello e quindi effettuare previsioni.

Importa i dati

Per prima cosa importa il set di dati di addestramento. Completa i seguenti passaggi:

1. On Modelli pronti all'uso pagina, fare clic Crea un modello personalizzato
2. Nel Nome del modello, inserisci un nome (ad esempio, Product Reviews Analysis). Clic Analisi del testo, Quindi fare clic su Creare.
3. Sulla Seleziona scheda, fare clic Crea set di dati per importare il file sample_product_reviews_training.csv set di dati.
4. Fornire una Nome del set di dati e fare clic su Creare.
5. Clicchi Crea set di dati e rivedere i dati. Il set di dati di addestramento contiene una terza colonna che descrive la categoria del prodotto, la colonna target è composta da tre prodotti: libri, video e musica.
6. Clicchi Crea set di dati per completare il processo di caricamento dei dati.
7. Sulla Seleziona dataset pagina, selezionare sample_product_reviews_training.csv e fare clic su Seleziona dataset.

Allena il modello

Successivamente, configurerai il modello per iniziare il processo di training.

1. Sulla Costruire scheda, sul Colonna di destinazione menu a discesa, fare clic su product_category come obiettivo formativo.
2. Clicchi product_review come fonte.
3. Clicchi Costruzione rapida per iniziare la formazione del modello.

Per ulteriori informazioni sulle differenze tra build rapida e build standard, fare riferimento a Costruisci un modello personalizzato.

Una volta completato l'addestramento del modello, è possibile rivedere le prestazioni del modello prima di utilizzarlo per la previsione.

4. Sulla Analizzi i dati scheda, verrà visualizzato il punteggio di confidenza del modello. Un punteggio di confidenza indica quanto un modello è certo che le sue previsioni siano corrette. Sul Panoramica scheda, esamina il rendimento di ciascuna categoria.
5. Clicchi Punteggio per esaminare gli approfondimenti sull'accuratezza del modello.
6. Clicchi Metriche avanzate per rivedere il matrice di confusione e punteggio F1.

Fare previsioni

Per effettuare una previsione con il tuo modello personalizzato, completa i seguenti passaggi:

1. Sulla Prevedere scheda, fare clic Previsione in lotti, quindi fare clic Manuale.
2. Fare clic sullo stesso set di dati, sample_product_reviews.csv, che hai utilizzato in precedenza per l'analisi del sentiment, quindi fai clic su Genera previsioni.
3. Una volta completata la previsione batch, fare clic su Visualizza per visualizzare i pronostici

Per la previsione del modello personalizzato, è necessario del tempo affinché SageMaker Canvas distribuisca il modello per l'uso iniziale. SageMaker Canvas effettua automaticamente il deprovisioning del modello se inattivo per 15 minuti per risparmiare sui costi.

Il Prediction (Categoria) e Confidence le colonne forniscono rispettivamente le categorie di prodotto previste e i punteggi di confidenza.

4. Evidenzia il lavoro completato, seleziona i tre punti e fai clic Scaricare per scaricare i risultati sul tuo computer.

ripulire

Clicchi Log out nel riquadro di navigazione per disconnettersi dall'applicazione SageMaker Canvas per interrompere il consumo di Orari delle sessioni su tela e liberare tutte le risorse.

Conclusione

In questo post, abbiamo dimostrato come è possibile utilizzare Tela di Amazon SageMaker per ricavare approfondimenti dalle recensioni dei prodotti senza competenze di ML. Innanzitutto, hai utilizzato un modello di analisi del sentiment pronto all'uso per determinare i sentimenti delle recensioni dei prodotti. Successivamente, hai utilizzato l'analisi del testo per addestrare un modello personalizzato con il processo di creazione rapida. Infine, hai utilizzato il modello addestrato per classificare le recensioni dei prodotti in categorie di prodotto. Il tutto senza scrivere una sola riga di codice. Ti consigliamo di ripetere il processo di analisi del testo con il processo di creazione standard per confrontare i risultati del modello e la confidenza della previsione.

---

Informazioni sugli autori

Gavin Sabato è Principal Solutions Architect presso Amazon Web Services. Lavora con clienti aziendali per creare soluzioni strategiche e ben architettate ed è appassionato di automazione. Fuori dal lavoro, gli piace passare il tempo con la famiglia, giocare a tennis, cucinare e viaggiare.

Le Chan è Sr. Solutions Architect presso Amazon Web Services, con sede a Irvine, California. Les è appassionato di lavorare con i clienti aziendali sull'adozione e l'implementazione di soluzioni tecnologiche con l'unico obiettivo di ottenere risultati aziendali per i clienti. La sua esperienza spazia dall'architettura applicativa, DevOps, serverless e machine learning.

Aaqib Bickiya è un Solutions Architect presso Amazon Web Services con sede nel sud della California. Aiuta i clienti aziendali nello spazio di vendita al dettaglio ad accelerare progetti e implementare nuove tecnologie. Le aree di interesse di Aaqib includono machine learning, serverless, analisi e servizi di comunicazione

• Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
• PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
• PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
• PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
• Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
• Fonte: 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/