Amazon Comprehend Targeted Sentiment aggiunge il supporto sincrono

All'inizio di quest'anno, Amazon Comprehend, un servizio di elaborazione del linguaggio naturale (NLP) che utilizza l'apprendimento automatico (ML) per scoprire informazioni dettagliate dal testo, ha lanciato la funzione Sentimento mirato. Con Targeted Sentiment, puoi identificare gruppi di menzioni (gruppi di co-riferimento) corrispondenti a una singola entità o attributo del mondo reale, fornire il sentiment associato a ciascuna menzione dell'entità e offrire la classificazione dell'entità del mondo reale basata su un elenco predeterminato di entità.

Oggi siamo lieti di annunciare la nuova API sincrona per sentiment mirati in Amazon Comprehend, che fornisce una comprensione granulare dei sentiment associati a entità specifiche nei documenti di input.

In questo post, forniamo una panoramica di come iniziare a utilizzare l'API sincrona Amazon Comprehend Targeted Sentiment, esaminiamo la struttura di output e discutiamo tre casi d'uso separati.

Casi d'uso del sentiment mirati

L'analisi del sentiment mirata in tempo reale in Amazon Comprehend dispone di diverse applicazioni per consentire approfondimenti accurati e scalabili sul marchio e sulla concorrenza. Puoi utilizzare un sentiment mirato per processi aziendali critici come ricerche di mercato in tempo reale, produzione di esperienza del marchio e miglioramento della soddisfazione del cliente.

Di seguito è riportato un esempio di utilizzo del sentiment mirato per la recensione di un film.

"Film" è l'entità primaria, identificata come tipo movie, ed è menzionato altre due volte come “film” e il pronome “it”. L'API Targeted Sentiment fornisce il sentiment nei confronti di ciascuna entità. Il verde si riferisce a un sentimento positivo, il rosso a quello negativo e il blu a quello neutrale.

L’analisi tradizionale fornisce il sentiment del testo complessivo, che in questo caso è misto. Con un sentiment mirato, puoi ottenere informazioni più granulari. In questo scenario, il sentimento nei confronti del film è sia positivo che negativo: positivo nei confronti degli attori, ma negativo in relazione alla qualità complessiva. Ciò può fornire un feedback mirato alla troupe cinematografica, ad esempio esercitare maggiore diligenza nella scrittura della sceneggiatura, ma prendere in considerazione gli attori per ruoli futuri.

Le principali applicazioni dell’analisi del sentiment in tempo reale variano da un settore all’altro. Include l'estrazione di informazioni di marketing e sui clienti da feed di social media in tempo reale, video, eventi dal vivo o trasmissioni, la comprensione delle emozioni a fini di ricerca o la deterrenza del cyberbullismo. Il sentiment mirato sincrono promuove il valore aziendale fornendo feedback in tempo reale in pochi secondi in modo da poter prendere decisioni in tempo reale.

Diamo uno sguardo più da vicino a queste varie applicazioni di analisi del sentiment mirate in tempo reale e al modo in cui i diversi settori possono utilizzarle:

• Scenario 1 – Opinion mining di documenti finanziari per determinare il sentiment nei confronti di un titolo, una persona o un’organizzazione
• Scenario 2 – Analisi dei call center in tempo reale per determinare il sentiment granulare nelle interazioni con i clienti
• Scenario 3 – Monitoraggio del feedback sull'organizzazione o sul prodotto sui social media e sui canali digitali e fornitura di supporto e soluzioni in tempo reale

Nelle sezioni seguenti, discutiamo ogni caso d'uso in modo più dettagliato.

Scenario 1: estrazione di opinioni finanziarie e generazione di segnali di trading

L’analisi del sentiment è fondamentale per i market maker e le società di investimento quando costruiscono strategie di trading. Determinare il sentiment granulare può aiutare i trader a dedurre quale reazione il mercato potrebbe avere nei confronti di eventi globali, decisioni aziendali, individui e direzione del settore. Questo sentimento può essere un fattore determinante per decidere se acquistare o vendere un’azione o una materia prima.

Per vedere come possiamo utilizzare la Targeted Sentiment API in questi scenari, diamo un'occhiata a una dichiarazione del presidente della Federal Reserve Jerome Powell sull'inflazione.

Come possiamo vedere nell'esempio, comprendere il sentimento nei confronti dell'inflazione può orientare una decisione di acquisto o vendita. In questo scenario, si può dedurre dalla Targeted Sentiment API che l'opinione del presidente Powell sull'inflazione è negativa, e questo molto probabilmente si tradurrà in tassi di interesse più elevati che rallenteranno la crescita economica. Per la maggior parte dei trader, ciò potrebbe comportare una decisione di vendita. L'API Targeted Sentiment può fornire ai trader informazioni più rapide e granulari rispetto a una tradizionale revisione dei documenti e, in un settore in cui la velocità è fondamentale, può comportare un notevole valore aziendale.

Quella che segue è un'architettura di riferimento per l'utilizzo del sentiment mirato negli scenari di estrazione di opinioni finanziarie e di generazione di segnali di trading.

Scenario 2: analisi del contact center in tempo reale

Un'esperienza positiva del contact center è fondamentale per offrire una forte esperienza al cliente. Per garantire esperienze positive e produttive, è possibile implementare l'analisi del sentiment per valutare le reazioni dei clienti, i cambiamenti dell'umore dei clienti durante la durata dell'interazione e l'efficacia dei flussi di lavoro del contact center e della formazione dei dipendenti. Con l'API Targeted Sentiment, puoi ottenere informazioni granulari nell'analisi del sentiment del tuo contact center. Non solo possiamo determinare il sentimento dell'interazione, ma ora possiamo vedere cosa ha causato la reazione negativa o positiva e intraprendere l'azione appropriata.

Lo dimostriamo con le seguenti trascrizioni di un cliente che restituisce un tostapane malfunzionante. Per questo esempio, mostriamo alcune dichiarazioni di esempio che il cliente sta facendo.

Come possiamo vedere, la conversazione inizia in modo abbastanza negativo. Con la Targeted Sentiment API, siamo in grado di determinare la causa principale del sentiment negativo e vedere che riguarda un tostapane malfunzionante. Possiamo utilizzare queste informazioni per eseguire determinati flussi di lavoro o indirizzarli a diversi dipartimenti.

Attraverso la conversazione possiamo anche vedere che il cliente non era ricettivo all'offerta di una carta regalo. Possiamo utilizzare queste informazioni per migliorare la formazione degli agenti, rivalutare se sia il caso di sollevare l'argomento in questi scenari o decidere se questa domanda debba essere posta solo con un sentimento più neutro o positivo.

Infine, possiamo vedere che il servizio fornito dall'agente è stato accolto positivamente anche se il cliente era ancora arrabbiato per il tostapane. Possiamo utilizzare queste informazioni per convalidare la formazione degli agenti e premiare le loro ottime prestazioni.

Quella che segue è un'architettura di riferimento che incorpora un sentiment mirato nell'analisi dei contact center in tempo reale.

Scenario 3: monitoraggio dei social media per il sentiment dei clienti

La ricezione dei social media può essere un fattore decisivo per la crescita del prodotto e dell’organizzazione. Monitorare il modo in cui i clienti reagiscono alle decisioni aziendali, al lancio di prodotti o alle campagne di marketing è fondamentale per determinarne l'efficacia.

Possiamo dimostrare come utilizzare l'API Targeted Sentiment in questo scenario utilizzando le recensioni di Twitter di un nuovo set di cuffie.

In questo esempio, ci sono reazioni contrastanti al lancio delle cuffie, ma c'è un tema costante della scarsa qualità del suono. Le aziende possono utilizzare queste informazioni per vedere come gli utenti reagiscono a determinati attributi e vedere dove dovrebbero essere apportati miglioramenti al prodotto nelle iterazioni future.

Di seguito è riportata un'architettura di riferimento che utilizza l'API Targeted Sentiment per l'analisi del sentiment sui social media.

Inizia con il sentiment mirato

Per utilizzare il sentiment mirato sulla console Amazon Comprehend, completa i seguenti passaggi:

1. Sulla console di Amazon Comprehend, scegli Avvia Amazon Comprehend.
   
2. Nel Testo di input, inserisci il testo che desideri analizzare.
3. Scegli Analizzi i dati.
   

Dopo che il documento è stato analizzato, l'output dell'API Targeted Sentiment può essere trovato sul file Sentimento mirato linguetta nella Approfondimenti sezione. Qui puoi vedere il testo analizzato, il rispettivo sentiment di ciascuna entità e il gruppo di riferimento a cui è associato.

Nel Integrazione dell'applicazione sezione, puoi trovare la richiesta e la risposta per il testo analizzato.

Utilizzare a livello di codice il sentiment mirato

Per iniziare a utilizzare l'API sincrona a livello di programmazione, hai due opzioni:

• rilevare-sentiment-mirato – Questa API fornisce il sentiment mirato per un singolo documento di testo
• batch-detect-mirated-sentiment – Questa API fornisce il sentiment mirato per un elenco di documenti

Puoi interagire con l'API con il file Interfaccia della riga di comando di AWS (AWS CLI) o tramite l'SDK AWS. Prima di iniziare, assicurati di aver configurato AWS CLI e di disporre delle autorizzazioni necessarie per interagire con Amazon Comprehend.

L'API sincrona Targeted Sentiment richiede il passaggio di due parametri di richiesta:

• Codice Lingua – La lingua del testo
• Testo o TextList: il testo UTF-8 elaborato

Il codice seguente è un esempio per il file detect-targeted-sentiment API:

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

Quello che segue è un esempio per il batch-detect-targeted-sentiment API:

{

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

}

Ora diamo un'occhiata ad alcuni comandi AWS CLI di esempio.

Il codice seguente è un esempio per il file 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

Quello che segue è un esempio per il 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

Di seguito è riportato un esempio di chiamata API SDK Boto3:

import boto3
import subprocess

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

Quello che segue è un esempio di detect-targeted-sentiment API:

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

Quello che segue è un esempio di 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"]
)

Per ulteriori dettagli sulla sintassi dell'API, fare riferimento a Amazon Comprensione Guida per gli sviluppatori.

Struttura di risposta dell'API

L'API Targeted Sentiment fornisce un modo semplice per consumare l'output dei tuoi lavori. Fornisce un raggruppamento logico delle entità (gruppi di entità) rilevate, insieme al sentimento per ciascuna entità. Di seguito sono riportate alcune definizioni dei campi che si trovano nella risposta:

• Entità – Le parti significative del documento. Per esempio, Person, Place, Date, Food, o Taste.
• Menzioni – I riferimenti o le menzioni dell'entità nel documento. Questi possono essere pronomi o nomi comuni come "esso", "lui", "libro" e così via. Questi sono organizzati in ordine per posizione (offset) nel documento.
• Indice Menzione Descrittiva – L'indice in Mentions che fornisce la migliore rappresentazione del gruppo di entità. Ad esempio, "ABC Hotel" invece di "hotel", "it" o altri nomi comuni.
• Punteggio di gruppo – La certezza che tutte le entità menzionate nel gruppo siano correlate alla stessa entità (come "io", "me" e "me stesso" riferendosi a una persona).
• Testo – Il testo nel documento che raffigura l'entità.
• Tipologia – Una descrizione di ciò che l'entità raffigura.
• Risultato – La fiducia del modello che si tratti di un'entità rilevante.
• Menzione Sentimento – Il vero sentimento trovato per la menzione.
• Sentiment – Il valore stringa positivo, neutro, negativo o misto.
• Punteggio Sentimento – Il modello di fiducia per ogni possibile sentimento.
• Inizia Offset – L'offset nel testo del documento in cui inizia la menzione.
• Scostamento finale – L'offset nel testo del documento in cui termina la citazione.

Per una ripartizione più dettagliata fare riferimento a Estrai il sentiment granulare nel testo con Amazon Comprehend Targeted Sentiment or Organizzazione dei file di output.

Conclusione

L'analisi del sentiment rimane cruciale per le organizzazioni per una miriade di ragioni: dal monitoraggio del sentiment dei clienti nel tempo per le aziende, alla deduzione se un prodotto piace o non piace, alla comprensione delle opinioni degli utenti di un social network su determinati argomenti o persino alla previsione dei risultati di campagne. Il sentiment mirato in tempo reale può essere efficace per le aziende, poiché consente loro di andare oltre l'analisi del sentiment complessivo per esplorare approfondimenti e promuovere le esperienze dei clienti utilizzando Amazon Comprehend.

Per ulteriori informazioni su Targeted Sentiment per Amazon Comprehend, fare riferimento a Sentimento mirato.

Circa gli autori

Raja Pathak è un Solutions Architect e un consulente tecnico per i clienti Fortune 50 e Mid-Sized FSI (Banking, Insurance, Capital Markets) in Canada e negli Stati Uniti. Raj è specializzato in Machine Learning con applicazioni in Document Extraction, Contact Center Transformation e Computer Vision.

Wrick Talukdar è un architetto senior del team Amazon Comprehend Service. Lavora con i clienti AWS per aiutarli ad adottare il machine learning su larga scala. Al di fuori del lavoro, gli piace leggere e fotografare.