Amazon Comprehend Targeted Sentiment adiciona suporte síncrono

No início deste ano, Amazon Comprehend, um serviço de processamento de linguagem natural (NLP) que usa aprendizado de máquina (ML) para descobrir insights de texto, lançou o recurso Sentimento direcionado. Com Targeted Sentiment, você pode identificar grupos de menções (grupos de co-referência) correspondentes a uma única entidade ou atributo do mundo real, fornecer o sentimento associado a cada menção de entidade e oferecer a classificação da entidade do mundo real com base em um lista pré-determinada de entidades.

Hoje, temos o prazer de anunciar a nova API síncrona para sentimento direcionado no Amazon Comprehend, que fornece uma compreensão granular dos sentimentos associados a entidades específicas em documentos de entrada.

Nesta postagem, fornecemos uma visão geral de como você pode começar a usar a API síncrona do Amazon Comprehend Targeted Sentiment, percorrer a estrutura de saída e discutir três casos de uso separados.

Casos de uso de sentimento direcionado

A análise de sentimentos direcionados em tempo real no Amazon Comprehend tem vários aplicativos para permitir insights precisos e escaláveis ​​da marca e da concorrência. Você pode usar o sentimento direcionado para processos críticos de negócios, como pesquisa de mercado ao vivo, produzir experiência de marca e melhorar a satisfação do cliente.

Veja a seguir um exemplo de como usar o sentimento direcionado para uma resenha de filme.

“Filme” é a entidade primária, identificada como tipo movie, e é mencionado mais duas vezes como “filme” e o pronome “isso”. A API Targeted Sentiment fornece o sentimento em relação a cada entidade. Verde refere-se a um sentimento positivo, vermelho para negativo e azul para neutro.

A análise tradicional fornece o sentimento geral do texto, que neste caso é misto. Com o sentimento direcionado, você pode obter insights mais granulares. Nesse cenário, o sentimento em relação ao filme é positivo e negativo: positivo em relação aos atores, mas negativo em relação à qualidade geral. Isso pode fornecer feedback direcionado para a equipe de filmagem, como exercer mais diligência na redação do roteiro, mas considerar os atores para papéis futuros.

As aplicações proeminentes da análise de sentimentos em tempo real variam entre os setores. Inclui extrair insights de marketing e clientes de feeds de mídia social ao vivo, vídeos, eventos ao vivo ou transmissões, entender emoções para fins de pesquisa ou impedir o cyberbullying. O sentimento direcionado síncrono gera valor comercial, fornecendo feedback em tempo real em segundos para que você possa tomar decisões em tempo real.

Vamos dar uma olhada mais de perto nesses vários aplicativos de análise de sentimentos direcionados em tempo real e como diferentes setores podem usá-los:

• Cenário 1 – Mineração de opinião de documentos financeiros para determinar o sentimento em relação a uma ação, pessoa ou organização
• Cenário 2 – Análise de call center em tempo real para determinar o sentimento granular nas interações com o cliente
• Cenário 3 – Monitorar o feedback da organização ou do produto nas mídias sociais e canais digitais e fornecer suporte e resoluções em tempo real

Nas seções a seguir, discutiremos cada caso de uso com mais detalhes.

Cenário 1: Mineração de opinião financeira e geração de sinais de negociação

A análise de sentimento é crucial para os criadores de mercado e empresas de investimento ao construir estratégias de negociação. Determinar o sentimento granular pode ajudar os traders a inferir qual reação o mercado pode ter em relação a eventos globais, decisões de negócios, indivíduos e direção do setor. Esse sentimento pode ser um fator determinante para comprar ou vender uma ação ou commodity.

Para ver como podemos usar a API Targeted Sentiment nesses cenários, vejamos uma declaração do presidente do Federal Reserve, Jerome Powell, sobre a inflação.

Como podemos ver no exemplo, entender o sentimento em relação à inflação pode informar uma decisão de compra ou venda. Nesse cenário, pode-se inferir da Targeted Sentiment API que a opinião do presidente Powell sobre a inflação é negativa, e isso provavelmente resultará em taxas de juros mais altas desacelerando o crescimento econômico. Para a maioria dos traders, isso pode resultar em uma decisão de venda. A API Targeted Sentiment pode fornecer aos comerciantes uma visão mais rápida e granular do que uma revisão de documentos tradicional e, em um setor em que a velocidade é crucial, pode resultar em um valor comercial substancial.

A seguir está uma arquitetura de referência para usar o sentimento direcionado em cenários de geração de sinais de negociação e mineração de opinião financeira.

Cenário 2: análise do contact center em tempo real

Uma experiência positiva de contact center é crucial para oferecer uma experiência forte ao cliente. Para ajudar a garantir experiências positivas e produtivas, você pode implementar a análise de sentimentos para avaliar as reações dos clientes, as mudanças de humor dos clientes durante a interação e a eficácia dos fluxos de trabalho do contact center e do treinamento dos funcionários. Com a API Targeted Sentiment, você pode obter informações granulares na análise de sentimentos do seu contact center. Não apenas podemos determinar o sentimento da interação, mas agora podemos ver o que causou a reação negativa ou positiva e tomar as medidas apropriadas.

Demonstramos isso com as seguintes transcrições de um cliente devolvendo uma torradeira com defeito. Para este exemplo, mostramos exemplos de declarações que o cliente está fazendo.

Como podemos ver, a conversa começa bastante negativa. Com a API Targeted Sentiment, podemos determinar a causa raiz do sentimento negativo e ver se está relacionado a uma torradeira com defeito. Podemos usar essas informações para executar determinados fluxos de trabalho ou encaminhar para diferentes departamentos.

Através da conversa, também podemos perceber que o cliente não foi receptivo à oferta do vale-presente. Podemos usar essas informações para melhorar o treinamento dos agentes, reavaliar se devemos abordar o assunto nesses cenários ou decidir se essa pergunta deve ser feita apenas com um sentimento mais neutro ou positivo.

Por fim, podemos ver que o serviço prestado pelo agente foi recebido de forma positiva, embora o cliente ainda estivesse chateado com a torradeira. Podemos usar essas informações para validar o treinamento do agente e recompensar o desempenho forte do agente.

Veja a seguir uma arquitetura de referência que incorpora o sentimento direcionado à análise do contact center em tempo real.

Cenário 3: Monitoramento de mídia social para o sentimento do cliente

A recepção nas mídias sociais pode ser um fator decisivo para o crescimento do produto e da organização. Acompanhar como os clientes estão reagindo às decisões da empresa, lançamentos de produtos ou campanhas de marketing é fundamental para determinar a eficácia.

Podemos demonstrar como usar a API Targeted Sentiment neste cenário usando as avaliações do Twitter de um novo conjunto de fones de ouvido.

Neste exemplo, há reações mistas ao lançamento dos fones de ouvido, mas há um tema consistente de que a qualidade do som é ruim. As empresas podem usar essas informações para ver como os usuários estão reagindo a determinados atributos e ver onde as melhorias do produto devem ser feitas em iterações futuras.

Veja a seguir uma arquitetura de referência usando a API Targeted Sentiment para análise de sentimento de mídia social.

Comece com o Sentimento direcionado

Para usar o sentimento direcionado no console do Amazon Comprehend, conclua as etapas a seguir:

1. No console do Amazon Comprehend, escolha Inicie o Amazon Compreender.
   
2. Escolha Entrada de texto, insira qualquer texto que você deseja analisar.
3. Escolha Analise.
   

Após a análise do documento, a saída da API Targeted Sentiment pode ser encontrada na página Sentimento direcionado guia na Insights seção. Aqui você pode ver o texto analisado, o respectivo sentimento de cada entidade e o grupo de referência ao qual ela está associada.

No Integração de aplicativos seção, você pode encontrar a solicitação e a resposta para o texto analisado.

Usar o sentimento direcionado de forma programática

Para começar a usar a API síncrona programaticamente, você tem duas opções:

• detectar-sentimento-alvo – Esta API fornece o sentimento direcionado para um único documento de texto
• sentimento de detecção de lote – Esta API fornece o sentimento direcionado para uma lista de documentos

Você pode interagir com a API com o Interface de linha de comando da AWS (AWS CLI) ou por meio do AWS SDK. Antes de começarmos, verifique se você configurou a AWS CLI e tem as permissões necessárias para interagir com o Amazon Comprehend.

A API síncrona Targeted Sentiment requer que dois parâmetros de solicitação sejam passados:

• Código do idioma – A linguagem do texto
• Texto ou TextList – O texto UTF-8 que é processado

O código a seguir é um exemplo para o detect-targeted-sentiment API:

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

Segue um exemplo para o batch-detect-targeted-sentiment API:

{

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

}

Agora vamos ver alguns exemplos de comandos da AWS CLI.

O código a seguir é um exemplo para o 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

Segue um exemplo para o 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

Veja a seguir um exemplo de chamada da API do SDK do Boto3:

import boto3
import subprocess

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

Segue um exemplo de detect-targeted-sentiment API:

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

Segue um exemplo 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"]
)

Para obter mais detalhes sobre a sintaxe da API, consulte o Guia do desenvolvedor do Amazon Compreender.

Estrutura de resposta da API

A API Targeted Sentiment fornece uma maneira simples de consumir a saída de seus trabalhos. Ele fornece um agrupamento lógico das entidades (grupos de entidades) detectadas, juntamente com o sentimento de cada entidade. A seguir estão algumas definições dos campos que estão na resposta:

• Entidades – As partes significativas do documento. Por exemplo, Person, Place, Date, Foodou Taste.
• Menções – As referências ou menções da entidade no documento. Estes podem ser pronomes ou substantivos comuns, como “isso”, “ele”, “livro” e assim por diante. Eles são organizados em ordem por local (deslocamento) no documento.
• Índice de Menção Descritiva – O índice de Mentions que fornece a melhor representação do grupo de entidades. Por exemplo, “ABC Hotel” em vez de “hotel”, “it” ou outras menções de substantivos comuns.
• Pontuação do Grupo – A confiança de que todas as entidades mencionadas no grupo estão relacionadas à mesma entidade (como “eu”, “eu” e “eu mesmo” referindo-se a uma pessoa).
• Texto – O texto no documento que descreve a entidade.
• Formato – Uma descrição do que a entidade retrata.
• Contagem – A confiança do modelo de que esta é uma entidade relevante.
• Menção Sentimento – O sentimento real encontrado para a menção.
• Sentimento – O valor da string de positivo, neutro, negativo ou misto.
• SentimentScore – A confiança do modelo para cada sentimento possível.
• InícioDeslocamento – O deslocamento no texto do documento onde a menção começa.
• EndOffset – O deslocamento no texto do documento onde a menção termina.

Para um detalhamento mais detalhado, consulte Extraia sentimentos granulares em texto com o Amazon Comprehend Targeted Sentiment or Organização do arquivo de saída.

Conclusão

A análise de sentimentos continua sendo crucial para as organizações por uma infinidade de razões – desde rastrear o sentimento do cliente ao longo do tempo para as empresas, inferir se um produto é gostado ou não, entender as opiniões dos usuários de uma rede social em relação a determinados tópicos ou até mesmo prever os resultados de campanhas. O sentimento direcionado em tempo real pode ser eficaz para as empresas, permitindo que elas vão além da análise geral de sentimentos para explorar insights para impulsionar as experiências do cliente usando o Amazon Comprehend.

Para saber mais sobre o Targeted Sentiment for Amazon Comprehend, consulte Sentimento direcionado.

Sobre os autores

Raj Pathak é arquiteto de soluções e consultor técnico para clientes da Fortune 50 e FSI de médio porte (bancos, seguros, mercados de capitais) no Canadá e nos Estados Unidos. Raj é especialista em Machine Learning com aplicações em Extração de Documentos, Transformação de Contact Center e Visão Computacional.

Wrick Talukdar é arquiteto sênior da equipe do Amazon Comprehend Service. Ele trabalha com clientes da AWS para ajudá-los a adotar o aprendizado de máquina em larga escala. Fora do trabalho, gosta de ler e fotografar.