Göre GartnerYazılım alıcılarının %85'i kişisel öneriler kadar çevrimiçi incelemelere de güveniyor. Müşteriler, satın aldıkları ürünler hakkında inceleme web siteleri, satıcı web siteleri, satış çağrıları, sosyal medya ve diğerleri dahil olmak üzere birçok kanal aracılığıyla geri bildirim ve inceleme sağlar. Birden fazla kanalda müşteri incelemelerinin hacminin artmasıyla ilgili sorun, şirketlerin geleneksel yöntemleri kullanarak verileri işlemesinin ve verilerden anlamlı içgörüler elde etmesinin zor olabilmesidir. Makine öğrenimi (ML), büyük hacimli ürün incelemelerini analiz edebilir ve tartışılan kalıpları, düşünceleri ve konuları belirleyebilir. Bu bilgilerle şirketler müşteri tercihlerini, sorunlu noktalarını ve memnuniyet düzeylerini daha iyi anlayabilir. Ayrıca bu bilgileri ürün ve hizmetleri geliştirmek, trendleri belirlemek ve iş büyümesini hızlandıracak stratejik eylemler gerçekleştirmek için de kullanabilirler. Ancak makine öğrenimi uygulamak, makine öğrenimi uygulayıcıları, veri bilimcileri veya yapay zeka (AI) geliştiricileri gibi kaynaklara sahip olmayan şirketler için zor olabilir. Yeni ile Amazon SageMaker Tuval özellikleri sayesinde iş analistleri artık ürün incelemelerinden öngörü elde etmek için ML'yi kullanabilir.
SageMaker Canvas, iş analistlerinin kullanabileceği işlevsel ihtiyaçlar için tasarlanmıştır AWS kod yok ML tablo halindeki verilerin özel analizi için. SageMaker Canvas, iş analistlerinin tek bir kod satırı yazmadan veya makine öğrenimi uzmanlığı gerektirmeden doğru makine öğrenimi tahminleri oluşturmasına olanak tanıyan görsel, işaretle ve tıkla hizmetidir. Etkileşimli olarak tahminlerde bulunmak ve toplu veri kümelerinde toplu puanlama yapmak için modelleri kullanabilirsiniz. SageMaker Canvas, tamamen yönetilen, kullanıma hazır yapay zeka modeli ve özel model çözümleri sunar. Yaygın makine öğrenimi kullanım örnekleri için, herhangi bir model eğitimi gerekmeden verilerinizle tahminler oluşturmak için kullanıma hazır bir yapay zeka modeli kullanabilirsiniz. İş alanınıza özel makine öğrenimi kullanım örnekleri için, özel tahmin amacıyla kendi verilerinizle bir makine öğrenimi modeli eğitebilirsiniz.
Bu yazıda, ürün incelemelerinden içgörü elde etmek için kullanıma hazır duygu analizi modelinin ve özel metin analizi modelinin nasıl kullanılacağını gösteriyoruz. Bu kullanım örneğinde, iş paydaşlarının daha bilinçli kararlar almasına yardımcı olabilecek modelleri ve eğilimleri çizmeyi kolaylaştırmak için, duyarlılıkları analiz etmek ve incelemeleri ürün türüne göre kategorilere ayırmak istediğimiz bir dizi sentezlenmiş ürün incelemesine sahibiz. İlk olarak, kullanıma hazır duyarlılık analizi modelini kullanarak yorumların duyarlılığını belirleme adımlarını açıklıyoruz. Ardından, incelemeleri ürün türüne göre kategorize etmek için bir metin analizi modeli yetiştirme süreci boyunca size yol gösteriyoruz. Daha sonra, eğitilen modelin performans açısından nasıl inceleneceğini açıklıyoruz. Son olarak, tahminleri gerçekleştirmek için eğitilmiş modelin nasıl kullanılacağını açıklıyoruz.
Duygu analizi, metni duygulara göre analiz eden, doğal dil işleme (NLP) kullanıma hazır bir modeldir. Duygu analizi tek satırlı veya toplu tahminler için çalıştırılabilir. Metnin her satırı için tahmin edilen duygular olumlu, olumsuz, karışık veya nötrdür.
Metin analizi, özel modelleri kullanarak metni iki veya daha fazla kategoride sınıflandırmanıza olanak tanır. Bu yazıda ürün incelemelerini ürün türüne göre sınıflandırmak istiyoruz. Bir metin analizi özel modelini eğitmek için, bir CSV dosyasındaki metinden ve ilişkili kategorilerden oluşan bir veri kümesi sağlamanız yeterlidir. Veri kümesi en az iki kategori ve kategori başına 125 satır metin gerektirir. Model eğitildikten sonra, tahminler için kullanmadan önce modelin performansını inceleyebilir ve gerekirse modeli yeniden eğitebilirsiniz.
Önkoşullar
Aşağıdaki ön koşulları tamamlayın:
- Bir şeye sahip AWS hesabı.
- Kurmak SageMaker Kanvas.
- Atomic Cüzdanı indirin : örnek ürün incelemeleri veri kümeleri:
sample_product_reviews.csv
– 2,000 sentezlenmiş ürün incelemesi içerir ve duyarlılık analizi ve Metin Analizi tahminleri için kullanılır.sample_product_reviews_training.csv
– 600 sentezlenmiş ürün incelemesi ve üç ürün kategorisi içerir ve metin analizi modeli eğitimi içindir.
Duygu analizi
Öncelikle aşağıdaki adımları tamamlayarak ürün incelemelerinin duyarlılığını belirlemek için duyarlılık analizini kullanırsınız.
- Üzerinde SageMaker konsolutık Tuval Gezinti bölmesinde, ardından Açık Tuval SageMaker Canvas uygulamasını açmak için.
- Tıkla Kullanıma hazır modeller Gezinti bölmesinde, ardından Duygu analizi.
- Tıkla Toplu tahmin, Ardından Veri kümesi oluşturun.
- Bir sağlayın Veri kümesi adı ve tıklayın Oluşturun.
- Tıkla Bilgisayarınızdan dosya seçin ithal etmek
sample_product_reviews.csv
Veri kümesi. - Tıkla Veri kümesi oluşturun ve verileri gözden geçirin. İlk sütun incelemeleri içerir ve duyarlılık analizi için kullanılır. İkinci sütun inceleme kimliğini içerir ve yalnızca referans amacıyla kullanılır.
- Tıkla Veri kümesi oluşturun Veri yükleme işlemini tamamlamak için.
- içinde Tahminler için veri kümesi seçin görüntüle, seç
sample_product_reviews.csv
ve ardından Tahminler oluşturun. - Toplu tahmin tamamlandığında, Görüntüle Tahminleri görüntülemek için
Duyarlılık ve Güven sütunları sırasıyla duyarlılık ve güven puanını sağlar. Güven puanı, duyarlılığın doğru tahmin edilme olasılığını gösteren, %0 ile %100 arasında istatistiksel bir değerdir.
- Tıkla CSV'yi indir Sonuçları bilgisayarınıza indirmek için
Metin analizi
Bu bölümde özel bir modelle metin analizi gerçekleştirme adımlarını izliyoruz: verileri içe aktarma, modeli eğitme ve ardından tahminlerde bulunma.
Verileri içeri aktarın
İlk önce eğitim veri kümesini içe aktarın. Aşağıdaki adımları tamamlayın:
- On Kullanıma hazır modeller sayfa, tıklayın Özel bir model oluşturun
- İçin Model adı, bir ad girin (örneğin,
Product Reviews Analysis
). Tıklayın Metin analizi, Sonra tıklayın Oluşturun. - Üzerinde seç sekmesini tıklayın Veri kümesi oluşturun ithal etmek
sample_product_reviews_training.csv
Veri kümesi. - Bir sağlayın Veri kümesi adı ve tıklayın Oluşturun.
- Tıkla Veri kümesi oluşturun ve verileri gözden geçirin. Eğitim veri seti, ürün kategorisini tanımlayan üçüncü bir sütun içerir; hedef sütun üç üründen oluşur: kitaplar, video ve müzik.
- Tıkla Veri kümesi oluşturun Veri yükleme işlemini tamamlamak için.
- Üzerinde Veri kümesini seçin sayfa seç
sample_product_reviews_training.csv
ve tıklayın Veri kümesini seçin.
Modeli eğitin
Daha sonra, eğitim sürecini başlatmak için modeli yapılandırırsınız.
- Üzerinde İnşa etmek sekmesinde, Hedef sütun açılır menü, tıklayın
product_category
eğitim hedefi olarak. - Tıkla
product_review
kaynak olarak. - Tıkla Hızlı inşa Model eğitimini başlatmak için.
Hızlı derleme ile Standart derleme arasındaki farklar hakkında daha fazla bilgi için bkz. Özel bir model oluşturun.
Model eğitimi tamamlandığında, tahmin için kullanmadan önce modelin performansını inceleyebilirsiniz.
- Üzerinde Çözümlemek sekmesinde modelin güven puanı görüntülenecektir. Güven puanı, bir modelin tahminlerinin doğruluğundan ne kadar emin olduğunu gösterir. Üzerinde Genel Bakış sekmesinde her kategorinin performansını inceleyin.
- Tıkla Puanlama model doğruluğu öngörülerini gözden geçirmek için.
- Tıkla Gelişmiş metrikler incelemek karışıklık matrisi ve F1 puanı.
tahminlerde bulunun
Özel modelinizle tahmin yapmak için aşağıdaki adımları tamamlayın:
- Üzerinde Tahmin sekmesini tıklayın Toplu tahmin, Ardından Manuel.
- Aynı veri kümesini tıklayın,
sample_product_reviews.csv
Daha önce duyarlılık analizi için kullandığınız , ardından Tahminler oluşturun. - Toplu tahmin tamamlandığında, Görüntüle Tahminleri görüntülemek için
Özel model tahmini için, SageMaker Canvas'ın modeli ilk kullanım için dağıtması biraz zaman alır. SageMaker Canvas, maliyetten tasarruf etmek için 15 dakika boyunca boşta kalırsa modelin provizyonunu otomatik olarak kaldırır.
The Prediction
(Kategori) ve Confidence
sütunlar sırasıyla tahmin edilen ürün kategorilerini ve güven puanlarını sağlar.
- Tamamlanan işi vurgulayın, üç noktayı seçin ve tıklayın. İndir Sonuçları bilgisayarınıza indirmek için
Temizlemek
Tıkla Çıkış Yap tüketimini durdurmak amacıyla SageMaker Canvas uygulamasında oturumu kapatmak için gezinme bölmesinde Kanvas oturum saatleri ve tüm kaynakları serbest bırakın.
Sonuç
Bu yazımızda nasıl kullanabileceğinizi gösterdik. Amazon SageMaker Tuval ML uzmanlığı olmadan ürün incelemelerinden içgörü elde etmek. Öncelikle ürün incelemelerinin duyarlılığını belirlemek için kullanıma hazır bir duyarlılık analizi modeli kullandınız. Daha sonra, hızlı oluşturma süreciyle özel bir modeli eğitmek için metin analizini kullandınız. Son olarak, ürün incelemelerini ürün kategorilerine ayırmak için eğitilmiş modeli kullandınız. Üstelik tek satır kod yazmadan. Model sonuçlarını ve tahmin güvenirliğini karşılaştırmak için metin analizi sürecini standart derleme süreciyle tekrarlamanızı öneririz.
Yazarlar Hakkında
Gavin Satur Amazon Web Services'te Baş Çözüm Mimarıdır. Stratejik, iyi tasarlanmış çözümler oluşturmak için kurumsal müşterilerle birlikte çalışıyor ve otomasyon konusunda tutkulu. İş dışında ailesiyle vakit geçirmekten, tenis oynamaktan, yemek yapmaktan ve seyahat etmekten hoşlanıyor.
Les Chan Irvine, Kaliforniya'da bulunan Amazon Web Services'te Kıdemli Çözüm Mimarıdır. Les, yalnızca müşterinin iş sonuçlarını artırmaya odaklanan teknoloji çözümlerinin benimsenmesi ve uygulanması konusunda kurumsal müşterilerle çalışma konusunda tutkuludur. Uzmanlığı uygulama mimarisi, DevOps, sunucusuz ve makine öğrenimini kapsamaktadır.
Aaqib Bickiya Güney Kaliforniya merkezli Amazon Web Services'te Çözüm Mimarıdır. Perakende alanındaki kurumsal müşterilerin projelerini hızlandırmalarına ve yeni teknolojileri uygulamalarına yardımcı oluyor. Aaqib'in odak alanları arasında makine öğrenimi, sunucusuz, analitik ve iletişim hizmetleri yer alıyor
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: 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/
- :dır-dir
- $UP
- 000
- 10
- 100
- 125
- İNDİRİM
- 7
- a
- Hakkımızda
- hızlandırmak
- doğruluk
- doğru
- karşısında
- eylemler
- Ad
- Benimsemek
- Sonra
- AI
- Türkiye
- veriyor
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon SageMaker Tuval
- Amazon Web Servisleri
- an
- analiz
- Analistler
- analytics
- çözümlemek
- analizler
- ve
- herhangi
- Uygulama
- mimari
- ARE
- alanlar
- yapay
- yapay zeka
- Yapay zeka (AI)
- AS
- ilişkili
- At
- otomatik olarak
- Otomasyon
- AWS
- merkezli
- BE
- önce
- başlamak
- Daha iyi
- arasında
- Kitaplar
- inşa etmek
- iş
- Alıcılar
- by
- Kaliforniya
- aramalar
- CAN
- tuval
- dava
- durumlarda
- kategoriler
- Kategoriler
- belli
- meydan okuma
- zor
- kanallar
- sınıflandırma
- sınıflandırmak
- tıklayın
- kod
- Sütun
- Sütunlar
- ortak
- Yakın İletişim
- Şirketler
- karşılaştırmak
- tamamlamak
- Tamamlandı
- tamamladıktan
- bilgisayar
- güven
- oluşan
- tüketim
- içeren
- doğru
- doğru
- maliyetler
- yaratmak
- görenek
- müşteri
- Müşteriler
- veri
- veri kümeleri
- kararlar
- göstermek
- gösterdi
- dağıtmak
- tanımlamak
- tasarlanmış
- Belirlemek
- geliştiriciler
- farklılıkları
- tartışılan
- görüntülenen
- domain
- indir
- çekmek
- sürücü
- sürme
- her
- kolay
- ya
- Keşfet
- kuruluş
- örnek
- Uzmanlık
- Açıklamak
- f1
- aile
- Özellikler
- geribesleme
- fileto
- dosyalar
- Nihayet
- Ad
- odak
- takip etme
- İçin
- itibaren
- fonksiyonel
- Kazanç
- Gartner
- oluşturmak
- gif
- Go
- Büyüme
- Var
- he
- yardım et
- yardımcı olur
- onun
- Ne kadar
- Nasıl Yapılır
- Ancak
- HTML
- HTTPS
- ID
- belirlemek
- boş
- if
- uygulamak
- uygulanması
- ithalat
- ithal
- iyileştirmek
- in
- dahil
- Dahil olmak üzere
- artan
- gösterir
- bilgi
- bilgi
- ilk
- anlayışlar
- İstihbarat
- içine
- IT
- ONUN
- İş
- jpg
- Eksiklik
- dil
- büyük
- öğrenme
- seviyeleri
- çizgi
- log
- makine
- makine öğrenme
- yapmak
- Yapımı
- çok
- Matris
- Mayıs..
- anlamlı
- medya
- Menü
- yöntemleri
- asgari
- dakika
- karışık
- ML
- model
- modelleri
- Daha
- çok
- çoklu
- Music
- isim
- Doğal (Madenden)
- Doğal Dil İşleme
- Navigasyon
- gerekli
- ihtiyaçlar
- negatif
- Nötr
- yeni
- Yeni teknolojiler
- sonraki
- nlp
- yok hayır
- şimdi
- of
- Teklifler
- on
- Online
- bir tek
- açık
- or
- Diğer
- dışarı
- sonuçlar
- dışında
- kendi
- Kanal
- Ağrı
- bölmesi
- tutkulu
- desen
- başına
- Yapmak
- performans
- kişisel
- Platon
- Plato Veri Zekası
- PlatoVeri
- noktaları
- pozitif
- Çivi
- tahmin
- tahmin
- Tahminler
- tercihleri
- önkoşullar
- Önceden
- Anapara
- Sorun
- süreç
- işleme
- PLATFORM
- Ürün Yorumları
- Ürünler
- Projeler
- sağlamak
- satın alındı
- Hızlı
- tavsiye etmek
- tavsiyeler
- başvurmak
- referans
- serbest
- tekrar et
- gerektirir
- Kaynaklar
- sırasıyla
- Sonuçlar
- perakende
- yorum
- Yorumları
- koşmak
- sagemaker
- satış
- aynı
- memnuniyet
- İndirim
- bilim adamları
- Gol
- puanlama
- İkinci
- Bölüm
- duygu
- duygular
- Serverless
- hizmet
- Hizmetler
- Oturum
- set
- Gösteriler
- sadece
- tek
- Sosyal Medya
- sosyal medya
- Yazılım
- Çözümler
- biraz
- Kaynak
- Güney
- uzay
- açıklıklı
- özel
- paydaşlar
- standart
- başlama
- istatistiksel
- Basamaklar
- dur
- Stratejik
- böyle
- Bizi daha iyi tanımak için
- alır
- Hedef
- Teknolojileri
- Teknoloji
- metin
- o
- The
- Kaynak
- sonra
- onlar
- Üçüncü
- Re-Tweet
- üç
- İçinden
- zaman
- için
- Konular
- geleneksel
- Tren
- eğitilmiş
- Eğitim
- Seyahat
- Trendler
- Güven
- iki
- tip
- anlayış
- kullanım
- kullanım durumu
- Kullanılmış
- kullanma
- değer
- satıcı
- Video
- Görüntüle
- hacim
- hacimleri
- yürümek
- istemek
- we
- ağ
- web hizmetleri
- web siteleri
- irade
- ile
- olmadan
- İş
- çalışma
- çalışır
- yazı yazıyor
- Sen
- zefirnet
- zip