Використовуйте машинне навчання без коду, щоб отримати інформацію з оглядів продуктів за допомогою аналізу настроїв Amazon SageMaker Canvas і моделей аналізу тексту | Веб-сервіси Amazon

За оцінками Gartner85% покупців програмного забезпечення довіряють онлайн-оглядам так само, як особистим рекомендаціям. Клієнти залишають відгуки та відгуки про продукти, які вони придбали, через багато каналів, включаючи веб-сайти оглядів, веб-сайти постачальників, дзвінки з продажу, соціальні мережі та багато інших. Проблема зі збільшенням кількості відгуків клієнтів у багатьох каналах полягає в тому, що компаніям може бути складно обробляти дані та отримувати значущу інформацію з них за допомогою традиційних методів. Машинне навчання (ML) може аналізувати великі обсяги оглядів продуктів і визначати шаблони, настрої та обговорювані теми. Завдяки цій інформації компанії можуть отримати краще розуміння вподобань клієнтів, проблемних моментів і рівнів задоволеності. Вони також можуть використовувати цю інформацію для вдосконалення продуктів і послуг, виявлення тенденцій і вжиття стратегічних дій, які стимулюють розвиток бізнесу. Однак впровадження ML може бути проблемою для компаній, яким не вистачає ресурсів, таких як фахівці з ML, спеціалісти з обробки даних або розробники штучного інтелекту (AI). З новим Canvas Amazon SageMaker бізнес-аналітики тепер можуть використовувати ML, щоб отримати інформацію з оглядів продуктів.

SageMaker Canvas розроблено для функціональних потреб бізнес-аналітиків AWS без коду ML для спеціального аналізу табличних даних. SageMaker Canvas — це візуальний сервіс, який дозволяє бізнес-аналітикам генерувати точні прогнози машинного навчання без написання жодного рядка коду або потреби досвіду ML. Ви можете використовувати моделі, щоб робити прогнози в інтерактивному режимі та для пакетного оцінювання масових наборів даних. SageMaker Canvas пропонує повністю керовану готову до використання модель штучного інтелекту та індивідуальні моделі. Для звичайних випадків використання ML ви можете використовувати готову модель штучного інтелекту для створення прогнозів на основі ваших даних без будь-якого навчання моделі. Для випадків використання ML, характерних для домену вашого бізнесу, ви можете навчити модель ML за допомогою власних даних для спеціального прогнозування.

У цій публікації ми демонструємо, як використовувати готову до використання модель аналізу настроїв і спеціальну модель аналізу тексту, щоб отримати інформацію з відгуків про продукт. У цьому випадку використання ми маємо набір синтезованих оглядів продукту, які ми хочемо проаналізувати на предмет настроїв і класифікувати відгуки за типом продукту, щоб спростити визначення закономірностей і тенденцій, які можуть допомогти зацікавленим сторонам у бізнесі приймати більш обґрунтовані рішення. Спочатку ми опишемо кроки для визначення настроїв відгуків за допомогою готової до використання моделі аналізу настроїв. Потім ми проведемо вас через процес навчання моделі аналізу тексту для класифікації оглядів за типом продукту. Далі ми пояснюємо, як перевірити навчену модель на продуктивність. Нарешті, ми пояснюємо, як використовувати навчену модель для виконання прогнозів.

Аналіз настрою – це готова до використання модель обробки природної мови (NLP), яка аналізує текст на настрої. Аналіз настрою можна запустити для однорядкових або пакетних прогнозів. Передбачувані настрої для кожного рядка тексту є позитивними, негативними, змішаними або нейтральними.

Аналіз тексту дозволяє класифікувати текст за двома чи більше категоріями за допомогою спеціальних моделей. У цій публікації ми хочемо класифікувати відгуки про продукт за типом продукту. Щоб навчити спеціальну модель аналізу тексту, ви просто надаєте набір даних, що складається з тексту та пов’язаних категорій у файлі CSV. Набір даних вимагає мінімум двох категорій і 125 рядків тексту на категорію. Після навчання моделі ви можете переглянути продуктивність моделі та за потреби перенавчати її перед використанням для прогнозів.

Передумови

Виконайте такі передумови:

1. Довірте Обліковий запис AWS.
2. Створювати Полотно SageMaker.
3. Завантажити приклад наборів даних відгуків про продукт:
   • sample_product_reviews.csv – Містить 2,000 синтезованих оглядів продуктів і використовується для аналізу настроїв і прогнозів аналізу тексту.
   • sample_product_reviews_training.csv – Містить 600 узагальнених оглядів продуктів і три категорії продуктів і призначений для навчання моделі аналізу тексту.

Аналіз почуттів

По-перше, ви використовуєте аналіз настроїв, щоб визначити настрої відгуків про продукт, виконавши наступні кроки.

1. на Консоль SageMaker, Натисніть Полотно на панелі навігації, а потім натисніть Відкрити Canvas щоб відкрити програму SageMaker Canvas.
2. Натисніть Готові до використання моделі на панелі навігації, а потім натисніть Аналіз почуттів.
3. Натисніть Пакетне прогнозування, потім натисніть кнопку Створити набір даних.
4. Надайте a Назва набору даних і натисніть кнопку Створити.
5. Натисніть Виберіть файли з комп’ютера імпортувати sample_product_reviews.csv набір даних.
6. Натисніть Створити набір даних і перегляньте дані. Перший стовпець містить відгуки та використовується для аналізу настроїв. Другий стовпець містить ідентифікатор огляду та використовується лише для довідки.
7. Натисніть Створити набір даних щоб завершити процес завантаження даних.
8. У Виберіть набір даних для прогнозів переглянути, вибрати sample_product_reviews.csv і натисніть кнопку Створення прогнозів. 
9. Після завершення пакетного прогнозування натисніть вид щоб переглянути прогнози.

Стовпці «Настрій» і «Впевненість» містять оцінку настрою та впевненості відповідно. Показник достовірності – це статистичне значення від 0 до 100%, яке показує ймовірність правильного прогнозу настрою.

10. Натисніть Завантажити CSV щоб завантажити результати на свій комп’ютер.

Аналіз тексту

У цьому розділі ми розглядаємо кроки для виконання аналізу тексту за допомогою спеціальної моделі: імпортування даних, навчання моделі, а потім створення прогнозів.

Імпортуйте дані

Спочатку імпортуйте навчальний набір даних. Виконайте наступні дії:

1. On Готові до використання моделі сторінка, натисніть Створіть власну модель
2. для назва моделі, введіть назву (наприклад, Product Reviews Analysis). Натисніть аналіз тексту, потім натисніть Створити.
3. на Select вкладка, клацніть Створити набір даних імпортувати sample_product_reviews_training.csv набір даних.
4. Надайте a Назва набору даних і натисніть кнопку Створити.
5. Натисніть Створити набір даних і перегляньте дані. Навчальний набір даних містить третій стовпець, що описує категорію продукту, цільовий стовпець складається з трьох продуктів: книги, відео та музика.
6. Натисніть Створити набір даних щоб завершити процес завантаження даних.
7. на Виберіть набір даних сторінка, виберіть sample_product_reviews_training.csv і натисніть кнопку Виберіть набір даних.

Тренуйте модель

Далі ви налаштовуєте модель, щоб почати процес навчання.

1. на Будувати вкладка, на Цільова колонка спадне меню, клацніть product_category як ціль навчання.
2. Натисніть product_review як джерело.
3. Натисніть Швидка збірка щоб почати навчання моделі.

Додаткову інформацію про відмінності між швидкою та стандартною збірками див Створіть власну модель.

Коли навчання моделі завершено, ви можете переглянути продуктивність моделі, перш ніж використовувати її для прогнозування.

4. на Аналізувати буде відображено оцінку достовірності моделі. Оцінка достовірності вказує на те, наскільки модель впевнена в тому, що її прогнози правильні. На огляд Перегляньте ефективність для кожної категорії.
5. Натисніть Рахунок щоб переглянути інформацію про точність моделі.
6. Натисніть Попередні показники переглянути матриця плутанини та оцінка F1.

Робіть прогнози

Щоб зробити прогноз за допомогою спеціальної моделі, виконайте такі дії:

1. на Прогнозуйте вкладка, клацніть Пакетне прогнозування, потім натисніть кнопку Мануал.
2. Натисніть той самий набір даних, sample_product_reviews.csv, який ви раніше використовували для аналізу настроїв, а потім натисніть Створення прогнозів.
3. Після завершення пакетного прогнозування натисніть вид щоб переглянути прогнози.

Для спеціального прогнозування моделі потрібен деякий час, щоб SageMaker Canvas розгорнув модель для початкового використання. SageMaker Canvas автоматично деініціалізує модель, якщо вона не працює протягом 15 хвилин, щоб заощадити кошти.

Команда Prediction (Категорія) і Confidence у стовпцях наведено прогнозовані категорії продуктів і показники достовірності відповідно.

4. Виділіть виконане завдання, виберіть три крапки та натисніть Завантажити щоб завантажити результати на свій комп’ютер.

Прибирати

Натисніть Вийти на панелі навігації, щоб вийти з програми SageMaker Canvas і припинити споживання Години сеансу Canvas і звільнити всі ресурси.

Висновок

У цій публікації ми продемонстрували, як ви можете використовувати Canvas Amazon SageMaker щоб отримати інформацію з оглядів продуктів без досвіду ML. По-перше, ви використали готову до використання модель аналізу настроїв, щоб визначити настрої відгуків про продукт. Далі ви використали аналіз тексту для навчання власної моделі за допомогою процесу швидкого створення. Нарешті, ви використали навчену модель для класифікації відгуків про продукт за категоріями продукту. Усе без написання жодного рядка коду. Ми рекомендуємо вам повторити процес аналізу тексту зі стандартним процесом побудови, щоб порівняти результати моделі та достовірність передбачення.

---

Про авторів

Гевін Сатур є головним архітектором рішень в Amazon Web Services. Він працює з корпоративними клієнтами над розробкою стратегічних, добре архітектурних рішень і захоплюється автоматизацією. Поза роботою він насолоджується сімейним часом, тенісом, кулінарією та подорожами.

Лес Чан є старшим архітектором рішень в Amazon Web Services, розташованому в Ірвайні, Каліфорнія. Лес захоплюється роботою з корпоративними клієнтами над прийняттям і впровадженням технологічних рішень, зосереджуючись виключно на досягненні бізнес-результатів клієнтів. Його досвід охоплює архітектуру додатків, DevOps, безсерверне та машинне навчання.

Аакіб Бікія є архітектором рішень у Amazon Web Services у Південній Каліфорнії. Він допомагає корпоративним клієнтам у сфері роздрібної торгівлі прискорювати проекти та впроваджувати нові технології. Сфери уваги Aaqib включають машинне навчання, безсерверні, аналітичні та комунікаційні послуги

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
• PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
• ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
• PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
• джерело: 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/