Раніше цього року «Амазонка», служба обробки природної мови (NLP), яка використовує машинне навчання (ML), щоб знаходити інформацію з тексту, запустив функцію цільових настроїв. За допомогою Targeted Sentiment ви можете ідентифікувати групи згадувань (групи спільного посилання), що відповідають одній реальній сутності чи атрибуту, надати почуття, пов’язане з кожною згадкою сутності, і запропонувати класифікацію реальної сутності на основі заздалегідь визначений перелік суб'єктів.
Сьогодні ми раді оголосити про новий синхронний API для цільових настроїв в Amazon Comprehend, який забезпечує детальне розуміння настроїв, пов’язаних із певними об’єктами у вхідних документах.
У цій публікації ми надаємо огляд того, як ви можете розпочати роботу з синхронним API Amazon Comprehend Targeted Sentiment, пройдемо структуру виводу та обговоримо три окремі випадки використання.
Випадки використання цільових настроїв
Цільовий аналіз настроїв у режимі реального часу в Amazon Comprehend має кілька додатків, які дозволяють точні та масштабовані аналізи брендів і конкурентів. Ви можете використовувати цільові настрої для критично важливих бізнес-процесів, таких як дослідження ринку в реальному часі, створення враження від бренду та підвищення рівня задоволеності клієнтів.
Нижче наведено приклад використання цільових настроїв для огляду фільму.
«Фільм» є основною сутністю, визначеною як тип movie
, і згадується ще двічі як «кіно» та займенник «це». Targeted Sentiment API визначає ставлення до кожної сутності. Зелений означає позитивний настрій, червоний – негативний, а синій – нейтральний.
Традиційний аналіз забезпечує відчуття загального тексту, який у цьому випадку є змішаним. Завдяки націленим настроям ви можете отримати більш детальну статистику. У цьому сценарії ставлення до фільму є як позитивним, так і негативним: позитивним щодо акторів, але негативним щодо загальної якості. Це може забезпечити цілеспрямований зворотний зв’язок для знімальної групи, наприклад, проявити більшу ретельність у написанні сценарію, але розглянути акторів для майбутніх ролей.
Основні застосування аналізу настроїв у реальному часі відрізнятимуться в різних галузях. Це включає вилучення маркетингової інформації та інформації про клієнтів із живих стрічок соціальних мереж, відео, подій у прямому ефірі чи трансляцій, розуміння емоцій для дослідницьких цілей або стримування кіберзалякування. Синхронні цільові настрої підвищують цінність бізнесу, надаючи зворотній зв’язок у реальному часі протягом кількох секунд, щоб ви могли приймати рішення в реальному часі.
Давайте детальніше розглянемо ці різноманітні програми цільового аналізу настроїв у реальному часі та те, як їх можуть використовувати різні галузі:
- Сценарій 1 – Опитування фінансових документів для визначення ставлення до акції, особи чи організації
- Сценарій 2 – Аналітика кол-центру в режимі реального часу для визначення детальних настроїв у взаємодії з клієнтами
- Сценарій 3 – Відстеження відгуків про організації чи продукти в соціальних мережах і цифрових каналах, а також надання підтримки та вирішення проблем у реальному часі
У наступних розділах ми детальніше обговорюємо кожен варіант використання.
Сценарій 1: аналіз фінансової думки та генерація торгових сигналів
Аналіз настроїв має вирішальне значення для маркет-мейкерів та інвестиційних компаній при розробці торгових стратегій. Визначення детальних настроїв може допомогти трейдерам зробити висновок про реакцію ринку на глобальні події, бізнес-рішення, окремих людей і напрямок галузі. Цей настрій може бути визначальним фактором при купівлі чи продажу акції чи товару.
Щоб побачити, як ми можемо використовувати Targeted Sentiment API у цих сценаріях, давайте подивимося на заяву голови Федеральної резервної системи Джерома Пауелла щодо інфляції.
Як ми бачимо на прикладі, розуміння настрою щодо інфляції може стати причиною прийняття рішення про купівлю чи продаж. У цьому сценарії за допомогою Targeted Sentiment API можна зробити висновок, що думка голови Пауелл щодо інфляції є негативною, і це, швидше за все, призведе до того, що вищі процентні ставки уповільнять економічне зростання. Для більшості трейдерів це може призвести до рішення продати. Targeted Sentiment API може надати трейдерам швидшу та детальнішу інформацію, ніж традиційний аналіз документів, а в галузі, де швидкість має вирішальне значення, це може призвести до значної комерційної цінності.
Нижче наведено еталонну архітектуру для використання цільових настроїв у сценаріях аналізу фінансової думки та генерації торгових сигналів.
Сценарій 2: Аналіз контакт-центру в реальному часі
Позитивний досвід контакт-центру має вирішальне значення для забезпечення високого рівня обслуговування клієнтів. Щоб забезпечити позитивний і продуктивний досвід, ви можете застосувати аналіз настроїв, щоб оцінити реакцію клієнтів, зміну настрою клієнтів через тривалість взаємодії, а також ефективність робочих процесів контакт-центру та навчання співробітників. За допомогою Targeted Sentiment API ви можете отримати детальну інформацію в рамках аналізу настроїв контакт-центру. Ми не тільки можемо визначити настрої взаємодії, але тепер ми можемо побачити, що викликало негативну чи позитивну реакцію, і вжити відповідних заходів.
Ми демонструємо це за допомогою наведених нижче розшифровок клієнта, який повертає несправний тостер. Для цього прикладу ми показуємо зразки заяв, які робить клієнт.
Як бачимо, розмова починається досить негативно. За допомогою Targeted Sentiment API ми можемо визначити першопричину негативних настроїв і побачити, що це стосується несправного тостера. Ми можемо використовувати цю інформацію для запуску певних робочих процесів або маршрутизації до різних відділів.
Під час розмови ми також бачимо, що клієнт не сприйняв пропозицію подарункової картки. Ми можемо використати цю інформацію, щоб покращити навчання агентів, переоцінити, чи варто нам взагалі піднімати тему в цих сценаріях, або вирішити, чи це запитання слід поставити лише з більш нейтральним чи позитивним настроєм.
Нарешті, ми бачимо, що послуга, яку надав агент, була сприйнята позитивно, хоча клієнт все ще був засмучений через тостер. Ми можемо використовувати цю інформацію, щоб підтвердити навчання агентів і винагородити їх за ефективну роботу.
Нижче наведено еталонну архітектуру, яка включає цільові настрої в аналітику контакт-центру в реальному часі.
Сценарій 3: моніторинг настроїв клієнтів у соціальних мережах
Прийом соціальних мереж може бути вирішальним фактором для розвитку продукту та організації. Відстеження того, як клієнти реагують на рішення компанії, запуск продуктів або маркетингові кампанії, має вирішальне значення для визначення ефективності.
Ми можемо продемонструвати, як використовувати Targeted Sentiment API у цьому сценарії, використовуючи відгуки Twitter про новий набір навушників.
У цьому прикладі є неоднозначна реакція на випуск навушників, але є незмінна тема про низьку якість звуку. Компанії можуть використовувати цю інформацію, щоб побачити, як користувачі реагують на певні атрибути, і побачити, де слід удосконалити продукт у майбутніх ітераціях.
Нижче наведено еталонну архітектуру, яка використовує Targeted Sentiment API для аналізу настроїв у соціальних мережах.
Почніть роботу з Targeted Sentiment
Щоб використовувати цільові настрої на консолі Amazon Comprehend, виконайте такі дії:
- На консолі Amazon Comprehend виберіть Запустіть Amazon Comprehend.
- для Введення тексту, введіть будь-який текст, який ви хочете проаналізувати.
- Вибирати Аналізувати.
Після аналізу документа вихід Targeted Sentiment API можна знайти на Цілеспрямовані настрої Вкладка в Insights розділ. Тут ви можете побачити проаналізований текст, відповідні настрої кожної сутності та референтну групу, з якою вона пов’язана.
У Інтеграція додатків Ви можете знайти запит і відповідь на проаналізований текст.
Програмне використання цільових настроїв
Щоб розпочати роботу з синхронним API програмно, у вас є два варіанти:
- виявити цільовий настрій – Цей API забезпечує цільовий настрій для одного текстового документа
- batch-detect-targeted-sentiment – Цей API забезпечує цільовий настрій для списку документів
Ви можете взаємодіяти з API за допомогою Інтерфейс командного рядка AWS (AWS CLI) або через AWS SDK. Перш ніж розпочати, переконайтеся, що ви налаштували AWS CLI та маєте необхідні дозволи для взаємодії з Amazon Comprehend.
Синхронний API Targeted Sentiment вимагає передачі двох параметрів запиту:
- LanguageCode – Мова тексту
- Текст або TextList – текст UTF-8, який обробляється
Наступний код є прикладом для detect-targeted-sentiment
API:
Нижче наведено приклад для batch-detect-targeted-sentiment
API:
Тепер давайте розглянемо кілька прикладів команд AWS CLI.
Наступний код є прикладом для detect-targeted-sentiment
API:
Нижче наведено приклад для batch-detect-targeted-sentiment
API:
Нижче наведено приклад виклику Boto3 SDK API:
Нижче наведено приклад detect-targeted-sentiment
API:
Нижче наведено приклад batch-detect-targeted-sentiment
API:
Докладніше про синтаксис API див Посібник для розробників Amazon Comprehend.
Структура відповіді API
API Targeted Sentiment надає простий спосіб використання результатів ваших завдань. Він забезпечує логічне групування виявлених сутностей (груп сутностей), а також настрої для кожної сутності. Нижче наведено деякі визначення полів, які містяться у відповіді:
- Суб'єкти – Значні частини документа. Наприклад,
Person
,Place
,Date
,Food
абоTaste
. - Згадки – Посилання або згадки об’єкта в документі. Це можуть бути займенники або загальні іменники, такі як «воно», «він», «книга» тощо. Вони організовані в порядку розташування (зміщення) в документі.
- DescriptiveMentionIndex – Індекс в
Mentions
що дає найкраще зображення групи об’єктів. Наприклад, «ABC Hotel» замість «готель», «воно» або інші звичайні згадки. - GroupScore – Впевненість у тому, що всі сутності, згадані в групі, пов’язані з однією сутністю (наприклад, «я», «я» та «я», що стосується однієї особи).
- текст – Текст у документі, який зображує сутність.
- тип – Опис того, що зображує сутність.
- Рахунок – Зразкова впевненість у тому, що це відповідна сутність.
- MentionSentiment – Фактичний настрій, знайдений для згадки.
- Настрій – Позитивне, нейтральне, негативне або змішане значення рядка.
- SentimentScore – Зразкова впевненість для кожного можливого настрою.
- BeginOffset – Зміщення в тексті документа, де починається згадка.
- EndOffset – Зміщення в тексті документа, де закінчується згадка.
Для більш детальної розбивки див Витягуйте детальні настрої в тексті за допомогою Amazon Comprehend Targeted Sentiment or Організація вихідного файлу.
Висновок
Аналіз настроїв залишається вирішальним для організацій із безлічі причин — від відстеження настроїв клієнтів протягом певного часу для компаній, до висновку про те, подобається чи не подобається продукт, до розуміння думок користувачів соціальної мережі щодо певних тем і навіть прогнозування результатів кампанії. Цільовий настрій у режимі реального часу може бути ефективним для компаній, дозволяючи їм вийти за рамки загального аналізу настроїв і досліджувати інформацію, щоб покращити взаємодію з клієнтами за допомогою Amazon Comprehend.
Щоб дізнатися більше про Targeted Sentiment для Amazon Comprehend, див Цілеспрямовані настрої.
Про авторів
Радж Патхак є архітектором рішень та технічним радником для клієнтів із рейтингу Fortune 50 та середніх FSI (банківська справа, страхування, ринки капіталу) у Канаді та Сполучених Штатах. Радж спеціалізується на машинному навчанні з додатками для вилучення документів, трансформації контакт-центру та комп'ютерного зору.
Вік Талукдар є старшим архітектором команди Amazon Comprehend Service. Він працює з клієнтами AWS, щоб допомогти їм запровадити машинне навчання у великих масштабах. Поза роботою він захоплюється читанням і фотографією.
- AI
- ai мистецтво
- AI арт генератор
- ai робот
- «Амазонка»
- штучний інтелект
- сертифікація штучного інтелекту
- штучний інтелект у банківській справі
- робот зі штучним інтелектом
- роботи зі штучним інтелектом
- програмне забезпечення для штучного інтелекту
- AWS Машинне навчання
- blockchain
- блокчейн конференція AI
- coingenius
- розмовний штучний інтелект
- крипто конференція ai
- dall's
- глибоке навчання
- у вас є гугл
- середній (200)
- навчання за допомогою машини
- plato
- платон ai
- Інформація про дані Платона
- Гра Платон
- PlatoData
- platogaming
- масштаб ai
- синтаксис
- зефірнет