pentru

De fiecare dată când facem fotografii cu smartphone-ul nostru, facem căutări pe internet, postăm pe social media sau folosim GPS-ul telefonului mobil, ne lăsăm amprentele pe lume. Generăm cantități masive de date în fiecare minut, iar cifrele vor crește doar în următorii câțiva ani - bine ați venit în epoca datelor pe scară largă și a hiperinformării.

Pentru companii, acest scenariu reprezintă o provocare deranjantă: cum procesați tone de informații nestructurate rapid și eficient?

În ultimii ani, Machine Learning a devenit obiectivul strategic al inovației digitale în afaceri și transformă modul în care acestea funcționează, automatizând procesele și permițând informații în timp real. Să începem de la început:

Ce este învățarea automată?

Învățarea automată este o subdisciplină a domeniului inteligenței artificiale (AI) capabilă să creeze algoritmi care să permită calculatoarelor învățați să efectuați sarcini din date, în loc să fie programat explicit. Aceste „modele” sunt capabile să identifice tiparele din datele de instruire (exemple) și sunt capabile să prognozeze evenimente viitoare cu un anumit nivel de încredere și să ia decizii fără intervenția umană. Acest lucru este deosebit de valoros pentru prelucrarea bazelor de date mari și automatizarea proceselor.

Pentru Spotify, utilizarea Machine Learning este o piesă centrală în strategia lor: le permite să ofere utilizatorilor experiențe muzicale personalizate și să recomande melodii noi pe baza gusturilor și intereselor lor.

Google, la rândul său, îl folosește pentru a bloca mesajele SPAM din căsuțele primite ale utilizatorilor din Gmail. Datorită unui algoritm instruit cu Machine Learning, acesta analizează milioane de mesaje și este capabil să detecteze modele de e-mail potențial nedorite.

La rândul său, această tehnologie are legături strânse cu un alt domeniu de studiu derivat din IA: procesarea limbajului natural (NLP). NLP caută computerele să fie capabile înțelege limbajul uman: nu numai în ceea ce privește ceea ce spune un text sau un vorbitor, ci - mai ales - a ceea ce înseamnă: intenția, sentimentul, tema. Pentru a analiza aceste mesaje scrise sau orale, NLP integrează noțiuni de învățare automată, lingvistică și informatică.

Combinația dintre NLP și Machine Learning permite construiți modele capabile să învețe să interpreteze limbajul uman. Unul dintre cele mai interesante domenii legate de acest lucru este analiza textului: analizează automat textul.

Cum se folosește Machine Learning pentru a analiza textul?

În general, analiza automată a textului utilizează două tehnici specifice: clasificare și extracție.

Modelele de clasificare a textului funcționează prin atribuirea unor categorii de date în funcție de conținutul acestora. Aceasta permite sarcini precum Analiza Sentimentului (detectarea sentimentului unui text), Analiza Subiectului (identificarea subiectului sau temei acestuia), Detectarea limbii (detectarea limbii în care este scris) și Detectarea intenției (identificarea intenției exprimate de autorul textul). text). De exemplu, am putea folosi un clasificator de text pentru a analiza conținutul a mii de tweets despre o marcă și a clasifica sentimentul fiecărui mesaj ca „pozitiv”, „negativ” sau „neutru”.

Modelele de extragere a textului, pe de altă parte, se bazează pe identificarea și obținerea anumitor informații prezente într-un text. Este utilizat în sarcini precum Extragerea cuvintelor cheie (identificarea celor mai relevante cuvinte cheie dintr-un text), Recunoașterea entității (identificarea numelui persoanelor sau a companiilor) și Extragerea sumară (realizarea unui rezumat al unui text). Dacă obiectivul nostru ar fi să extragem numele companiilor, specificațiile produsului sau alte date care sunt prezente într-un text, ar trebui să folosim modele de extracție.

Ce aplicații are în industrie?

La MonkeyLearn *, avem clienți din diverse domenii și industrii care folosesc Machine Learning pentru a automatiza procesele, economisi ore de muncă manuală, obține informații valoroase din analiza datelor și le utilizează pentru a lua decizii de afaceri mai bune.

Până în prezent, domeniile în care am lucrat cel mai mult sunt asistența pentru clienți și feedback-ul clienților.

Relații Clienți

Datorită Machine Learning și NLP, echipele de asistență pentru clienți își pot automatiza unele dintre procesele zilnice și pot obține informații valoroase din analiza conversațiilor cu clienții lor.

Prin utilizarea modelelor care permit identificarea subiectelor sau temelor, clasificarea acestora în funcție de sentimentul sau intenția clientului, detectarea în ce limbă se găsesc și - ceva foarte important în acest domeniu - determinarea nivelului de urgență al unui mesaj, a unui asistența pentru clienți poate:

  • Etichetați automat biletele de asistență cu întrebări sau reclamații (lucru care se face manual),
  • Derivați automat bilete către cele mai potrivite echipe pentru a le rezolva (de exemplu, dacă sosește o anchetă tehnică, echipa tehnică este trimisă automat),
  • Detectați urgența unui bilet și acordați prioritate în timp util (de exemplu, dacă un client al unui site de comerț electronic se plânge că produsul a fost livrat defect).

Feedbackul clienților

MonkeyLearn este, de asemenea, foarte util pentru procesarea tuturor tipurilor de feedback ale clienților, fie că este vorba de răspunsuri la sondaje de satisfacție, recenzii de produse și comentarii pe rețelele de socializare, printre altele.

Într-un mod simplu și rapid, platforma noastră permite crearea de modele de învățare automată pentru a înțelege și structura automat acest feedback și astfel a putea obține informații valoroase pentru luarea deciziilor. Acest lucru evită sarcina de a citi manual fiecare text, economisind astfel timp și resurse pentru companii.

Sondajele NPS (Net Promoter Score), de exemplu, sunt unul dintre cei mai populari indicatori ai feedback-ului clienților. Acestea permit măsurarea loialității utilizatorilor față de un produs sau serviciu și clasificarea acestora ca promotori sau detractori. În plus față de o evaluare numerică, aceste sondaje includ o întrebare de continuare, în stilul „de ce ne-ați dat acest scor?”. Aceste răspunsuri deschise sunt adesea mai dificil de procesat și pot avea inconsecvențe.

Să ne imaginăm că un utilizator atribuie un scor de 6 unei companii și apoi comentează: „Produsul este minunat, îmi place UX-ul său și este foarte ușor de utilizat. Rău este prețul său: este prea scump ”. Prelucrarea acestui comentariu necesită atribuirea acestuia de categorii sau etichete, de exemplu, după cum urmează:

  • „Produsul este minunat, îmi place UX-ul său și este foarte ușor de utilizat”:
    • Aspecte: UX, Ușurința de utilizare
    • Senzație: pozitiv.
  • „Rău este prețul său: este prea scump”:
    • Aspecte: Preț.
    • Senzație: Negativ.

Acum imaginați-vă că prelucrați 5000 de astfel de răspunsuri manual. este costisitor, consumator de timp și obositor pentru companii.

Utilizarea învățării automate pentru a analiza răspunsurile deschise vă permite să adăugați o nouă dimensiune datelor dvs. Nu numai că face posibilă interpretarea automată a sentimentului utilizatorilor (analiza sentimentului), ci și despre ce aspecte sau subiecte vorbesc (detectarea subiectelor) și ce termeni specifici apar frecvent în raport cu acele subiecte (extragerea cuvintelor cheie). Cu rezultatele acestor analize, se obțin informații care îmbunătățesc dramatic luarea deciziilor și permit companiilor să se concentreze pe îmbunătățirea experienței în punctele cheie pentru clienți

Cum se aplică în companii?

La MonkeyLearn oferim diferite opțiuni de model cu Machine Learning. Alegerea celui mai convenabil va depinde de nevoile specifice ale fiecărei companii sau zone.

Pentru cei care doresc să înceapă imediat, avem modele pre-instruite pentru a analiza automat textele în limba engleză. De exemplu, acest model pre-instruit de analiză a sentimentelor obține rezultate apropiate de stadiul tehnicii.

Pe de altă parte, considerăm că fiecare problemă este unică și că, de multe ori, pentru a obține o precizie mai mare în predicții este necesar să construim un model personalizat de învățare automată. Pentru aceasta, am dezvoltat o interfață grafică în cadrul MonkeyLearn care permite utilizatorilor fără programe sau cunoștințe Machine Learning să creeze cu ușurință un model de clasificare sau extragere, importându-și datele, creând propriile etichete și folosind criteriile lor personale pentru a antrena algoritmul. În prezent, modelele pot fi instruite pentru a analiza texte în mai mult de 20 de limbi, inclusiv spaniolă, engleză, portugheză, germană, italiană, franceză, chineză, japoneză, printre altele.

În general, clienții noștri încep prin utilizarea unui model pre-instruit și apoi progresează spre instruirea modelelor personalizate pentru o mai mare precizie și granularitate.

Sfaturi pentru primii pași

Recomandarea de bază pentru cei care încep cu Machine Learning este progresează treptat. Începeți prin a instrui doar unul sau două modele pentru sarcini specifice, observați ce valoare adaugă companiei și abia apoi gândiți-vă la noi modele pentru a simplifica alte procese.

Este ușor să fii tentat să vrei să automatizezi multe procese în același timp. Dar acest lucru este doar copleșitor și frustrant, pierzând timp și valoare pentru o afacere. Deși învățarea automată este mai la îndemână decât oricând, este necesar să se ia în considerare faptul că are o curbă de învățare și că de obicei necesită modificări în anumite procese interne ale companiilor înainte ca acestea să fie gata să înceapă.

Al doilea sfat al nostru când formăm un prim model cu Machine Learning este accent pe calitatea datelor. Este adevărat că cu cât sunt mai multe exemple folosite pentru instruirea unui model, cu atât predicțiile sale vor fi mai exacte. Dar, în cele din urmă, calitatea datelor are o pondere mai mare.

Este de preferat să folosiți 1000 de exemple de instruire, dar asigurați-vă că sunt bine etichetate și că sunt reprezentative pentru situațiile pe care doriți să le predați modelului, decât să utilizați de trei ori mai multe exemple, dar cu erori de etichetare (eticheta care a fost atribuită la exemplu) sau care nu sunt foarte relevante pentru problema de modelat.

Folosirea învățării automate pentru a analiza textele deschide automat porțile către nenumărate oportunități de îmbunătățire și avantaje competitive pentru companii. Adevărata valoare a datelor nu constă doar în a le avea, ci în a le face să vorbească și a le putea folosi ca ghid pentru a lua decizii mai bune: anticipați o criză, îmbunătățiți un produs, distingeți-vă de concurență.

Noțiuni de bază cu învățarea automată pot fi foarte simple. Dacă sunteți curioși și doriți să explorați posibilitățile pe care le poate oferi pentru proiectul sau afacerea dvs., vă invităm să vă înregistrați la MonkeyLearn și să încercați platforma.

* MonkeyLearn este o platformă născută în Uruguay care oferă soluții companiilor pentru a efectua analize automate de texte cu Machine Learning.