Table des matières
Analyse des sentiments - et pourquoi les ordinateurs ne peuvent pas le faire seuls
Tout le monde a une opinion. Mais les machines ne sont pas capables d'avoir les mêmes avis. Comment les machines peuvent-elles apprendre à interpréter les opinions des gens ? Pourquoi est-ce important? Telles sont les questions que nous aborderons dans le blog d'aujourd'hui sur l'analyse des sentiments (un sous-ensemble de traitement du langage naturel (PNL).
Qu'est-ce que l'analyse des sentiments et pourquoi est-ce important pour vous ?
L'analyse des sentiments (également connue sous le nom d'exploration d'opinions) est une méthode d'extraction d'informations subjectives à partir d'audio et de texte. Cela inclut les avis en ligne, les demandes d'assistance client et les avis en ligne. L'analyse des sentiments, dans sa forme la plus basique, détermine si l'information subjective est positive, neutre ou négative. Cependant, apprentissage automatique a permis aux marques d'utiliser l'analyse des sentiments dans des cas plus difficiles tels que l'identification des émotions et la compréhension des usages linguistiques moins courants, ou la surveillance du comportement en ligne.
Amazon et d'autres détaillants en ligne utilisent des moteurs de recommandation sophistiqués qui utilisent l'analyse des sentiments pour prédire les préférences des consommateurs. Ces systèmes sophistiqués utilisent plus que des évaluations de produits pour déterminer la popularité d'un produit et pourquoi.
Les marques peuvent également utiliser l'analyse des émotions pour hiérarchiser les tickets d'assistance client et déterminer les canaux de communication les plus efficaces. Ces informations peuvent être utilisées pour planifier des améliorations du produit. Ces informations peuvent vous aider à créer de meilleures expériences client et de nouvelles opportunités, ce qui à son tour améliorera votre rentabilité.
En raison de l'abondance d'informations disponibles sur les réseaux sociaux, les gouvernements ont commencé à utiliser l'analyse des sentiments pour accroître la transparence, encourager l'engagement des citoyens et comprendre comment les gens réagissent au COVID-19. Une vision du sentiment aide les gouvernements et les décideurs à identifier les problèmes sociétaux et épidémiologiques communs avant qu'ils ne deviennent incontrôlables.
Quel est le processus d'analyse des sentiments ?
Le traitement du langage naturel est la méthode moderne d'analyse des sentiments. Cela crée une interface entre l'informatique et le langage humain. Cette interface permet aux machines de comprendre du texte et d'écouter de l'audio. Cela permet également aux machines de fournir des informations numériques au-delà des simples évaluations.
La PNL nous permet de voir le vrai sens derrière le contenu écrit et parlé. C'est une nouvelle façon de faire l'analyse des sentiments. Les machines peuvent désormais apprendre à partir des données et détecter les formulations positives, neutres et négatives. Cela permet aux marques de créer des profils émotionnels complets. Les systèmes peuvent également identifier et traiter les sentiments au niveau de la phrase. Ceci est possible avec une approche plus précise.
Mais il ya un hic. Ce modèle nécessite beaucoup de données de formation annotées contextuellement.
Pourquoi l'analyse des sentiments est-elle si difficile ?
L'intelligence artificielle est un domaine d'analyse difficile, et l'analyse des sentiments en est l'une des raisons. Même les humains ont du mal à comprendre les sentiments avec précision, en particulier avec des mots vagues, de l'argot et des figures de style.
La subjectivité est un autre problème. Un autre défi est la subjectivité. Il peut également être utilisé pour faire des remarques sarcastiques. Considérez les adjectifs qui décrivent la taille et la couleur. On pourrait dire que la couleur d'un produit est rouge parce qu'ils l'aiment, ou pour prouver un point. La machine doit comprendre le contexte et l'intention de faire la différence.
Parce que les gens font des déclarations implicites, le contexte est important. Une machine ne peut pas apprendre le contexte s'il n'est pas explicitement indiqué. Répondez aux questions « Qu'avez-vous aimé dans notre produit ? » ou "Qu'est-ce que tu n'as pas aimé?". Selon la question, des réponses telles que « rien » ou « tout », chacune changera la polarité du sentiment.
L'analyse des sentiments peut également être difficile car les machines n'ont pas un grand sens de l'humour. Cependant, si la machine est incapable de détecter quand quelqu'un utilise l'ironie ou le sarcasme, cela peut produire des interprétations erronées embarrassantes.
Ce ne sont pas les seuls défis dans le développement de modèles d'analyse des sentiments. Il est important de reconnaître et de comprendre le sens des phrases comparatives et d'établir une base de neutralité.
Ces défis soulignent l'importance de tenir les humains informés (HITL) lors du développement de modèles d'analyse des sentiments. Seuls les humains peuvent éprouver des sentiments et donc eux seuls peuvent créer un modèle viable.
Comment aborder la formation à l'analyse des sentiments de la manière la plus efficace ?
Une grande quantité de données étiquetées est nécessaire pour créer un algorithme d'analyse des sentiments. Les développeurs de modèles d'analyse des sentiments doivent tenir compte du contexte et de l'assurance qualité lors de la sélection d'une équipe de préparation des données. Cette étude montre que les annotateurs qui sont payés à l'heure sont plus susceptibles que ceux qui sont payés à la tâche d'étiqueter et de préparer correctement les données. Les travailleurs externalisés et les travailleurs à la demande, d'autre part, sont plus susceptibles de mal interpréter le sentiment ou de choisir par défaut l'option « autre » pour terminer la tâche.
Le meilleur des deux mondes : des effectifs gérés. Une main-d'œuvre gérée vous donne l'avantage d'avoir une équipe contrôlée et sous votre supervision directe. Cela permet un meilleur contrôle de la qualité et un meilleur alignement avec les objectifs du projet. Une main-d'œuvre gérée, qui est un modèle externalisé, offre un niveau de flexibilité et d'évolutivité qui rivalise avec ceux offerts par le crowdsourcing ou l'équipe avec des travailleurs à la demande.
Tout se résume à choisir la bonne main-d'œuvre. Celui qui se soucie de vos données et reçoit une formation continue. L'étiquetage des données peut être aussi scientifique qu'artistique. Envisagez de collaborer avec des personnes qui connaissent à la fois les aspects techniques et humains de l'étiquetage des données. C'est crucial pour vos modèles et vos prédictions.
