Obrada jezika - Računari koji čitaju i tumače

Društveni mediji su postali sastavni dio načina na koji ljudi komuniciraju. Milijarde poruka se svakodnevno prenose na više platformi, bilo da se objavljuju javno ili šalju direktno. Javne ličnosti, organizacije i drugi subjekti su podijelili izjave i mišljenja vezana za različite teme i usmjerili javni diskurs među širokom javnošću. S obzirom na ogromnu količinu komentara i poruka upućenih nalozima na društvenim mrežama, moguće je otkriti ukupni sentiment.

Postoji prilika da se izmjeri sentiment izražen na makro nivou putem društvenih medija. Ovaj članak će istražiti vještačku inteligenciju i njenu primjenu na društvene medije i druge izvore tekstualnih informacija koje imaju podtone sentimentalnosti u sebi i kako je implementirati unutar vaše organizacije.

Rješavanje problema putem vještačke inteligencije

S obzirom na ogromnu količinu informacija koje se generišu i pohranjuju dnevno, neke tačke podataka sadrže opsežne uvide. Bilo bi nemoguće za jednu osobu ili čak milijarde ljudi da to pročitaju. Aktuelna računarska tehnologija nam omogućava da pohranjujemo, indeksiramo i preuzimamo ogromne količine informacija. Istorijski gledano, bilo je više poteškoća u tumačenju podataka i izvođenju korisnih informacija i uvida.

Bilo bi prednost obraditi ogromne količine informacija i omogućiti računarima da skeniraju podatke i pruže uvide. Posljednjih godina pojavile su se različite tehnike u oblasti analitike teksta, od kojih mnoge koriste vještačku inteligenciju/mašinsko učenje. Otkrivanje sentimenta u govoru zahtijeva leksikone zlatnog standarda koji pružaju kontekst tekstualnog unosa.

Jedan od takvih pristupa za određivanje sentimenta tekstualnog jezika je unos takvih leksika u algoritam nadgledanog učenja; konkretno, VADER (Valence Aware Dictionary and sEntiment Reasoner) koristi takav pristup. Više drugih metoda se oslanja na tradicionalnije tehnike mašinskog učenja, iako je prednost VADER-a što može raditi u skoro realnom vremenu.

Sistemi za analizu sentimenta obično daju sljedeće tipične izlaze kada se unese tekstualni unos, koji daju kategoričku interpretaciju osnovnog teksta:

Pozitivno - Tekstualni sadržaj ima pozitivan prizvuk i sentimentalnost
Neutralno - Tekstualni sadržaj ima negativan ton i sentiment
Negativno - Tekstualni sadržaj ima negativan ton i sentiment

Važno je napomenuti da su ljudi kurirali leksikone tokom mnogih godina, naglašavajući da su visokokvalitetni podaci potrebni da bi sistemi vještačke inteligencije dobro funkcionisali i postigli željene ciljeve.

Pregled organizacionog izazova

S obzirom na više krajnjih tačaka komunikacije i veličinu onoga što organizacije posjeduju, teško je pratiti sentiment širom organizacije. Zaposleni i kupci mogu biti raspoređeni u različitim regionima, područjima ili odjelima gdje dionici i kupci iskazuju pozitivan sentiment dok drugi predstavljaju negativan sentiment. Dakle, određivanje sentimenta cijelim spektrom djelovanja organizacije je teško.

Od suštinskog je značaja razumjeti opšta organizaciona percepcije i interno i eksterno. Tradicionalno, ankete su obavljale ovu funkciju, iako one mogu biti pristrasne na osnovu pojedinaca motivisanih da ih popune. Korištenje društvenih medija i drugih izvora podataka može doprinijeti razumijevanju organizacione sentimentalanosti. Kao primjer, multinacionalni i dobro prepoznatljiv brend odjeće kao što je Adidas, sa prisutnošću u više zemalja koji posluje na različitim jezicima u mnogim različitim kulturnim sredinama. Različiti nivoi sentimentalanosti će vjerovatno biti uočeni u različitim regionima. Identifikacija negativnog sentimenta je dobar način za rješavanje njegovih uzroka, što rezultira većom prodajom i tako doprinosi konačnom rezultatu.

Organizacioni podaci dostupni kao AI ulaz

Slijede spiskovi potencijalnih izvora podataka koji se mogu koristiti kao sredstvo analize sentimenta:

Platforme društvenih medija uključujući Facebook, Twitter, Instagram, TikTok
Sistemi za upravljanje odnosima s kupcima uključujući Salesforce, Microsoft CRM
Organizacioni emailovi i pisma poslana između zaposlenih i kupaca
Sistemi pozivnih centara kao što su Cisco i Google Voice sposobni su pružiti transkripte razgovora
Agregatori recenzija kao što su Google i Facebook recenzije koji rangiraju navedene biznise između 1-5 zvjezdica

Neki problemi s podacima pojavljuju se prilikom kombinovanja informacija iz više izvora. Očigledan problem je kako tačno povezati klijente u različitim skupovima podataka. U ovoj studiji slučaja predlažemo da ih tretiramo kao nezavisne entitete kako bismo otkrili ukupni sentiment cijele organizacije, a ne na nivou pojedinca. S obzirom na dužinu tekstualnog unosa, strukture podataka moraju se pažljivo odabrati, i u šemi baze podataka i unutar različitih skripti koje se koriste za obradu samih podataka.

Metodologija integracije

Slijedi pregled procesa koji bismo izveli na visokom nivou za analizu tekstualnih izvora unutar organizacije:

Identifikujte tekstualne reference i sisteme koji ih hvataju, odredite koji je tekst prikladan kandidat za analizu
Izdvajanje tekstualnih izvora putem REST API-ja i proslijeđivanje provajderu cloud računarstva za analizu u realnom vremenu
Provucite feedove kroz Telemus AI™ i vratite augmentirane video feedove nazad u sistem za sigurnosno praćenje
Postavite prilagođena obavještenja za sigurnosno osoblje na osnovu onoga što je otkriveno

S obzirom na to da Telemus AI™ obavlja većinu posla, organizacija se može fokusirati na poslovnu logiku i tumačenje rezultata, a ne na tehničku implementaciju.

Organizacione aplikacije

Slijede druge potencijalne aplikacije za vašu organizaciju:

Skenirajte online endpointe društvenih mreža širom organizacije i odredite ukupno raspoloženje.
Nadgledajte napomene o klijentima na CRM sistemima kao što je Salesforce kako biste odredili sadržaj napomena.
Skeniranje e-mailova kako bi se dobio ukupni agregatni metrik raspoloženja širom organizacije.
Automatski obradite transkripte telefonskih razgovora i identifikujte i pozitivna i negativna iskustva kupaca.
Skeniranje povratnih informacija ostavljenih na web lokacijama agregatora recenzija, kao i ocjene.
Automatsko otkrivanje antisocijalnog ponašanja putem digitalnih medija i suzbijanje istog prije eskalacije, što dovodi do poboljšanog korisničkog iskustva.

S obzirom da organizacije obično imaju pristup mnogim izvorima podataka, preporučujemo da ih proslijedite u data jezero prije nego što ih unesete u sistem vještačke inteligencije; to će pomoći u osiguravanju ponovljivosti i mogućnosti provjere.

Potencijalne i ostvarene prednosti

Detaljnije razumijevanje općih percepcija organizacije i unutar zemlje i u inostranstvu pruža značajne prednosti u proaktivnom upravljanju odnosima. Tumačenje i djelovanje na povratne informacije može pružiti bolji proizvod ili uslugu dioničarima i kupcima. U sve digitalnijem svijetu, organizacije moraju razumjeti šta njihov digitalni otisak govori o njima. Dalje razumijevanje demografskog sastava mjesta odakle takve povratne informacije stižu također može pomoći u poboljšanju iskustava za sve.

Telemus AI™ je australska kompanija za umjetnu inteligenciju koja pruža napredna rješenja za vladu i preduzeća. Kontaktirajte nas danas za besplatne konsultacije o tome kako se Telemus AI™ može ugraditi u vašu organizaciju.

Oznake