Sprogbehandling - Computere, der læser og fortolker

Sociale medier er blevet en integreret del af, hvordan mennesker interagerer og kommunikerer. Milliarder af beskeder transmitteres dagligt på tværs af flere platforme, hvad enten det er offentlige opslag eller direkte beskeder. Offentlige personer, organisationer og andre enheder har delt udsagn og meninger relateret til forskellige emner og dirigerer den offentlige diskurs blandt den brede befolkning. Givet den store mængde af kommentarer og beskeder rettet mod konti på sociale medier, er det muligt at opdage det overordnede sentiment.

Der er en mulighed for at måle det sentiment, der udtrykkes på makroniveau, via sociale medier. Denne artikel vil udforske kunstig intelligens og dens anvendelse på sociale medier og andre kilder til tekstbaseret information, der har undertoner af sentiment i sig, og hvordan det implementeres inden for din organisation.

Løsning af problemet via kunstig intelligens

Givet den enorme mængde information, der genereres og opbevares dagligt, indeholder nogle datapointer omfattende indsigter. Det ville være umuligt for en enkelt person eller endda milliarder af mennesker at læse det. Nuværende computerteknologi tillader os at opbevare, indeksere og hente enorme mængder information. Historisk set har der været flere vanskeligheder med at fortolke dataene og udlede nyttig information og indsigter.

Det ville være fordelagtigt at behandle enorme mængder information og lade computere scanne dataene og give indsigt. I de senere år er der opstået forskellige teknikker inden for tekstanalyse, hvoraf mange bruger kunstig intelligens/maskinlæring. Detektering af sentiment i tale kræver guldstandard-leksikoner, der giver konteksten af tekstinput.

En sådan tilgang til at bestemme sproglig sentiment i tekst er at fodre sådanne leksikoner ind i en overvåget læringsalgoritme; specifikt bruger VADER (Valence Aware Dictionary and sEntiment Reasoner) en sådan tilgang. Flere andre metoder er afhængige af mere traditionelle machine learning-teknikker, selvom fordelen ved VADER er, at den kan fungere i nær realtid.

Sentimentanalysesystemer producerer normalt følgende typiske output, når de fodres med tekstinput, som giver en kategorisk fortolkning af den underliggende tekst:

Positiv - Tekstindholdet har en positiv undertone og sentimentality
Neutral - Tekstindholdet har en negativ undertone og sentimentality
Negativ - Tekstindholdet har en negativ undertone og sentimentality

Det er vigtigt at bemærke, at folk har kurateret leksikonerne over mange år, hvilket understreger, at der kræves data af høj kvalitet, for at systemer til kunstig intelligens kan fungere godt og opnå de ønskede mål.

Overblik over den organisatoriske udfordring

Givet flere kommunikationsslutpunkter og størrelsen af, hvad organisationer opererer, er det svært at spore sentimentality på tværs af en organisation. Medarbejdere og kunder kan være spredt over forskellige regioner, områder eller afdelinger, hvor interessenter og kunder udtrykker en positiv sentimentality, mens andre repræsenterer en negativ sentimentality. Det er derfor vanskeligt at bestemme sentimentality på tværs af hele det spektrum, en organisation opererer inden for.

Det er afgørende at forstå de generelle organisatoriske opfattelser både internt og eksternt. Traditionelt har undersøgelser udført denne funktion, selvom disse kan være farvede baseret på de individer, der er motiverede for at udfylde dem. Brug af sociale medier og andre datakilder kan bidrage til at forstå organisatorisk sentiment. Som et eksempel kan nævnes en multinational og velkendt tøjmærke som Adidas, som er til stede i flere lande og driver forretning på forskellige sprog på tværs af mange forskellige kulturelle baggrunde. Forskellige niveauer af sentiment vil sandsynligvis blive observeret på tværs af forskellige regioner. Identifikation af negativt sentiment er en god måde at adressere dets årsager på, hvilket resulterer i flere salg og dermed bidrager til bundlinjen.

Organisatoriske Data Tilgængelige som AI-input

Følgende opregner potentielle datakilder, der kan anvendes som et middel til sentimentanalyse:

Platforme for sociale medier, herunder Facebook, Twitter, Instagram, TikTok
Kundestyringssystemer herunder Salesforce, Microsoft CRM
Organisatoriske e-mails og breve sendt mellem medarbejdere og kunder
Callcenter-systemer som Cisco og Google Voice er i stand til at levere transskriptioner af samtaler
Anmeldelsesaggregatorer som Google- og Facebook-anmeldelser, der rangerer opførte virksomheder mellem 1-5 stjerner

Nogle dataproblemer opstår, når man kombinerer information fra flere kilder. Et åbenlyst problem er, hvordan man præcist forbinder kunder på tværs af forskellige datasæt. I dette case study foreslår vi at behandle dem som uafhængige enheder for at opdage samlet sentiment på tværs af en hel organisation og ikke rettet mod et individuelt niveau. Givet længden af tekstinput skal datastrukturer vælges omhyggeligt, både i databaseskemaet og i de forskellige scripts, der bruges til at behandle selve dataene.

Integrationsmetodologi

Følgende er en overordnet oversigt over den proces, vi ville udføre på et overordnet niveau for at analysere tekstkilder inden for en organisation:

Identificer tekstuelle referencer og de systemer, der indfanger dem, og bestem hvilken tekst der er en passende kandidat til analyse
Udtræk tekstbaserede kilder via REST API'er og indfør dem hos en cloud-computing-udbyder til realtidsanalyse
Kør feeds gennem Telemus AI™ og returner augmenterede videofeeds tilbage til sikkerhedsovervågningssystemet
Opsæt tilpassede alarmer til sikkerhedspersonalet baseret på det, der opdages

Da Telemus AI™ tager sig af det meste af arbejdet, kan organisationen fokusere på forretningslogikken og fortolkningen af resultaterne frem for den tekniske implementering.

Organisatoriske Anvendelser

Følgende opregner andre potentielle applikationer til din organisation:

Scan online-slutpunkter for sociale medier på tværs af en organisation og bestem det samlede sentiment.
Overvåg kundenotater på CRM-systemer som Salesforce for at bestemme indholdet af notaterne.
Scanning af e-mails for at opnå et samlet aggregeret mål for sentimentet på tværs af en organisation.
Behandl automatisk transskriptioner af telefonsamtaler og identificer både positive og negative kundeoplevelser.
Scanning af den feedback, der er efterladt på websteder for anmeldelsesaggregatorer, samt ratingen.
Automatisk at opdage asocial adfærd udøvet via digitale medier og modvirke den, før den eskalerede, hvilket fører til en forbedret brugeroplevelse.

Da der er mange datakilder, som organisationer typisk har adgang til, anbefaler vi at overføre dem til en datasø, før de fodres til et kunstigt intelligens-system; dette vil hjælpe med at sikre gentagelighed og reviderbarhed.

Potentielle og realiserede fordele

En mere detaljeret forståelse af den generelle opfattelse af en organisation både internt og i udlandet giver betydelige fordele ved proaktivt at styre relationer. Fortolkning og handling på baggrund af feedback kan levere et bedre produkt eller en bedre service til aktionærer og kunder. I en stadig mere digital verden skal organisationer forstå, hvad deres digitale fodaftryk siger om dem. En yderligere forståelse af den demografiske sammensætning af, hvor sådan feedback kommer fra, kan også hjælpe med at forbedre oplevelser for alle.

Telemus AI™ er et australsk-baseret selskab for kunstig intelligens, der leverer avancerede løsninger til regering og erhvervsliv. Kontakt os i dag for en gratis konsultation om, hvordan Telemus AI™ kan indlejres i din organisation.

Sentimentanalyse af sociale medier