Språkbehandling - Datamaskiner som leser og tolker

Sosiale medier har blitt en integrert del av hvordan mennesker samhandler og kommuniserer. Milliarder av meldinger overføres daglig på tvers av flere plattformer, enten gjennom offentlige innlegg eller direkte meldinger. Offentlige personer, organisasjoner og andre enheter har delt uttalelser og meninger knyttet til ulike emner og direkte offentlig diskurs blant publikum. Gitt den enorme mengden kommentarer og meldinger rettet mot kontoer på sosiale medier, er det mulig å oppdage det generelle sentimentet.

Det finnes en mulighet til å måle sentiment uttrykt på et makronivå via sosiale medier. Denne artikkelen vil utforske kunstig intelligens og dens anvendelse på sosiale medier og andre kilder til tekstlig informasjon som har undertoner av sentiment i seg, og hvordan man implementerer det i sin organisasjon.

Løse problemet via kunstig intelligens

Gitt den enorme mengden informasjon som genereres og lagres daglig, inneholder noen datapunkter omfattende innsikter. Det ville være umulig for en enkelt person eller til og med milliarder av mennesker å lese det. Dagens databehandlingsteknologi gjør at vi kan lagre, indeksere og hente ut enorme mengder informasjon. Historisk sett har det vært større vanskeligheter med å tolke dataene og utlede nyttig informasjon og innsikter.

Det ville være fordelaktig å behandle enorme mengder informasjon og la datamaskiner skanne dataene og gi innsikt. I de siste årene har ulike teknikker innen tekstanalyse dukket opp, hvorav mange bruker kunstig intelligens/maskinlæring. Å oppdage sentiment i tale krever gullstandard-leksikoner som gir konteksten til tekstlig inndata.

En slik tilnærming for å bestemme tekstspråklig sentiment er å mate slike leksikoner inn i en algoritme for uovervåket læring; spesifikt bruker VADER (Valence Aware Dictionary and sEntiment Reasoner) en slik tilnærming. Flere andre metoder er avhengige av mer tradisjonelle maskinlæringsteknikker, selv om fordelen med VADER er at den kan operere i nær sanntid.

Systemer for sentimentanalyse produserer vanligvis følgende typiske utdata når de mates med tekstinndata som gir en kategorisk tolkning av den underliggende teksten:

Positiv - Tekstinnhold har en positiv undertone og sentimentitet
Nøytral – Tekstinnholdet har en negativ undertone og sentimentitet
Negativ – Tekstinnholdet har en negativ undertone og sentimentitet

Det er viktig å merke seg at folk har kuratert leksikonene over mange år, noe som understreker at data av høy kvalitet kreves for at systemer for kunstig intelligens skal fungere godt og oppnå de ønskede målene.

Oversikt over den organisatoriske utfordringen

Gitt flere kommunikasjonssluttpunkter og størrelsen på det organisasjonene opererer, er det vanskelig å spore sentimentet på tvers av en organisasjon. Ansatte og kunder kan være spredt over ulike regioner, områder eller avdelinger der interessenter og kunder uttrykker et positivt sentiment mens andre representerer et negativt sentiment. Det er dermed vanskelig å bestemme sentimentet på tvers av hele spekteret av en organisasjons operasjoner.

Det er avgjørende å forstå de generelle organisatoriske oppfatningene både internt og eksternt. Tradisjonelt har spørreundersøkelser utført denne funksjonen, selv om disse kan være skjeve basert på individene som er motivert for å fylle dem ut. Bruk av sosiale medier og andre datakilder kan bidra til å forstå organisatorisk sentiment. Som et eksempel kan nevnes et multinasjonalt og velkjent klesmerke som Adidas, med tilstedeværelse i flere land som driver virksomhet på forskjellige språk over mange ulike kulturelle bakgrunner. Ulike nivåer av sentiment vil sannsynligvis observeres på tvers av ulike regioner. Å identifisere negativt sentiment er en god måte å adressere årsakene til det på, noe som resulterer i flere salg og dermed bidrar til bunnlinjen.

Organisatoriske data tilgjengelig som AI-inndata

Følgende viser potensielle datakilder som kan brukes som et middel for sentimentanalyse:

Plattformer for sosiale medier inkludert Facebook, Twitter, Instagram, TikTok
Kundrelasjonsstyringssystemer inkludert Salesforce, Microsoft CRM
Organisatoriske e-poster og brev sendt mellom ansatte og kunder
Kundesenter-systemer som Cisco og Google Voice er i stand til å levere transkripsjoner av samtaler
Anmeldelsesaggregatorer som Google- og Facebook-anmeldelser som rangerer oppførte bedrifter mellom 1-5 stjerner

Noen dataproblemer oppstår når man kombinerer informasjon fra flere kilder. Et åpenbart problem er hvordan man nøyaktig kan koble kunder på tvers av ulike datasett. I denne casestudien foreslår vi å behandle dem som uavhengige enheter for å oppdage samlet sentiment på tvers av en hel organisasjon og ikke rettet mot et individuelt nivå. Gitt lengden på tekstinndata, må datastrukturer velges nøye, både i databaseskjemaet og i de ulike skriptene som brukes til å behandle selve dataene.

Integrasjonsmetodikk

Følgende er en oversikt over prosessen vi ville utført på et overordnet nivå for å analysere tekstlige kilder innen en organisasjon:

Identifiser tekstlige referanser og systemene som fanger dem, og avgjør hvilken tekst som er en passende kandidat for analyse
Trekk ut tekstkilder via REST-API-er og send dem til en skyløsningsleverandør for sanntidsanalyse
Kjør datastrømmene gjennom Telemus AI™ og returner forsterkede videostrømmer tilbake til sikkerhetsovervåkingssystemet
Sett opp tilpassede varsler til sikkerhetspersonellet basert på hva som oppdages

Siden Telemus AI™ tar seg av det meste av arbeidet, kan organisasjonen fokusere på forretningslogikken og tolkningen av resultatene fremfor den tekniske implementeringen.

Organisatoriske applikasjoner

Følgende viser andre potensielle applikasjoner for din organisasjon:

Skan sosiale medier-endepunkter på nettet på tvers av en organisasjon og bestem den generelle sentimentet.
Overvåke kundenotater på CRM-systemer som Salesforce for å bestemme innholdet i notatene.
Skanne e-poster for å oppnå et samlet aggregert mål på sentimentet på tvers av en organisasjon.
Automatisk behandle transkripsjoner av telefonsamtaler og identifisere både positive og negative kundeopplevelser.
Skanne tilbakemeldingene som er igjen på nettsteder for anmeldelsesaggregatorer samt vurderingen.
Automatisk oppdage antisosial oppførsel utøvd via digitale medier og motvirke den før den eskalerte, noe som førte til forbedret brukeropplevelse.

Siden det er mange datakilder organisasjoner typisk har tilgang til, anbefaler vi å sende dem inn i en datasjø før de mates inn i et system for kunstig intelligens; dette vil bidra til å sikre repeterbarhet og reviderbarhet.

Potensielle og realiserte fordeler

En mer detaljert forståelse av den generelle oppfatningen av en organisasjon, både internt og eksternt, gir betydelige fordeler når det gjelder proaktiv relasjonsstyring. Å tolke og handle på tilbakemeldinger kan gi et bedre produkt eller en bedre tjeneste til aksjonærer og kunder. I en stadig mer digital verden må organisasjoner forstå hva deres digitale fotavtrykk sier om dem. En ytterligere forståelse av den demografiske sammensetningen der slike tilbakemeldinger kommer fra, kan også bidra til å forbedre opplevelser for alle.

Telemus AI™ er et Australia-basert selskap for kunstig intelligens som tilbyr avanserte løsninger til regjering og næringsliv. Kontakt oss i dag for en gratis konsultasjon om hvordan Telemus AI™ kan integreres i din organisasjon.

Sentimentanalyse for sosiale medier