Taalverwerking - Computers die Lezen en Interpreteren

Sociale media zijn een integraal onderdeel geworden van hoe mensen met elkaar omgaan en communiceren. Dagelijks worden miljarden berichten verzonden via meerdere platforms, zowel openbaar postend als direct berichtend. Publieke figuren, organisaties en andere entiteiten hebben verklaringen en meningen gedeeld met betrekking tot diverse onderwerpen en direct publiek discours onder het grote publiek. Gezien de enorme hoeveelheid opmerkingen en berichten die naar socialemedia-accounts worden gestuurd, is het mogelijk om het algemene sentiment te detecteren.

Er is een mogelijkheid om de sentimenten die op macroniveau via sociale media worden geuit, te meten. Dit artikel zal kunstmatige intelligentie en de toepassing ervan op sociale media en andere bronnen van tekstuele informatie die ondertonen van sentimentaliteit bevatten verkennen, en hoe dit binnen uw organisatie te implementeren.

Het probleem oplossen via kunstmatige intelligentie

Gezien de enorme hoeveelheid informatie die dagelijks wordt gegenereerd en opgeslagen, bevatten sommige datapunten uitgebreide inzichten. Het zou onmogelijk zijn voor één persoon of zelfs miljarden mensen om dit te lezen. Met de huidige computertechnologie kunnen we enorme hoeveelheden informatie opslaan, indexeren en ophalen. Historisch gezien waren er meer moeilijkheden bij het interpreteren van de gegevens en het afleiden van nuttige informatie en inzichten.

Het zou voordelig zijn om enorme hoeveelheden informatie te verwerken en computers de gegevens te laten scannen en inzichten te laten leveren. In de afgelopen jaren zijn er verschillende technieken op het gebied van tekstanalyse naar voren gekomen, waarvan er veel gebruikmaken van kunstmatige intelligentie/machine learning. Het detecteren van sentiment in spraak vereist gouden-standaard lexicons die de context van tekstuele invoer bieden.

Een dergelijke benadering om de sentimenttaal van tekst te bepalen is het invoeren van dergelijke lexicons in een unsupervised learning-algoritme; specifiek gebruikt VADER (Valence Aware Dictionary and sEntiment Reasoner) een dergelijke benadering. Meerdere andere methoden vertrouwen op meer traditionele machine learning-technieken, hoewel het voordeel van VADER is dat het in bijna real-time kan werken.

Sentimentanalysesystemen produceren doorgaans de volgende typische outputs wanneer ze tekstuele inputs krijgen die een categorische interpretatie van de onderliggende tekst geven:

Positief - Tekstuele inhoud heeft een positieve ondertoon en sentimentaliteit
Neutraal - Tekstuele inhoud heeft een negatieve ondertoon en sentimentaliteit
Negatief - Tekstuele inhoud heeft een negatieve ondertoon en sentimentaliteit

Het is belangrijk om te weten dat mensen de lexicons over vele jaren hebben samengesteld, wat benadrukt dat hoogwaardige gegevens nodig zijn opdat kunstmatige intelligentiesystemen goed presteren en de gewenste doelstellingen bereiken.

Overzicht van de Organisatorische Uitdaging

Gezien meerdere communicatie-eindpunten en de omvang van wat organisaties beheren, is het moeilijk om de sentimentaliteit binnen een organisatie te volgen. Werknemers en klanten kunnen verspreid zijn over verschillende regio's, gebieden of afdelingen waar belanghebbenden en klanten een positieve sentimentaliteit uiten, terwijl anderen een negatieve sentimentaliteit vertegenwoordigen. Het is dus moeilijk om sentimentaliteit te bepalen over het gehele spectrum waarop een organisatie opereert.

Het is essentieel om de algemene organisatorische percepties, zowel intern als extern, te begrijpen. Traditioneel hebben enquêtes deze functie vervuld, hoewel deze bevooroordeeld kunnen zijn op basis van de personen die gemotiveerd zijn om ze in te vullen. Het gebruik van sociale media en andere gegevensbronnen kan bijdragen aan het begrijpen van het organisatorische sentiment. Als voorbeeld: een multinationaal en goed herkenbaar kledingmerk zoals Adidas, met een aanwezigheid in meerdere landen, zaken doet in verschillende talen en in veel verschillende culturele contexten. Verschillende niveaus van sentiment zullen waarschijnlijk worden waargenomen in verschillende regio's. Het identificeren van negatief sentiment is een goede manier om de oorzaken ervan aan te pakken, wat leidt tot meer verkopen en dus bijdraagt aan de winst.

Organisatorische Gegevens Beschikbaar als AI-invoer

Hieronder volgt een lijst van potentiële databronnen die kunnen worden gebruikt als middel voor sentimentanalyse:

Socialemediaplatforms waaronder Facebook, Twitter, Instagram, TikTok
Klantrelatiebeheersystemen waaronder Salesforce, Microsoft CRM
Organisatorische e-mails en brieven verzonden tussen werknemers en klanten
Callcenter-systemen zoals Cisco en Google Voice zijn in staat om transcripties van gesprekken te leveren
Beoordelingsaggregators zoals Google- en Facebook-reviews die vermelde bedrijven rangschikken tussen 1-5 sterren

Sommige gegevensproblemen doen zich voor bij het combineren van informatie uit meerdere bronnen. Een voor de hand liggend probleem is hoe klanten accuraat over verschillende datasets kunnen worden gekoppeld. In deze casestudy stellen we voor om ze als onafhankelijke entiteiten te behandelen om het totale sentiment over een hele organisatie te ontdekken en niet gericht op individueel niveau. Gezien de lengte van de tekstuele input moeten gegevensstructuren zorgvuldig worden geselecteerd, zowel in het databaseschema als binnen de verschillende scripts die worden gebruikt om de gegevens zelf te verwerken.

Integratiemethodologie

Hieronder volgt een overzicht op hoog niveau van het proces dat wij zouden uitvoeren om tekstuele bronnen binnen een organisatie te analyseren:

Identificeer tekstuele verwijzingen en de systemen die deze vastleggen, en bepaal welke tekst een geschikte kandidaat is voor analyse
Tekstbronnen extraheren via REST API's en deze doorgeven aan een cloud-computingprovider voor realtime analyse
Voer de feeds door Telemus AI™ en retourneer verrijkte videofeeds terug naar het beveiligingsmonitoringsysteem
Stel aangepaste meldingen in voor het beveiligingspersoneel op basis van wat wordt gedetecteerd

Aangezien Telemus AI™ het meeste werk verzorgt, kan de organisatie zich richten op de bedrijfslogica en het interpreteren van de resultaten in plaats van op de technische implementatie.

Organisatorische Toepassingen

Hieronder volgen andere potentiële toepassingen voor uw organisatie:

Scan online eindpunten van sociale media binnen een organisatie en bepaal het algemene sentiment.
Klantnotities op CRM-systemen zoals Salesforce monitoren om de inhoud van de notities te bepalen.
E-mails scannen om een algemene geaggregeerde metriek van het sentiment binnen een organisatie te verkrijgen.
Automatisch transcripties van telefoongesprekken verwerken en zowel positieve als negatieve klantervaringen identificeren.
De feedback scannen die is achtergelaten op websites van beoordelingsaggregators, evenals de beoordeling.
Automatisch antisociaal gedrag detecteren dat via digitale media wordt vertoond en dit tegengaan voordat het escaleert, wat leidt tot een verbeterde gebruikerservaring.

Aangezien er veel gegevensbronnen zijn waartoe organisaties doorgaans toegang hebben, raden we aan om deze door te geven aan een data lake voordat ze in een kunstmatig intelligentiesysteem worden ingevoerd; dit zal helpen om herhaalbaarheid en controleerbaarheid te waarborgen.

Potentiële en gerealiseerde voordelen

Een meer gedetailleerd inzicht in de algemene percepties van een organisatie, zowel intern als in het buitenland, biedt aanzienlijke voordelen bij het proactief beheren van relaties. Het interpreteren en ondernemen van actie op basis van feedback kan een beter product of een betere dienst opleveren voor aandeelhouders en klanten. In een steeds digitaler wordende wereld moeten organisaties begrijpen wat hun digitale voetafdruk over hen zegt. Een beter begrip van de demografische samenstelling van de herkomst van dergelijke feedback kan ook helpen om de ervaringen voor iedereen te verbeteren.

Telemus AI™ is een in Australië gevestigd bedrijf voor kunstmatige intelligentie dat geavanceerde oplossingen levert aan de overheid en het bedrijfsleven. Neem vandaag nog contact met ons op voor een gratis adviesgesprek over hoe de Telemus AI™ in uw organisatie kan worden ingebed.

Sentimentanalyse van sociale media