Processamento de Linguagem - Computadores que Leem e Interpretam

A mídia social tornou-se parte integrante de como as pessoas interagem e se comunicam. Bilhões de mensagens são transmitidas diariamente em várias plataformas, seja por publicações públicas ou mensagens diretas. Figuras públicas, organizações e outras entidades compartilharam declarações e opiniões relacionadas a vários tópicos e direcionam o discurso público entre o público em geral. Dada a vasta quantidade de comentários e mensagens direcionadas a contas de mídia social, é possível detectar o sentimento geral.

Há uma oportunidade de avaliar o sentimento expresso em nível macro por meio das mídias sociais. Este artigo explorará a inteligência artificial e sua aplicação às mídias sociais e outras fontes de informações textuais que têm tons de sentimentalismo dentro delas e como implementá-la dentro de sua organização.

Resolvendo o Problema via Inteligência Artificial

Dada a vasta quantidade de informações geradas e armazenadas diariamente, alguns pontos de dados contêm insights extensos. Seria impossível para uma única pessoa ou mesmo bilhões de pessoas lê-las. A tecnologia de computação atual nos permite armazenar, indexar e recuperar vastas quantidades de informações. Historicamente, houve mais dificuldades em interpretar os dados e derivar informações e insights úteis.

Seria vantajoso processar grandes quantidades de informações e fazer com que os computadores examinem os dados e forneçam insights. Nos últimos anos, várias técnicas no espaço de análise de texto surgiram, muitas das quais usam inteligência artificial/aprendizado de máquina. Detectar o sentimento na fala requer léxicos de padrão-ouro que forneçam o contexto da entrada textual.

Uma dessas abordagens para determinar o sentimento da linguagem textual é inserir esses léxicos em um algoritmo de aprendizado não supervisionado; especificamente, o VADER (Valence Aware Dictionary and sEntiment Reasoner) usa tal abordagem. Vários outros métodos dependem de técnicas mais tradicionais de machine learning, embora a vantagem do VADER seja que ele pode operar quase em tempo real.

Sistemas de análise de sentimento geralmente produzem as seguintes saídas típicas quando alimentados com entradas textuais que fornecem uma interpretação categórica do texto subjacente:

Positivo - O conteúdo textual é de um tom positivo e sentimentalidade
Neutro - O conteúdo textual é de tom negativo e sentimentalidade
Negativo - O conteúdo textual é de tom negativo e sentimentalidade

É importante notar que as pessoas curaram os léxicos ao longo de muitos anos, enfatizando que dados de alta qualidade são necessários para que os sistemas de inteligência artificial tenham um bom desempenho e atinjam os objetivos desejados.

Visão Geral do Desafio Organizacional

Dado múltiplos pontos de extremidade de comunicação e o tamanho do que as organizações operam, é difícil rastrear o sentimento em toda uma organização. Funcionários e clientes podem estar espalhados por diferentes regiões, áreas ou departamentos onde as partes interessadas e os clientes expressam um sentimento positivo enquanto outros representam um sentimento negativo. Assim, determinar o sentimento em todo o espectro de operação de uma organização é difícil.

É essencial entender as percepções organizacionais gerais, tanto interna quanto externamente. Tradicionalmente, pesquisas têm desempenhado essa função, embora possam ser tendenciosas com base nos indivíduos motivados a preenchê-las. O uso de mídia social e outras fontes de dados pode contribuir para a compreensão do sentimento organizacional. Como exemplo, uma marca de roupas multinacional e amplamente reconhecida, como a Adidas, com presença em vários países, fazendo negócios em vários idiomas e em muitos contextos culturais diferentes. Diferentes níveis de sentimento provavelmente serão observados em várias regiões. Identificar sentimentos negativos é uma boa maneira de abordar suas causas, resultando em mais vendas e, assim, contribuindo para o resultado final.

Dados Organizacionais Disponíveis como Entrada de AI

A seguir, lista as fontes de dados potenciais que podem ser utilizadas como um meio de análise de sentimento:

Plataformas de mídia social incluindo Facebook, Twitter, Instagram, TikTok
Sistemas de gestão de relacionamento com clientes, incluindo Salesforce, Microsoft CRM
E-mails e cartas organizacionais enviados entre funcionários e clientes
Sistemas de call center, como Cisco e Google Voice, são capazes de fornecer transcrições de conversas
Agregadores de avaliações, como avaliações do Google e do Facebook, que classificam as empresas listadas entre 1 e 5 estrelas

Alguns problemas de dados se apresentam ao combinar informações de várias fontes. Um problema óbvio é como vincular clientes com precisão em vários conjuntos de dados. Neste estudo de caso, sugerimos tratá-los como entidades independentes para descobrir o sentimento agregado em toda uma organização e não direcionado a um nível individual. Dada a extensão da entrada textual, as estruturas de dados devem ser selecionadas cuidadosamente tanto no esquema do banco de dados quanto dentro dos vários scripts usados para processar os dados em si.

Metodologia de Integração

A seguir, uma visão geral do processo que realizaríamos em um alto nível para analisar fontes textuais dentro de uma organização:

Identifique referências textuais e os sistemas que as capturam, determine qual texto é um candidato adequado para análise
Extraia fontes textuais via APIs REST e alimente um provedor de computação em nuvem para análise em tempo real
Passar os feeds pela Telemus AI™ e retornar feeds de vídeo aumentados de volta ao sistema de monitoramento de segurança
Configure alertas personalizados para a equipe de segurança com base no que é detectado

Dado que a Telemus AI™ cuida da maior parte do trabalho, a organização pode se concentrar na lógica de negócios e na interpretação dos resultados, em vez da implementação técnica.

Aplicações Organizacionais

A seguir, lista outras aplicações potenciais para sua organização:

Escanear endpoints de redes sociais online em uma organização e determinar o sentimento geral.
Monitorar notas de clientes em sistemas de CRM como o Salesforce para determinar o conteúdo das notas.
Escanear e-mails para obter uma métrica agregada geral do sentimento em uma organização.
Processar automaticamente transcrições de conversas telefônicas e identificar experiências positivas e negativas dos clientes.
Escanear o feedback deixado em sites de agregadores de avaliações, bem como a classificação.
Detectar automaticamente comportamentos antissociais engajados por meios digitais e combatê-los antes que se agravem, levando a uma experiência de usuário aprimorada.

Como há muitas fontes de dados às quais as organizações tipicamente têm acesso, recomendamos passá-las para um data lake antes de alimentá-las em um sistema de inteligência artificial; isso ajudará a garantir a repetibilidade e a auditabilidade.

Benefícios Potenciais e Realizados

Uma compreensão mais detalhada das percepções gerais de uma organização tanto internamente quanto no exterior proporciona benefícios significativos no gerenciamento proativo de relacionamentos. Interpretar e agir com base no feedback pode oferecer um produto ou serviço melhor para acionistas e clientes. Em um mundo cada vez mais digital, as organizações precisam entender o que sua pegada digital diz sobre elas. Uma maior compreensão da composição demográfica de onde tal feedback está chegando também pode ajudar a melhorar as experiências de todos.

A Telemus AI™ é uma empresa de inteligência artificial sediada na Austrália, fornecendo soluções avançadas para o governo e empresas. Entre em contato conosco hoje para uma consulta gratuita sobre como a Telemus AI™ pode ser incorporada em sua organização.

Análise de Sentimento em Mídia Social