Obrada jezika - Računari koji čitaju i tumače

Društveni mediji su postali sastavni deo načina na koji ljudi interaguju i komuniciraju. Milijarde poruka se svakodnevno prenose na više platformi, bilo putem javnih objava ili direktnog slanja poruka. Javne ličnosti, organizacije i drugi entiteti su podelili izjave i mišljenja vezana za različite teme i usmerili 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 proceni sentiment izražen na makro nivou putem društvenih mreža. Ovaj članak će istražiti veštačku inteligenciju i njenu primenu na društvene mreže i druge izvore tekstualnih informacija koje u sebi sadrže tonove sentimenta i kako je implementirati u vašoj organizaciji.

Rešavanje problema putem veštačke inteligencije

S obzirom na ogromnu količinu informacija koje se generišu i čuvaju svakodnevno, neke tačke podataka sadrže opširne uvide. Bilo bi nemoguće za jednu osobu ili čak milijarde ljudi da to pročitaju. Aktuelna računarska tehnologija nam omogućava da čuvamo, 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. Poslednjih godina pojavile su se različite tehnike u oblasti analitike teksta, od kojih mnoge koriste veštačku inteligenciju/mašinsko učenje. Otkrivanje sentimenta u govoru zahteva leksikone zlatnog standarda koji pružaju kontekst tekstualnog unosa.

Jedan takav pristup za određivanje sentimenta tekstualnog jezika je ubacivanje takvih leksikona u algoritam nenadgledanog 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 da radi u skoro realnom vremenu.

Sistemi za analizu sentimenta obično proizvode sledeće tipične izlaze kada se unesu tekstualni ulazi koji daju kategoričku interpretaciju osnovnog teksta:

Pozitivno - Tekstualni sadržaj ima pozitivnu podton i sentiment
Neutralno - Tekstualni sadržaj ima negativnu podton i sentiment
Negativno - Tekstualni sadržaj ima negativnu podton i sentiment

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

Pregled organizacionog izazova

S obzirom na više krajnjih tačaka komunikacije i veličinu onoga što organizacije posluju, teško je pratiti sentiment širom organizacije. Zaposleni i klijenti mogu biti raspoređeni u različite regione, oblasti ili departmane gde zainteresovane strane i klijenti iskazuju pozitivan sentiment dok drugi predstavljaju negativan sentiment. Dakle, određivanje sentimenta celog spektra poslovanja organizacije je teško.

Od suštinskog je značaja razumevanje opštih organizacionih percepcija kako interno, tako i eksterno. Tradicionalno, ankete su obavljale ovu funkciju, iako one mogu biti pristrasne na osnovu pojedinaca motivisanih da ih popune. Upotreba društvenih medija i drugih izvora podataka može doprineti razumevanju organizacione sentimenta. Kao primer, multinacionalni i dobro prepoznatljiv brend odeće kao što je Adidas, sa prisutnošću u više zemalja, posluje na različitim jezicima u različitim kulturnim sredinama. Verovatno je da će se u različitim regionima uočiti različiti nivoi sentimenta. Identifikacija negativnog sentimenta je dobar način za adresiranje njegovih uzroka, što rezultira većom prodajom i tako doprinosi pozitivnom finansijskom rezultatu.

Organizacioni podaci dostupni kao AI ulaz

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

Platforme društvenih medija uključujući Facebook, Twitter, Instagram, TikTok
Sistemi za upravljanje odnosima sa kupcima uključujući Salesforce, Microsoft CRM
Organizacione e-poruke i pisma poslata između zaposlenih i klijenata
Sistemi pozivnih centara kao što su Cisco i Google Voice sposobni su da pruže transkripte razgovora
Agregatori recenzija kao što su Google i Facebook recenzije koji rangiraju navedene biznise između 1-5 zvezdica

Neki problemi sa podacima se javljaju 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 agregatni sentiment u celoj organizaciji, a ne na nivou pojedinca. S obzirom na dužinu tekstualnog unosa, strukture podataka moraju biti pažljivo odabrane, kako u šemi baze podataka, tako i unutar različitih skripti koje se koriste za obradu samih podataka.

Metodologija integracije

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

Identifikujte tekstualne reference i sisteme koji ih hvataju, odredite koji tekst je pogodan kandidat za analizu
Izdvajanje tekstualnih izvora putem REST API-ja i prosleđivanje provajderu cloud računarstva za analizu u realnom vremenu
Provucite izvore kroz Telemus AI™ i vratite poboljšane video izvore nazad u sistem za bezbednosno praćenje
Podesite prilagođena obaveštenja za bezbednosno osoblje na osnovu onoga što je otkriveno

S obzirom na to da Telemus AI™ obavlja veći deo posla, organizacija može da se fokusira na poslovnu logiku i tumačenje rezultata, umesto na tehničku implementaciju.

Organizacione aplikacije

Sledeće navodi druge potencijalne aplikacije za vašu organizaciju:

Skeniranje krajnjih tačaka na mrežama društvenih medija širom organizacije i određivanje ukupnog sentimenta.
Nadgledanje beleški o klijentima na CRM sistemima kao što je Salesforce radi utvrđivanja sadržaja beleški.
Skeniranje e-pošte radi dobijanja ukupne agregirane metrike sentimenta širom organizacije.
Automatski obradite transkripte telefonskih razgovora i identifikujte pozitivna i negativna iskustva klijenata.
Skeniranje povratnih informacija ostavljenih na veb sajtovima agregatora recenzija, kao i ocene.
Automatsko otkrivanje antisocijalnog ponašanja putem digitalnih medija i suzbijanje istog pre eskalacije, što dovodi do poboljšanog korisničkog iskustva.

S obzirom na to da organizacije tipično imaju pristup mnogim izvorima podataka, preporučujemo da se oni proslede u data jezero pre nego što se unesu u sistem veštačke inteligencije; to će pomoći u osiguravanju ponovljivosti i mogućnosti revizije.

Potencijalne i ostvarene prednosti

Detaljnije razumevanje opšte percepcije organizacije i unutar zemlje i u inostranstvu pruža značajne prednosti u proaktivnom upravljanju odnosima. Tumačenje i delovanje na povratne informacije može pružiti bolji proizvod ili uslugu akcionarima i kupcima. U sve digitalnijem svetu, organizacije moraju razumeti šta njihov digitalni otisak govori o njima. Dalje razumevanje demografskog sastava mesta odakle takve povratne informacije stižu takođe može pomoći u poboljšanju iskustava za sve.

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

Oznake