[ad_1]
Según Gartner, el 85% de los compradores de software confían tanto en las reseñas online como en las recomendaciones personales. Los clientes brindan comentarios y reseñas sobre los productos que han comprado a través de muchos canales, incluidos sitios web de reseñas, sitios web de proveedores, argumentos de venta, redes sociales y muchos otros. El problema con el creciente volumen de reseñas de clientes en múltiples canales es que puede resultar difícil para las empresas procesar los datos utilizando métodos tradicionales y obtener información significativa de ellos. El aprendizaje automático (ML) puede analizar grandes volúmenes de reseñas de productos e identificar patrones, sentimientos y temas discutidos. Con esta información, las empresas pueden comprender mejor las preferencias de los clientes, los puntos débiles y los niveles de satisfacción. También puede utilizar esta información para mejorar productos y servicios, identificar tendencias y tomar acciones estratégicas que impulsen el crecimiento empresarial. Sin embargo, implementar ML puede ser un desafío para las empresas que carecen de recursos, como profesionales de ML, científicos de datos o desarrolladores de inteligencia artificial (IA). Con las nuevas funciones de Amazon SageMaker Canvas, los analistas de negocios ahora pueden usar ML para obtener información a partir de reseñas de productos.
SageMaker Canvas está diseñado para satisfacer las necesidades funcionales de los analistas de negocios que desean utilizar AWS No-Code ML para análisis ad hoc de datos tabulares. SageMaker Canvas es un servicio visual de apuntar y hacer clic que permite a los analistas de negocios crear predicciones de ML precisas sin escribir una sola línea de código ni requerir conocimientos de ML. Puede utilizar modelos para realizar predicciones de forma interactiva y para la puntuación por lotes de conjuntos de datos masivos. SageMaker Canvas ofrece modelos de IA totalmente administrados y listos para usar y soluciones de modelado personalizadas. Para casos de uso comunes de ML, puede utilizar un modelo de IA listo para usar para generar predicciones con sus datos sin la necesidad de entrenar el modelo. Para casos de uso de ML específicos de su dominio empresarial, puede entrenar un modelo de ML con sus propios datos para realizar predicciones personalizadas.
En esta publicación, mostramos cómo utilizar el modelo de análisis de opiniones listo para usar y el modelo de análisis de texto personalizado para obtener información a partir de reseñas de productos. En este caso de uso, tenemos un conjunto de reseñas de productos sintetizadas que queremos analizar en busca de opiniones y clasificar las reseñas por tipo de producto para ayudar a identificar patrones y tendencias que pueden ayudar a las partes interesadas del negocio a tomar decisiones más informadas. Primero, describimos los pasos para determinar el sentimiento de las reseñas utilizando el modelo de análisis de sentimiento listo para usar. Luego, lo guiaremos a través del proceso de capacitación de un modelo de análisis de texto para clasificar las reseñas por tipo de producto. A continuación, explicamos cómo comprobar el rendimiento del modelo entrenado. Finalmente, explicamos cómo utilizar el modelo entrenado para hacer predicciones.
El análisis de sentimientos es un modelo de procesamiento de lenguaje natural (PLN) listo para usar que analiza el texto en busca de sentimientos. El análisis de sentimiento se puede realizar en predicciones de filas individuales o por lotes. Los sentimientos previstos para cada línea de texto son positivos, negativos, mixtos o neutrales.
El análisis de texto le permite clasificar el texto en dos o más categorías utilizando modelos personalizados. En esta publicación, queremos clasificar las reseñas de productos por tipo de producto. Para entrenar un modelo de análisis de texto personalizado, simplemente proporcione un conjunto de datos que consta del texto y sus categorías en un archivo CSV. El conjunto de datos requiere al menos dos categorías y 125 líneas de texto por categoría. Una vez entrenado el modelo, puede comprobar el rendimiento del modelo y volver a entrenarlo si es necesario antes de usarlo para predicciones.
requisitos
Cumplir con los siguientes requisitos:
- Tener una cuenta de AWS.
- Configure el lienzo de SageMaker.
- Descargue los conjuntos de datos de revisión de productos de muestra:
sample_product_reviews.csv
– Contiene 2000 reseñas de productos sintetizadas y se utiliza para análisis de sentimientos y predicciones de análisis de texto.sample_product_reviews_training.csv
– Contiene 600 reseñas de productos sintetizadas y tres categorías de productos y está destinado a entrenar modelos de análisis de texto.
Análisis de los sentimientos
Primero, utilice el análisis de sentimiento para determinar el sentimiento de las reseñas de productos siguiendo los pasos a continuación.
- En la consola de SageMaker, haga clic en lienzo en el panel de navegación y luego haga clic en lienzo abierto para abrir la aplicación SageMaker Canvas.
- Hacer clic Modelos listos para usar en el panel de navegación y luego haga clic en Análisis de los sentimientos.
- Hacer clic Predicción por lotesluego haga clic Crear conjunto de datos.
- Proporcionar Nombre del registro y haga clic Crear.
- Hacer clic Seleccione archivos de su computadora para importarlos
sample_product_reviews.csv
Registro. - Hacer clic Crear conjunto de datos y comprobar los datos. La primera columna contiene las calificaciones y se utiliza para el análisis de sentimiento. La segunda columna contiene el ID de calificación y es solo como referencia.
- Hacer clic Crear conjunto de datos para completar el proceso de carga de datos.
- En el Seleccione el conjunto de datos para las predicciones. ver, seleccionar
sample_product_reviews.csv
y luego haga clic Generar predicciones. - Cuando se complete la predicción por lotes, haga clic en vista para ver las predicciones.
Las columnas «Sentimiento» y «Confianza» proporcionan las calificaciones de sentimiento y confianza, respectivamente. Una puntuación de confianza es un valor estadístico entre 0 y 100% que indica la probabilidad de predecir correctamente el sentimiento.
- Hacer clic Descargar CSV para descargar los resultados a su computadora.
Análisis de texto
En esta sección, recorreremos los pasos para realizar análisis de texto con un modelo personalizado: importar los datos, entrenar el modelo y luego hacer predicciones.
Importar los datos
Primero importe el conjunto de datos de entrenamiento. Complete los siguientes pasos:
- En Modelos listos para usar Página, haga clic Crear un modelo personalizado
- Para Nombre del modelointroduzca un nombre (p. ej.
Product Reviews Analysis
). Hacer clic análisis de texto, luego haga clic Crear. - Sobre el Elegir pestaña, haga clic Crear conjunto de datos para importarlos
sample_product_reviews_training.csv
Registro. - Proporcionar Nombre del registro y haga clic Crear.
- Hacer clic Crear conjunto de datos y comprobar los datos. El conjunto de datos de capacitación contiene una tercera columna que describe la categoría de producto, donde la columna de destino consta de tres productos: libros, videos y música.
- Hacer clic Crear conjunto de datos para completar el proceso de carga de datos.
- Sobre el Seleccionar conjunto de datos Página, elija
sample_product_reviews_training.csv
y haga clic Seleccionar conjunto de datos.
Entrenar el modelo
A continuación, configure el modelo para iniciar el proceso de capacitación.
- Sobre el Construir Pestaña donde Columna de destino Menú desplegable, haga clic
product_category
como objetivo de entrenamiento. - Hacer clic
product_review
como fuente. - Hacer clic Configuración rápida para comenzar el entrenamiento del modelo.
Para obtener más información sobre las diferencias entre Quick Build y Standard Build, consulte Crear un modelo personalizado.
Cuando se completa el entrenamiento del modelo, puede verificar el rendimiento del modelo antes de usarlo para predicciones.
- Sobre el Analizar La pestaña muestra el valor de confianza del modelo. Un valor de confianza indica qué tan seguro está un modelo de que sus predicciones son correctas. Sobre el descripción general En la pestaña, verifique el rendimiento de cada categoría.
- Hacer clic Clasificación para verificar los hallazgos sobre la precisión del modelo.
- Hacer clic Métricas avanzadas para comprobar la matriz de confusión y la puntuación F1.
Hacer predicciones
Para hacer una predicción con su modelo personalizado, siga estos pasos:
- Sobre el Predicciones pestaña, haga clic Predicción por lotesluego haga clic Manual.
- Haga clic en el mismo registro.
sample_product_reviews.csv
que utilizó anteriormente para el análisis de sentimiento y luego haga clic en Generar predicciones. - Cuando se complete la predicción por lotes, haga clic en vista para ver las predicciones.
Al predecir modelos personalizados, SageMaker Canvas necesita algo de tiempo para preparar el modelo para su primer uso. SageMaker Canvas desaprovisiona automáticamente el modelo si está inactivo durante 15 minutos para ahorrar costos.
El Prediction
(categoría) y Confidence
Las columnas proporcionan las categorías de productos previstas o los valores de confianza.
- Resalte el trabajo completado, seleccione los tres puntos y haga clic Descargar para descargar los resultados a su computadora.
Limpiar
Hacer clic Cerrar sesión en el panel de navegación para cerrar sesión en la aplicación SageMaker Canvas para dejar de consumir horas de sesión de Canvas y liberar todos los recursos.
Diploma
En esta publicación, mostramos cómo puede utilizar Amazon SageMaker Canvas para obtener información a partir de reseñas de productos sin ningún conocimiento de ML. Primero, utilizó un modelo de análisis de sentimiento listo para usar para determinar el sentimiento de las reseñas de productos. A continuación, utilizó el análisis de texto para entrenar un modelo personalizado con el proceso de construcción rápido. Finalmente, utilizó el modelo entrenado para clasificar las reseñas de productos en categorías de productos. Todo sin escribir una sola línea de código. Le recomendamos que repita el proceso de análisis de texto con el proceso de compilación estándar para comparar los resultados del modelo y la confianza de la predicción.
Sobre los autores
Gavin Satur es arquitecto principal de soluciones en Amazon Web Services. Trabaja con clientes empresariales para desarrollar soluciones estratégicas y bien estructuradas y le apasiona la automatización. Fuera del trabajo, disfruta del tiempo en familia, el tenis, cocinar y viajar.
Les Chan es arquitecto senior de soluciones en Amazon Web Services con sede en Irvine, California. A Les le apasiona trabajar con clientes empresariales para lanzar e implementar soluciones tecnológicas, con el único objetivo de impulsar los resultados comerciales de los clientes. Su experiencia incluye arquitectura de aplicaciones, DevOps, serverless y aprendizaje automático.
Aaqib Bickiya es arquitecto de soluciones en Amazon Web Services con sede en el sur de California. Ayuda a los clientes minoristas empresariales a acelerar proyectos e implementar nuevas tecnologías. Las áreas de enfoque de Aaqib incluyen servicios de aprendizaje automático, sin servidor, análisis y comunicación.
[ad_2]