Transparenzhinweis für die Stimmungsanalyse

Wichtig

Nicht englische Übersetzungen werden nur zur Bequemlichkeit bereitgestellt. Bitte konsultieren Sie die EN-US Version dieses Dokuments für die endgültige Version.

Was ist eine Transparenznotiz?

Wichtig

In diesem Artikel wird davon ausgegangen, dass Sie mit Richtlinien und bewährten Methoden für Azure Sprache in Foundry Tools vertraut sind. Weitere Informationen finden Sie in der Transparenzhinweis für Sprache.

Ein KI-System umfasst nicht nur die Technologie, sondern auch die Personen, die es nutzen werden, die Menschen, die davon betroffen sind, und die Umgebung, in der sie bereitgestellt wird. Die Erstellung eines Systems, das für den vorgesehenen Zweck geeignet ist, erfordert ein Verständnis der Funktionsweise der Technologie, ihrer Fähigkeiten und Einschränkungen und derEn Erreichung der besten Leistung. Microsofts Transparenzhinweise sollen Ihnen helfen, zu verstehen, wie unsere KI-Technologie funktioniert, welche Entscheidungen Systembesitzer treffen können, die die Systemleistung und das Verhalten beeinflussen, und wie wichtig es ist, über das gesamte System nachzudenken, einschließlich der Technologie, der Menschen und der Umgebung. Sie können Transparenzhinweise verwenden, wenn Sie Ihr eigenes System entwickeln oder bereitstellen, oder sie mit den Personen teilen, die ihr System verwenden oder davon betroffen sind.

Microsoft Transparenzhinweise sind Teil eines umfassenderen Aufwands bei Microsoft, unsere KI-Prinzipien in die Praxis umzusetzen. Weitere Informationen finden Sie unter Microsoft AI Principles.

Die Grundlagen der Stimmungsanalyse

Einführung

Das Feature "Stimmungsanalyse" der Sprache wertet Text aus und gibt für jeden Satz Stimmungsbewertungen und Beschriftungen zurück. Dies ist nützlich, um positive, neutrale und negative Stimmungen in sozialen Medien, Kundenbewertungen, Diskussionsforen und anderen Produkt- und Serviceszenarien zu erkennen.

Funktionen

Systemverhalten

Die Stimmungsanalyse liefert Stimmungsbezeichnungen (z. B. "negativ", "neutral" und "positiv") basierend auf dem höchsten Konfidenzwert, der vom Dienst auf Satz- und Dokumentebene gefunden wurde. Dieses Feature gibt auch Konfidenzergebnisse zwischen 0 und 1 für jedes Dokument und satz für positive, neutrale und negative Stimmungen zurück. Die Ergebnisse näher an 1 deuten auf eine höhere Konfidenz in der Klassifizierung der Bezeichnung hin, während niedrigere Bewertungen eine niedrigere Konfidenz angeben. Standardmäßig ist die Allgemeine Stimmungsbezeichnung die größte der drei Konfidenzergebnisse, Sie können jedoch einen Schwellenwert für eine oder alle einzelnen Stimmungsvertrauensbewertungen definieren, je nachdem, was für Ihr Szenario am besten geeignet ist. Für jedes Dokument oder jeden Satz ergeben die vorhergesagten Bewertungen, die den Beschriftungen (positiv, negativ und neutral) zugeordnet sind, insgesamt 1. Weitere Informationen zu Stimmungsbezeichnungen und Bewertungen finden Sie hier.

Darüber hinaus liefert die optionale Meinungsmining-Funktion Aspekte (z. B. die Attribute von Produkten oder Dienstleistungen) und die zugehörigen Meinungsausdrücke zurück. Für jeden Aspekt wird eine allgemeine Stimmungsbezeichnung zusammen mit Konfidenzergebnissen für positive und negative Stimmungen zurückgegeben. Beispielsweise hat der Satz "Das Restaurant hatte tolles Essen und unser Kellner war freundlich" hat zwei Aspekte, "Essen" und "Kellner", und ihre entsprechenden Meinungswörter sind "großartig" und "freundlich". Die beiden Aspekte erhalten daher eine Stimmungsklassifizierung positivemit Konfidenzergebnissen zwischen 0 und 1,0. Weitere Informationen zur Sentimentanalyse.

Sehen Sie sich die JSON-Antwort für dieses Beispiel an.

Anwendungsfälle

Die Stimmungsanalyse kann in mehreren Szenarien in einer Vielzahl von Branchen verwendet werden. Einige Beispiele sind:

  • Überwachen Sie positive und negative Feedbacktrends in aggregierter Form. Nach der Einführung eines neuen Produkts kann ein Händler den Stimmungsdienst verwenden, um mehrere Social Media-Kanäle auf Erwähnungen des Produkts und der damit verbundenen Stimmung zu überwachen. Die Trendstimmung kann in Produktbesprechungen verwendet werden, um Geschäftsentscheidungen über das neue Produkt zu treffen.
  • Führen Sie eine Stimmungsanalyse zu Rohtextergebnissen von Umfragen durch, um Erkenntnisse zur Analyse und Nachverfolgung mit Teilnehmern (Kunden, Mitarbeiter, Verbraucher usw.) zu gewinnen. Ein Geschäft mit einer Richtlinie, um die negativen Rezensionen von Kunden innerhalb von 24 Stunden und positive Rezensionen innerhalb einer Woche nachzuverfolgen, kann den Stimmungsdienst verwenden, um Rezensionen für eine einfache und zeitnahe Nachverfolgung zu kategorisieren.
  • Helfen Sie Kundendienstmitarbeitern, das Kundenbindung durch Erkenntnisse zu verbessern, die aus der Echtzeitanalyse von Interaktionen erfasst werden. Extrahieren Sie Einblicke aus transkribierten Kundendienstaufrufen, um Interaktionen und Trends von Kundenagenten besser zu verstehen, um Kundenbindung zu verbessern.

Überlegungen bei der Auswahl eines Anwendungsfalls

  • Vermeiden Sie automatische Aktionen ohne menschliche Intervention für Szenarien mit hohen Auswirkungen. Beispielsweise sollten Mitarbeiterboni nicht automatisch auf Stimmungsbewertungen aus ihren Kundendienstinteraktionstexten basieren. Quelldaten sollten immer überprüft werden, wenn die wirtschaftliche Situation, gesundheit oder Sicherheit einer Person betroffen ist.
  • Berücksichtigen Sie Szenarien außerhalb der Domäne für Produkt- und Dienstüberprüfungen sorgfältig. Da das Modell auf Produkt- und Dienstleistungsbewertungen trainiert wurde, erkennt das System möglicherweise nicht genau stimmfokussierte Sprache in anderen Bereichen. Stellen Sie immer sicher, dass Sie das System auf betriebsbereiten Testdatensätzen testen, um sicherzustellen, dass Sie die benötigte Leistung erzielen. Ihr betriebsbezogenes Testdatenset sollte die realen Daten widerspiegeln, denen Ihr System in der Produktionsumgebung mit allen Merkmalen und Variationen begegnen wird, die bei der Bereitstellung Ihres Produkts auftreten. Synthetische Daten und Tests, die Ihr End-to-End-Szenario nicht widerspiegeln, reichen wahrscheinlich nicht aus.
  • Berücksichtigen Sie sorgfältig Szenarien, die automatische Maßnahmen zum Filtern oder Entfernen von Inhalten ergreifen. Sie können einen menschlichen Überprüfungszyklus hinzufügen und/oder Inhalte neu bewerten (anstatt sie vollständig zu filtern), wenn Sie sicherstellen möchten, dass Inhalte Ihren Communitystandards entsprechen.
  • Rechtliche und behördliche Überlegungen: Organisationen müssen potenzielle spezifische rechtliche und behördliche Verpflichtungen bewerten, wenn Sie Foundry Tools und Lösungen verwenden, die möglicherweise nicht für die Verwendung in jeder Branche oder in jedem Szenario geeignet sind. Darüber hinaus sind Foundry Tools oder Lösungen nicht für sie ausgelegt und dürfen nicht auf eine Weise verwendet werden, die in anwendbaren Nutzungsbedingungen und relevanten Verhaltensregeln verboten ist.

Einschränkungen

Je nach Szenario und Eingabedaten können unterschiedliche Leistungsstufen auftreten. Die folgenden Informationen sollen Ihnen helfen, Systembeschränkungen und wichtige Konzepte zur Leistung zu verstehen, während sie für die Stimmungsanalyse gelten.

Wichtige Einschränkungen, die Sie berücksichtigen sollten:

  • Das Machine Learning-Modell, das verwendet wird, um die Stimmung vorherzusagen, wurde auf Produkt- und Servicebewertungen trainiert. Das bedeutet, dass der Dienst am genauesten für ähnliche Anwendungsfälle funktioniert und weniger genau für Szenarien außerhalb des Rahmens der Produkt- und Dienstbewertungen. Beispielsweise können Personalbewertungen verschiedene Sprachen verwenden, um die Stimmung zu beschreiben, und so erhalten Sie möglicherweise nicht die erwarteten Ergebnisse oder Leistung. Ein Wort wie "stark" in der Phrase "Shafali war ein starker Führer" kann keine positive Stimmung erhalten, weil das Wort stark möglicherweise keine klare positive Stimmung in Produkt- und Dienstleistungsbewertungen hat.

  • Da das Modell auf Produkt- und Dienstüberprüfungen trainiert wird, können Dialekte und Sprache, die weniger im Dataset dargestellt sind, eine geringere Genauigkeit aufweisen.

  • Das Modell hat kein Verständnis für die relative Bedeutung verschiedener Sätze, die zusammengesendet werden. Da es sich bei der Gesamtstimmung um eine einfache Gesamtbewertung der Sätze handelt, stimmt die Allgemeine Stimmungsbewertung möglicherweise nicht mit der Interpretation eines Menschen überein, was die Tatsache berücksichtigen würde, dass einige Sätze bei der Bestimmung der Gesamtstimmung mehr Bedeutung haben könnten.

  • Das Modell erkennt möglicherweise keinen Sarkasmus. Kontext, z. B. Tonfall, Gesichtsausdruck, Autor des Texts, Publikum für den Text oder vorherige Unterhaltungen sind häufig wichtig, um die Stimmung zu verstehen. Bei Sarkasmus wird häufig zusätzlicher Kontext benötigt, um zu erkennen, ob eine Texteingabe positiv oder negativ ist. Da der Dienst nur die Texteingabe sieht, ist die Klassifizierung sarkastischer Stimmung möglicherweise weniger genau. Das war beispielsweise großartig, könnte je nach Kontext, Tonfall, Gesichtsausdruck, Autor und Publikum entweder positiv oder negativ sein.

  • Die Größe der Konfidenzbewertung spiegelt nicht die Intensität der Stimmung wider. Es basiert auf dem Vertrauen des Modells für eine bestimmte Stimmung (positiv, neutral, negativ). Wenn Ihr System daher von der Intensität der Stimmung abhängt, sollten Sie die Verwendung einer menschlichen Bearbeiter- oder Nachbearbeitungslogik für die einzelnen Meinungsbewertungen oder den ursprünglichen Text in Betracht ziehen, um die Intensität der Stimmung zu bewerten.

  • Während wir Anstrengungen unternommen haben, die Verzerrungen unserer Modelle zu reduzieren, gelten die Einschränkungen, die mit Sprachmodellen einhergehen, einschließlich des Potenzials, ungenaue, unzuverlässige und voreingenommene Ausgaben zu erzeugen, für das Sprachsentimentanalyse-Modell. Wir erwarten, dass das Modell jetzt einige falsche Negative und Positives hat, aber wir sind bestrebt, Benutzerfeedback zu sammeln, um unsere laufende Arbeit zur Verbesserung dieses Dienstes zu unterstützen.

Bewährte Methoden zur Verbesserung der Systemleistung

Da die Stimmung etwas subjektiv ist, ist es nicht möglich, eine universell anwendbare Schätzung der Leistung für das Modell bereitzustellen. Letztendlich hängt die Leistung von einer Reihe von Faktoren wie der Betreffdomäne, den Merkmalen des verarbeiteten Texts, dem Anwendungsfall für das System und der Interpretation der Systemausgabe ab.

Sie finden möglicherweise, dass sich die Konfidenzwerte für positive, negative und neutrale Sentiments je nach Szenario unterscheiden. Anstatt die allgemeine Stimmung auf Satzebene für das vollständige Dokument oder den gesamten Satz zu verwenden, können Sie einen Schwellenwert für eine oder alle einzelnen Stimmungsvertrauensbewertungen definieren, die für Ihr Szenario am besten geeignet sind. Wenn es z. B. wichtiger ist, alle potenziellen Vorkommen negativer Stimmungen zu identifizieren, können Sie einen niedrigeren Schwellenwert für die negative Stimmung verwenden, anstatt die allgemeine Stimmungsbezeichnung zu betrachten. Dies bedeutet, dass Sie möglicherweise mehr falsch-positive Ergebnisse (neutraler oder positiver Text, der als negative Stimmung erkannt wird) erhalten, aber weniger falsch-negative Ergebnisse (negativer Text, der nicht als negative Stimmung erkannt wird). Sie können beispielsweise das Produktfeedback lesen, das eine potenzielle negative Stimmung aufweist, um daraus Ideen zur Produktverbesserung zu gewinnen. In diesem Fall könnten Sie die negative Stimmungsbewertung nur verwenden und einen niedrigeren Schwellenwert festlegen. Dies kann zu einer zusätzlichen Arbeit führen, da Sie einige Rezensionen lesen, die nicht negativ sind, aber Sie sind wahrscheinlicher, Möglichkeiten zur Verbesserung zu identifizieren. Wenn es für Ihr System wichtiger ist, nur wahrer negativer Text zu erkennen, können Sie einen höheren Schwellenwert verwenden oder die allgemeine Stimmungsbezeichnung verwenden. Sie können z. B. auf negative Produktbewertungen reagieren. Wenn Sie die Arbeit minimieren möchten, um negative Rezensionen zu lesen und darauf zu reagieren, können Sie nur die allgemeine Stimmungsvorhersage verwenden und die einzelnen Stimmungsbewertungen ignorieren. Obwohl es möglicherweise eine negative Stimmung gibt, die Sie verpassen, werden Sie wahrscheinlich die meisten der wirklich negativen Bewertungen erhalten. Schwellenwerte weisen möglicherweise kein einheitliches Verhalten in Szenarien auf. Daher ist es wichtig, dass Sie Ihr System mit realen Daten testen, die es in der Produktion verarbeiten wird.

Siehe auch

  • Last updated on