Благодаря машинному обучению компании теперь могут использовать способность определять эмоциональную ценность общения. Вот как организации могут извлечь из этого выгоду.

Автор: Мария Королев, автор CIO

 

Сентимент-анализ или анализ тональности текста начинает доказывать свою силу на предприятии. Этот аналитический метод, который позволяет компаниям определять эмоциональную ценность коммуникаций, находит применение в целом ряде случаев использования, от записи встреч до обслуживания клиентов и обратной связи.

 

В наши дни сентимент-анализ в значительной степени опирается на контролируемые или частично контролируемые алгоритмы машинного обучения. Все крупные облачные игроки предлагают инструменты анализа тональности текстов, как и большинство крупных платформ поддержки клиентов и поставщиков маркетинговых услуг. Поставщики разговорного искусственного интеллекта также включают функции сентимент-анализа в свои продукты.

 

Но для того, чтобы максимально использовать этот анализ, требуется любопытное сочетание искусства и науки. Вот как некоторые организации используют сентимент-анализ с пользой для себя.

 

Важность транскрипции

 

Большинство платформ виртуальных собраний предлагают услуги транскрипции. Фактически, распознавание голоса встроено во многое из того, что Microsoft и Google предлагают «из коробки». Zoom также планирует предложить живую транскрипцию этой осенью, но до тех пор существуют сторонние сервисы, такие как Otter AI.

 

Но компьютерная транскрипция – плохая замена человеку, делающему записи, потому что человеческое суждение необходимо, чтобы определить важность, а не праздную болтовню, и выяснить, каковы следующие шаги и кто к чему стремится.

 

Чтобы устранить этот пробел, провайдер транскрипции Pickle обращается к сентимент-анализу. Платформа Pickle использует AssemblyAI, API преобразования речи в текст, для своих функций транскрипции. Но хотя некоторые инструменты с открытым исходным кодом могут выполнять анализ тональности текста, они, как правило, фокусируются на определении конкретных ключевых слов, говорит генеральный директор и основатель Pickle Берч Ив. Из-за этого компания решила создать свои модели машинного обучения для сентимент-анализа с нуля.

 

Подход Pickle использует алгоритм обучения с учителем в сочетании с алгоритмами классификации обучения без учителя. Для контролируемой части люди – первоначально сотрудники Pickle – вручную маркировали и классифицировали части разговоров, включая различия между случайной болтовней и важными делами. Они также отмечали любые разговорные фрагменты, в которых были сильно положительные или отрицательные эмоции. По мере того как компания набирала обороты, она обратилась к Scale AI, чтобы делать больше маркировки и классификации.

 

Набор обучающих данных вырос до миллиона разговоров, говорит Ив, и первое поколение моделей имело уровень точности от 77% до 83%, в зависимости от типа анализируемого разговора.

 

«Мы осуществляем контроль качества, где случайным образом помечаем разговоры и отправляем их в очередь, дальше просматриваем их вручную и перепроверяем модель», - говорит он. «Если что-то не так, мы возвращаемся к модели, смотрим, где есть несоответствия, и либо настраиваем данные, либо переключаем наборы данных».

 

Сегодня точность составляет от 93% до 94%, говорит Ив. Отчасти потому, что с января компания сосредоточилась на разговорах Zoom. «Это сделало данные более согласованными, потому что большинство разговоров в Zoom имеют схожий стиль», - говорит он. «Есть немного светской беседы, а затем деловая сторона».

По словам основателя Pickle, ключ к успеху в проектах искусственного интеллекта, связанных с сентимент-анализом, заключается в том, чтобы оставаться сосредоточенным.

 

«Это захватывающе, когда вы получаете согласованные данные и начинаете изучать другие области, и есть пара ловушек, в которые мы попали», - говорит Ив. «Но лучший путь к успеху – не высовываться и сосредоточиться только на сентимент-анализе».

 

Использование отзывов о продуктах

 

Практика сентимент-анализа насчитывает 15 лет, говорит Джон Дюбуа, директор по технологическому консалтингу Ernst & Young. Тогда он придерживался подхода «мешка слов», который просто подсчитывал, сколько раз определенные слова появлялись в разговоре, сообщении в социальных сетях, новостной статье или обзоре продукта.

 

«С тех пор все немного изменилось», - говорит он.

Но машинное обучение помогает организациям лучше определять настроения, стоящие за этими словами. Одна из очень плодотворных областей, где модели машинного обучения для сентимент-анализа оказывают влияние, – это обзоры продуктов, поскольку отзыв может быть чрезвычайно положительным или отрицательным, без использования таких слов, как «отличный» или «ужасный», или там могут использоваться эти слова саркастически.

 

Например, рассмотрим этот отзыв: «Я действительно думала, что это платье будет фантастическим. Фотографии были прекрасны, а упаковка, в которой его доставили, была просто идеальной. Потом, когда я надела его, я была похожа на веселого жирафа. Но, по крайней мере, моя собака любит спать на нем, и видеть мою собаку счастливой делает меня счастливой».

 

В этом обзоре много положительных слов, но присвоенный рейтинг звезд низкий. Рейтинги – это, по сути, оценка настроений – то, что клиент думает о продукте в целом. По мере того как системы машинного обучения читают и сравнивают миллионы отзывов с оценками, которые дают покупатели, они лучше понимают реальные эмоции, стоящие за словами.

 

Дюбуа недавно работал над проектом для автомобильной компании, который включал сентимент-анализ, связанный с характеристиками автомобилей, для всех крупных производителей автомобилей. Например, клиентам могут понравиться подстаканники одной модели, но не понравиться версия конкурентов, или интерьеры конкурентов нравятся больше, чем у клиента.

 

Анализ позволил компании точно определить, что нравится клиентам в ее продуктах, и где она отстает от конкурентов – это стало топливом для лучшей рекламы. «Поскольку мы посещаем различные места для покупки и оценки автомобилей, мы можем покупать рекламу, основываясь на том, где мы знаем наши сильные и слабые стороны», - говорит Дюбуа.

 

«Мы сделали это для весенних, летних и осенних распродаж, и мы увидели увеличение числа кликов на 15% и увеличение конверсии на 4-6%», - говорит он. «И 4% в авто – это довольно большое дело для распродаж».

 

По его словам, для анализа тональностей для такого рода точечных решений используется немало искусственного интеллекта. Но компании могут найти еще большую ценность в сентимент-анализе как в стратегическом оружии, если они выйдут за рамки уровня отдела.

 

«Это может быть использовано отделом продаж для обновления списков продуктов», - говорит Дюбуа. «Это может быть использовано мерчандайзингом для обновления информационной архитектуры сайта. Это может быть использовано в научно-исследовательских и опытно-конструкторских разработках». 

 

Как только технология зарекомендует себя, ИТ-руководители должны донести ее до более широкой группы заинтересованных сторон бизнеса, которые могут извлечь из нее выгоду в рамках целостной бизнес-стратегии.

 

Извлечение ценности из хранилищ данных

 

По мере того, как хранилище становится дешевле, многие компании начали сохранять огромное количество неструктурированных данных, таких как звонки в службу поддержки, электронные письма с запросами в службу поддержки, онлайн-чаты и все, что когда-нибудь может оказаться ценным.

«Все говорили о больших данных и их хранении, но никто не смог извлечь из них пользу и использовать их», - говорит Дерек Чин, вице-президент по инновациям в Nerdery.

 

По его словам, сентимент-анализ может помочь получить представление о клиентах в мегамасштабе. «Вся эта идея очень захватывающая».

Например, клиенты могут разозлиться, если агент попытается повысить цену. Но анализ тональностей может дать удивительное понимание ситуаций, в которых продавать по завышенной цене действительно полезно, говорит он.

 

«Допустим, у вас в машине есть данные и подключение к Wi-Fi», - говорит он. «Когда ваш агент может определить, что у вас почти закончились данные, и может предоставить вам возможность купить больше, чтобы избежать дополнительных сборов за обслуживание, люди этому рады. Но если бы это было холодное предложение – «Я вижу, что вы получаете гигабайт в месяц, и есть специальная сделка на два гигабайта в месяц», – это бы отвратило людей».

 

Ключ к правильному сентимент-анализу, говорит он, состоит в том, чтобы понять его ограничения и быть готовым потратить на это время. «В среде преобразования речи в текст у вас будут ситуации, когда она не воспринимает сарказм», - говорит он. «Эти вещи сортируются сами по себе с течением времени, по мере того как размеры выборки увеличиваются, а ИИ становится умнее».

В результате слишком быстрая реакция на исходные данные может быть опасной, говорит он. «Вы должны позволить этим моделям обучиться и получить достаточный объем выборки, прежде чем принимать стратегические долгосрочные решения».

 

Но компании должны начать работу сейчас, добавляет Чин. 

«Мы находимся в самом начале, и в дальнейшем анализ будет становиться все более сложным и эффективным, и все больше ваших конкурентов начнут его использовать», - говорит он. «Не бойтесь, что сейчас модель несовершенна. Начните пилотировать и экспериментируйте».

 

Выход за рамки «хорошего и плохого»

 

Сентимент-анализ уже эффективен в четко определенном, простом контексте с четкими результатами, говорит Дэн Симион, вице-президент по ИИ и аналитике Capgemini.

 

«Когда речь идет о том, хорошо это или плохо? Вот когда работает сентимент-анализ», - говорит он. «Когда мы начинаем переходить к более сложным типам обратной связи, именно здесь все еще есть много возможностей для улучшения моделей».

 

Допустим, например, вы хотите использовать сентимент-анализ, чтобы просмотреть фотографии или видео и определить, счастливы или расстроены люди. «Наши клиенты в сфере СМИ и развлечений пытаются понять настроения людей, которые смотрят различные шоу, и хотят узнать, какой сегмент конкретных шоу люди находят интересным», - говорит он.

 

Теперь, когда живая аудитория вернулась, это может быть связано с анализом видеопотоков аудитории. Или это могут быть люди, наблюдающие дома, сидя перед веб-камерами. Традиционно оценка ответов – это ручной процесс.

 

Но оценщики субъективны, говорит Симион. «Вам нужно иметь что-то объективное, чтобы, когда вы сравниваете результаты, они начинали иметь смысл».

 

«И еще есть проблема масштаба», - добавляет он. «Когда у вас несколько шоу и в конце дня вы хотите быть последовательными, следуя одному и тому же процессу, – вот, где вам нужно начать использовать машины».

 

Что касается выражений лица, то модели сентимент-анализа все еще развиваются, и пока даже не ясно, как измерить, насколько они точны. И даже по мере того, как анализ мимики выходит за рамки первоначального «цикла зрелости технологий» (hype cicle), все еще будут варианты, особенно для более тонких типов выражений лица, прежде чем большинство компаний захотят заниматься этим, говорит он.

 

«Но для компаний, которые полагаются на подобные решения, особенно для крупных компаний, которые могут себе это позволить и могут использовать это в качестве конкурентного преимущества, это стоит того, чтобы инвестировать», - говорит Симион.

 

Ссылка на источник