Tout le monde a une opinion. Mais les machines ne sont pas capables d'avoir les m\u00eames avis. Comment les machines peuvent-elles apprendre \u00e0 interpr\u00e9ter les opinions des gens ? Pourquoi est-ce important? Telles sont les questions que nous aborderons dans le blog d'aujourd'hui sur l'analyse des sentiments (un sous-ensemble de traitement du langage naturel<\/a> (PNL).<\/p>\n L'analyse des sentiments (\u00e9galement connue sous le nom d'exploration d'opinions) est une m\u00e9thode d'extraction d'informations subjectives \u00e0 partir d'audio et de texte. Cela inclut les avis en ligne, les demandes d'assistance client et les avis en ligne. L'analyse des sentiments, dans sa forme la plus basique, d\u00e9termine si l'information subjective est positive, neutre ou n\u00e9gative. Cependant, apprentissage automatique<\/a> a permis aux marques d'utiliser l'analyse des sentiments dans des cas plus difficiles tels que l'identification des \u00e9motions et la compr\u00e9hension des usages linguistiques moins courants, ou la surveillance du comportement en ligne.<\/p>\n Amazon et d'autres d\u00e9taillants en ligne utilisent des moteurs de recommandation sophistiqu\u00e9s qui utilisent l'analyse des sentiments pour pr\u00e9dire les pr\u00e9f\u00e9rences des consommateurs. Ces syst\u00e8mes sophistiqu\u00e9s utilisent plus que des \u00e9valuations de produits pour d\u00e9terminer la popularit\u00e9 d'un produit et pourquoi.<\/p>\n Les marques peuvent \u00e9galement utiliser l'analyse des \u00e9motions pour hi\u00e9rarchiser les tickets d'assistance client et d\u00e9terminer les canaux de communication les plus efficaces. Ces informations peuvent \u00eatre utilis\u00e9es pour planifier des am\u00e9liorations du produit. Ces informations peuvent vous aider \u00e0 cr\u00e9er de meilleures exp\u00e9riences client et de nouvelles opportunit\u00e9s, ce qui \u00e0 son tour am\u00e9liorera votre rentabilit\u00e9.<\/p>\n En raison de l'abondance d'informations disponibles sur les r\u00e9seaux sociaux, les gouvernements ont commenc\u00e9 \u00e0 utiliser l'analyse des sentiments pour accro\u00eetre la transparence, encourager l'engagement des citoyens et comprendre comment les gens r\u00e9agissent au COVID-19. Une vision du sentiment aide les gouvernements et les d\u00e9cideurs \u00e0 identifier les probl\u00e8mes soci\u00e9taux et \u00e9pid\u00e9miologiques communs avant qu'ils ne deviennent incontr\u00f4lables.<\/p>\n Quel est le processus d'analyse des sentiments\u00a0?<\/p>\n Le traitement du langage naturel est la m\u00e9thode moderne d'analyse des sentiments. Cela cr\u00e9e une interface entre l'informatique et le langage humain. Cette interface permet aux machines de comprendre du texte et d'\u00e9couter de l'audio. Cela permet \u00e9galement aux machines de fournir des informations num\u00e9riques au-del\u00e0 des simples \u00e9valuations.<\/p>\n La PNL nous permet de voir le vrai sens derri\u00e8re le contenu \u00e9crit et parl\u00e9. C'est une nouvelle fa\u00e7on de faire l'analyse des sentiments. Les machines peuvent d\u00e9sormais apprendre \u00e0 partir des donn\u00e9es et d\u00e9tecter les formulations positives, neutres et n\u00e9gatives. Cela permet aux marques de cr\u00e9er des profils \u00e9motionnels complets. Les syst\u00e8mes peuvent \u00e9galement identifier et traiter les sentiments au niveau de la phrase. Ceci est possible avec une approche plus pr\u00e9cise.<\/p>\n Mais il ya un hic. Ce mod\u00e8le n\u00e9cessite beaucoup de donn\u00e9es de formation annot\u00e9es contextuellement.<\/p>\n L'intelligence artificielle est un domaine d'analyse difficile, et l'analyse des sentiments en est l'une des raisons. M\u00eame les humains ont du mal \u00e0 comprendre les sentiments avec pr\u00e9cision, en particulier avec des mots vagues, de l'argot et des figures de style.<\/p>\n La subjectivit\u00e9 est un autre probl\u00e8me. Un autre d\u00e9fi est la subjectivit\u00e9. Il peut \u00e9galement \u00eatre utilis\u00e9 pour faire des remarques sarcastiques. Consid\u00e9rez les adjectifs qui d\u00e9crivent la taille et la couleur. On pourrait dire que la couleur d'un produit est rouge parce qu'ils l'aiment, ou pour prouver un point. La machine doit comprendre le contexte et l'intention de faire la diff\u00e9rence.<\/p>\n Parce que les gens font des d\u00e9clarations implicites, le contexte est important. Une machine ne peut pas apprendre le contexte s'il n'est pas explicitement indiqu\u00e9. R\u00e9pondez aux questions \u00ab\u00a0Qu'avez-vous aim\u00e9 dans notre produit\u00a0?\u00a0\u00bb ou "Qu'est-ce que tu n'as pas aim\u00e9?". Selon la question, des r\u00e9ponses telles que \u00ab rien \u00bb ou \u00ab tout \u00bb, chacune changera la polarit\u00e9 du sentiment.<\/p>\n L'analyse des sentiments peut \u00e9galement \u00eatre difficile car les machines n'ont pas un grand sens de l'humour. Cependant, si la machine est incapable de d\u00e9tecter quand quelqu'un utilise l'ironie ou le sarcasme, cela peut produire des interpr\u00e9tations erron\u00e9es embarrassantes.<\/p>\n Ce ne sont pas les seuls d\u00e9fis dans le d\u00e9veloppement de mod\u00e8les d'analyse des sentiments. Il est important de reconna\u00eetre et de comprendre le sens des phrases comparatives et d'\u00e9tablir une base de neutralit\u00e9.<\/p>\n Ces d\u00e9fis soulignent l'importance de tenir les humains inform\u00e9s (HITL) lors du d\u00e9veloppement de mod\u00e8les d'analyse des sentiments. Seuls les humains peuvent \u00e9prouver des sentiments et donc eux seuls peuvent cr\u00e9er un mod\u00e8le viable.<\/p>\n Une grande quantit\u00e9 de donn\u00e9es \u00e9tiquet\u00e9es est n\u00e9cessaire pour cr\u00e9er un algorithme d'analyse des sentiments. Les d\u00e9veloppeurs de mod\u00e8les d'analyse des sentiments doivent tenir compte du contexte et de l'assurance qualit\u00e9 lors de la s\u00e9lection d'une \u00e9quipe de pr\u00e9paration des donn\u00e9es. Cette \u00e9tude montre que les annotateurs qui sont pay\u00e9s \u00e0 l'heure sont plus susceptibles que ceux qui sont pay\u00e9s \u00e0 la t\u00e2che d'\u00e9tiqueter et de pr\u00e9parer correctement les donn\u00e9es. Les travailleurs externalis\u00e9s et les travailleurs \u00e0 la demande, d'autre part, sont plus susceptibles de mal interpr\u00e9ter le sentiment ou de choisir par d\u00e9faut l'option \u00ab\u00a0autre\u00a0\u00bb pour terminer la t\u00e2che.<\/p>\n Le meilleur des deux mondes : des effectifs g\u00e9r\u00e9s. Une main-d'\u0153uvre g\u00e9r\u00e9e vous donne l'avantage d'avoir une \u00e9quipe contr\u00f4l\u00e9e et sous votre supervision directe. Cela permet un meilleur contr\u00f4le de la qualit\u00e9 et un meilleur alignement avec les objectifs du projet. Une main-d'\u0153uvre g\u00e9r\u00e9e, qui est un mod\u00e8le externalis\u00e9, offre un niveau de flexibilit\u00e9 et d'\u00e9volutivit\u00e9 qui rivalise avec ceux offerts par le crowdsourcing ou l'\u00e9quipe avec des travailleurs \u00e0 la demande.<\/p>\n Tout se r\u00e9sume \u00e0 choisir la bonne main-d'\u0153uvre. Celui qui se soucie de vos donn\u00e9es et re\u00e7oit une formation continue. L'\u00e9tiquetage des donn\u00e9es peut \u00eatre aussi scientifique qu'artistique. Envisagez de collaborer avec des personnes qui connaissent \u00e0 la fois les aspects techniques et humains de l'\u00e9tiquetage des donn\u00e9es. C'est crucial pour vos mod\u00e8les et vos pr\u00e9dictions.<\/p>","protected":false},"excerpt":{"rendered":" Sentiment Analysis – and Why Computers Can’t Do It Alone Everybody has an opinion. But machines are not able to have the same opinions. How can machines learn to interpret people’s opinions? Why is this important? These are the questions that we will address in today’s blog on sentiment analysis (a subset of natural-language processing […]<\/p>","protected":false},"author":3,"featured_media":14323,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"inline_featured_image":false,"footnotes":""},"categories":[1],"tags":[],"class_list":["post-3042","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-data-annotation"],"blocksy_meta":[],"featured_image_urls":{"full":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis.jpg",2240,1260,false],"thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-150x150.jpg",150,150,true],"medium":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-300x169.jpg",300,169,true],"medium_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-768x432.jpg",768,432,true],"large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-1024x576.jpg",1024,576,true],"1536x1536":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-1536x864.jpg",1536,864,true],"2048x2048":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-2048x1152.jpg",2048,1152,true],"trp-custom-language-flag":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-18x10.jpg",18,10,true],"ultp_layout_landscape_large":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-1200x800.jpg",1200,800,true],"ultp_layout_landscape":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-870x570.jpg",870,570,true],"ultp_layout_portrait":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-600x900.jpg",600,900,true],"ultp_layout_square":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-600x600.jpg",600,600,true],"yarpp-thumbnail":["https:\/\/www.datalabelify.com\/wp-content\/uploads\/2021\/12\/Sentiment-Analysis-120x120.jpg",120,120,true]},"post_excerpt_stackable":" Sentiment Analysis – and Why Computers Can’t Do It Alone Everybody has an opinion. But machines are not able to have the same opinions. How can machines learn to interpret people’s opinions? Why is this important? These are the questions that we will address in today’s blog on sentiment analysis (a subset of natural-language processing (NLP). What is sentiment analysis and why does it matter to you? Sentiment analysis (also known as opinion mining) is a method for extracting subjective information from audio and text. This includes online reviews, customer support requests, and online reviews. Sentiment analysis, in its most\u2026<\/p>\n","category_list":"Data Annotation<\/a>","author_info":{"name":"Parth P","url":"https:\/\/www.datalabelify.com\/fr\/author\/soeuidhae\/"},"comments_num":"0 comments","_links":{"self":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/3042","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/comments?post=3042"}],"version-history":[{"count":3,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/3042\/revisions"}],"predecessor-version":[{"id":3077,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/posts\/3042\/revisions\/3077"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/media\/14323"}],"wp:attachment":[{"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/media?parent=3042"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/categories?post=3042"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.datalabelify.com\/fr\/wp-json\/wp\/v2\/tags?post=3042"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}Qu'est-ce que l'analyse des sentiments et pourquoi est-ce important pour vous\u00a0?<\/h3>\n
Pourquoi l'analyse des sentiments est-elle si difficile ?<\/h4>\n
Comment aborder la formation \u00e0 l'analyse des sentiments de la mani\u00e8re la plus efficace\u00a0?<\/h3>\n