מה אם היתה לכם מכונה שיודעת להגיד בדיוק מה הלקוח מרגיש? או כזאת שתומכת בעובד שלכם כשהיה לו יום קשה?
ברוכים הבאים לעולם של ניתוח סנטימנטים.
הודות להתקדמות בניתוח סנטימנטים ולמידת מכונה, המיכשור שסביבנו מתקרב יותר ויותר להבין ולספק תובנות לגבי הרגשות שלנו.
בואו נדבר רגע על מזה בכלל ניתוח סנטימנטים (הידוע גם ככריית דעות)
ניתוח סנטימנטים משתמש באלגוריתמים של למידת מכונה כדי לחלץ סנטימנטים מנתונים בין אם טקסטואליים או גרפיים.
זה כולל פרוש של הרגשות המועברים במשפטים, והבאות הפנים שלנו בהתאם למה שאנו שומעים.
זה מה שמאפשר להם לאמוד חיוביות או שליליות במדויק וכדי להבין איך עובד ניתוח סנטימנטים, בואו ניקח לדוגמא את המשפט: "אני אוהב את הסרט הזה."
אם היינו מדרגים את הסנטימנט בסולם של 0 עד 10, כאשר 0 הוא שלילי ו-10 הוא חיובי, היינו מעניקים לו בקלות ציון גבוה, נניח 10.
עם זאת, אם נשנה מעט את הפועל ל"אהבתי את הסרט הזה "החיוביות נשארת אבל היא נמוכה יחסית בסולם.
משפט כמו "שנאתי את הסרט הזה" יקבל ציון קרוב יותר ל-0.
אלגוריתמים של ניתוח סנטימנטים לומדים בדיוק מדוגמאות אלו לחזות סנטימנטים במשפטים חדשים.
למידת מכונה, הכוח המניע מאחורי ניתוח סנטימנטים, משתמשת במודלים שונים כדי לעבד ולפרש נתונים.
מודלים אלה, לרוב רשתות ערשתות נוירונים, מחקים את המבנה והתפקוד של המוח שלנו.
על ידי אספקת תשומות והאסוציאציות שלהן, רשתות אלו יכולות לחזות תשומות עתידיות בהקשר של ניתוח סנטימנטים.
מודל למידת מכונה שנועד לזהות אם תמונה מסויימת, ידרוש הכשרה של אלפי תמונות כדי ללמוד איך נראה נמר וזאת מכיוון שהיא תופסת תמונות באופן שונה מאהצורה בה אנו רואים.
במקום זאת, היא מפרשת מספרים.
לפיכך, אנו ממירים תמונות לרשימות של וקטורי RGB, המציינים את הצבעים של כל פיקסל ובכך מתאפשר לה להבין את הקלט.
באופן דומה, כאשר אנו עוסקים במשפטים,במודלים של chatGPT לדוגמא, אנו עומדים בפני אתגר דומה של הפיכת מילים למספרים.
הקצאת ערך מספרי לכל מילה אינה מספקת מכיוון שהיא לא מצליחה לזהות את קווי הדמיון הסמנטיים בין המילים.
למשל, היא מתקשה להבחין בין מילים כמו "אוהב" ו"אהבתי" לעומת "אוהב" ו"שנוא".
כאן נכנסים לתמונה וקטורי מילים.
וקטורי מילים מייצגים מילים כווקטורים רב-ממדיים, המאפשרים הערכת קשרים בין מילים.
על ידי שרטוט הוקטורים הללו על מישור קואורדינטות, אנו יכולים לדמיין ולנתח את המרחקים בין מילים, ולהדגים את הקשרים הסמנטיים שלהן.
הוספת מימדים נוספים לוקטורים אלה משפרת את היכולת לבטא את היחסים המורכבים בתוך השפה העברית, האנגלית שפת קוד וכו׳.
כדי להכשיר מודלים של ניתוח סנטימנטים, נדרשות מערכי נתונים גדולים מאוד!
ולצורך כך יש מגוון של מערכי נתונים סנטימנטלים כמו למשל Kaggle של טוויטר, הכולל 1.5 מיליון ציוצים מסווגים ידנית כחיוביים או שליליים.
או GloVe (Global Vectors for Representation Word) של אוניברסיטת סטנפורד שמספקת וקטורי מילים שנוצרו מראש ומבוססים על ניתוח נרחב של קשרים הקשריים בתוך משפטים.
עם זאת, ניקוי הנתונים לפני האימון של המכונה הוא קריטי.
הסרת סימני פיסוק, מילות עצירה (כגון "כמו" או "זה") וטיפול בקיצורי סלנג באינטרנט הם רק חלק מהשלבים בהכנת מערך הנתונים.
ובעוד שמודלים של ניתוח סנטימנטים עשו צעדים משמעותיים, לדיוק שלהם עדיין יש מקום לשיפור.
ככל שהטכנולוגיה ממשיכה להתקדם, אנו יכולים לצפות לדיוק ויעילות גבוהים עוד יותר במדידת רגשות מטקסט.
מודל השפה PI מראה בצורה יפה מאוד דוגמא ליכולת שכזו ( https://heypi.com/talk )
יתרה מכך, ניתוח סנטימנטים יכול למלא תפקיד חיוני בבלימת הרדיקליזציה באינטרנט.
האינטרנט הפך לקרקע פורייה לאידיאולוגיות קיצוניות, מה שמציב אתגרים משמעותיים לשמירה על הבטיחות המקוונת.
ממשלות וארגונים יכולים למנף ניתוח סנטימנטים כדי לנטר ולנתח תוכן מקוון, לזהות סנטימנטים שעלולים להיות מסוכנים ולנקוט באמצעים יזומים כדי להבטיח סביבה מקוונת ובטוחה יותר לכולם.
טוב אבל איפה זה פוגש אותנו ולמה זה מעניין אותי?
טוב ששאלתם.
טכנולוגיות AI מסויימות כבר משמשות לאיתור וניתוח טון רגשי במידע דיגיטלי זמין ברשת, כגון מדיה חברתית, בלוגים, ביקורות וכו'.
ניתוח סנטימנטים כבר מספק תובנות חשובות לחברות בנוגע לתפיסת לקוחות של מוצרים ושירותים ובכך עזור לזהות אזורים לשיפור והזדמנויות עסקיות חדשות.
ניתוח סנטימנטים יכול לשמש לזיהוי משפיענים בתחום המותג, מה שמאפשר לחברות ליצור חיבורים ובכך לעזור להם לשפר את ההצעה שלהם.
זה יכול גם לעזור לחברות לזהות דרישות עתידיות של לקוחות ולשפר את המוצרים והשירותים הקיימים על פי הצרכים העולים ישירות מהלקוחות.
ניתוח סנטימנטים כוללים גם יכולות לניתוח קולות וביטויי פנים.
כך ניתן לזהות שינויים במצב הרוח במהלך שיחות תמיכה או להעריך את תפיסת הלקוח לגבי מוצרים חדשים בחנויות.
לדוגמה, ידעתם שנטפליקס ניסתה להשתמש בניתוח סנטימנט של ביטויי פנים כדי לשפר טריילרים לסרטים?
כאשר חברה מקנה לעצמה את היכולת לבצע ניתוחי סנטימנטים של לקוחות, המידע המתקבל חזרה שווה זהב!
נסו לדמיין בעצמכם, מה אם היתה לכם מכונה שיודעת להגיד בדיוק מה הלקוח מרגיש? האם הוא מרוצה או מה הפריע לו בתהליך המכירה או השירות…
השימוש בניתוחי סנטימנט הוא רחב מאוד ונמצא כל הזמן בפיתוח.
חברות ועסקים אשר ישכילו לאמץ את היכולות הללו לתהליכי העסק שלהם, יוכלו למצוא את נקודות התורפה שבתהליכים המתבצאים כיום.
בין אם זה למול הלקוחות, למול הספקים או למול העובדים.
עם זאת, חשוב לציין שיש גם חששות בנוגע למהימנות, ספציפיות והכללה של ניתוח סנטימנטים. ֿ
לעיתים קרובות ניתוח סנטימנטים עשוי לא להיות מדוייק ולטעות בזיהוי הרגש המדובר, התערבבות בין רגשות שונים ותלות בקטעי טקסט קצרים ומוקטנים יכולים להוות מידע מוטעה עבור המערכת ומכך נדרש להגדיר בדיוק את התוצאות אותן אנו מחפשים לקבל.
ניתוח סנטימנטים הוא תחום מרתק של מדעי המחשב ובינה מלאכותית, הוא מאפשר לזהות ולנתח רגשות ודעות שבטקסט, קול או ביטויי פנים.
ניתוח זה משמש בין היתר לעקוב אחר דעות ציבור, לשפר את ההבנה על השוק, ולזהות תיקונים פוטנציאליים במוצרים או שירותים.
לכן, חשוב להתייחס לתוצאות הניתוח בצורה מבוססת וביקורתית, ולשלב את הממצאים עם מידע נוסף ומקורות אחרים.
מאמר זה נכתב ע״י עומר הררי – מומחה Ai בZero21 וחבר פאנל המומחים שלנו : https://www.zero21innovation.com/experts/
מוזמנים לעקוב אחר הקבוצות שלנו בנושא בינה מלאכותית לעסקים :
פייסבוק – https://www.facebook.com/groups/aib2b
לינקדין – https://www.linkedin.com/groups/9360154/
אבל
