AI भावना विश्लेषक

हे तुम्हाला काय सांगते

मजकुराचा एक तुकडा पेस्ट करा, Analyze दाबा, आणि पृष्ठ तो सकारात्मक की नकारात्मक वाचला जातो हे सांगते, प्रत्येक बाजूसाठी गुणांसह. येथे तटस्थ पर्याय नाही: जो गुण जास्त असतो तो शीर्षक बनतो, आणि प्रगती पट्टी त्या बाजूकडे झुकते.

हा एक ध्रुवीयता वर्गीकरण करणारा आहे, पूर्ण भावना प्रणाली नाही. तो पैलू काढत नाही, राग किंवा आनंद यांसारख्या भावना लेबल करत नाही, आणि कोणत्या शब्दांनी निकाल दिला हे स्पष्ट करत नाही. तो एकच अरुंद प्रश्न उत्तरतो — हा मजकूर अनुकूल वाटतो की प्रतिकूल? — आणि अर्थ लावणे तुमच्यावर सोडतो.

मॉडेल

समाविष्ट मॉडेल हे SST-2 परंपरेतील वाक्य-स्तरीय ध्रुवीयता वर्गीकरण करणारा आहे: लहान इंग्रजी वाक्ये, बहुतेक चित्रपट समीक्षा, सकारात्मक किंवा नकारात्मक असे लेबल केलेली. ते मूळ महत्त्वाचे आहे. तो सामान्य, मूल्यमापनात्मक भाषेत मांडलेल्या मतांमध्ये चांगला आहे आणि तथ्यात्मक मजकुरात कमकुवत आहे, जिथे शोधण्यासारखे मतच नसते.

दोन गुण सामान्यतः साधारणपणे एकापर्यंत बेरीज होतात, कारण अंतर्निहित वर्गीकरण करणारा प्रत्येक वर्गाला संभाव्यता नेमून देतो. पृष्ठ दोन्ही दाखवते, पण मोठे लेबल आणि पट्टी फक्त जास्त असलेल्याचे अनुसरण करतात.

निकाल कसा काढला जातो

सकारात्मक जिंकल्यावर, पॅनेल हसणारा चिन्ह दाखवते, हिरव्या रंगात Positive हा शब्द, आणि एक पट्टी जिची रुंदी 50 टक्के अधिक सकारात्मक गुणाच्या अर्धी असते. त्यामुळे 0.90 सकारात्मक गुण 85 टक्के पट्टी काढतो, 90 टक्के नाही. पट्टी ही मध्यबिंदूपासून दूरचा दृश्य झुकाव आहे, गुणाचा थेट आलेख नाही.

नकारात्मक जिंकल्यावर, तीच गणित नकारात्मक गुणाला लागू होते, आणि लेबल लाल होते. गुण अगदी समान असल्यास, कोड नकारात्मक शाखेत जातो, त्यामुळे परिपूर्ण बरोबरी Negative म्हणून दर्शवली जाते.

पट्टीखाली, दोन्ही टक्केवारी शेजारी शेजारी छापली जातात, Negative आणि Positive असे लेबल केलेली. ते खरे आकडे आहेत; पट्टी फक्त सारांश आहे. Clear बटण मजकूर क्षेत्र रिकामे करते, अक्षर संख्या रीसेट करते आणि निकाल लपवते.

टप्प्याटप्प्याने

1. चौकटीत मजकूर पेस्ट करा किंवा टाइप करा. तुम्ही टाइप करताच अक्षर मोजणी अद्ययावत होते.
2. किमान तीन अक्षरे होईपर्यंत Analyze बटण बंद राहते.
3. पहिल्या वेळी, ब्राउझर मजकूर रनटाइम आणि BERT मॉडेल डाउनलोड करतो. पॅनेल प्रत्येक टप्प्याचे नाव सांगते.
4. Analyze Sentiment दाबा. निकाल रिकाम्या स्थितीची जागा घेतो.
5. मजकूर संपादित करा आणि तुलना करण्यासाठी पुन्हा विश्लेषण करा; मॉडेल लोड केलेले राहते.

पहिल्या वेळची प्रतीक्षा टाळायची असल्यास Load AI Model बटण सर्वकाही आगाऊ लोड करते. लोड झाल्यावर ते हिरव्या "Model Ready" स्थितीत बदलते.

गुण प्रामाणिकपणे वाचणे

गुण म्हणजे लेबलावरील वर्गीकरण करणाऱ्याचा विश्वास, भावनेची मोजलेली तीव्रता नाही. 0.95 सकारात्मक म्हणजे मॉडेलला खात्री आहे की वाक्य सकारात्मक वर्गात मोडते; याचा अर्थ वाक्य अत्यंत सकारात्मक आहे असा होत नाही. सौम्य अनुकूल समीक्षा आणि अति उत्साही समीक्षा दोन्ही 0.99 च्या जवळ येऊ शकतात.

लहान फरक म्हणजे गोंगाट. 0.52 सकारात्मक विरुद्ध 0.48 नकारात्मक हा निकाल नाणेफेकीच्या जवळ आहे, आणि एकच शब्द बदलल्यास तो उलटू शकतो. 0.45 ते 0.55 श्रेणीतील काहीही कमकुवत सकारात्मक नाही तर अनिर्णित म्हणून घ्या.

लांब मजकूर हे विशेष प्रकरण आहे. मॉडेलची इनपुट विंडो निश्चित असते, त्यामुळे लांब उतारा आंतरिकरित्या प्रभावीपणे कापला किंवा सारांशित केला जातो. पाच वैशिष्ट्यांची प्रशंसा करणारी आणि एकाची टीका करणारी समीक्षा सुरुवातीवर कोणता भाग वर्चस्व गाजवतो त्यावर वर्गीकृत केली जाऊ शकते, आणि बहुतेक मजकूर दुर्लक्षित झाला याची दर्शविलेला गुण तुम्हाला चेतावणी देणार नाही.

ते कुठे चालते

• लहान मत वाक्ये. "The battery lasts all day" किंवा "The app crashes constantly" ही नेमकी तीच रचना आहे ज्यावर मॉडेल प्रशिक्षित केले होते.
• समीक्षा वर्गीकरण. टिप्पण्यांचा ढीग वाचण्यापूर्वी त्यांना व्यापकपणे सकारात्मक आणि व्यापकपणे नकारात्मक असे विभागणे.
• त्वरित सूर तपासणी. शीर्षक, टॅगलाइन किंवा ग्राहक उत्तराची तर्कसंगत तपासणी करणे.
• शिकवणे. मजकूर वर्गीकरण करणारा शब्दांना दोन संभाव्यतांमध्ये कसा बदलतो याचे संक्षिप्त प्रात्यक्षिक.
• गाळणी. सपोर्ट इनबॉक्समधील संभाव्य तक्रारी माणसाने तपासण्यासाठी चिन्हांकित करणे.

ते कुठे अयशस्वी होते

उपरोध हे ठराविक अपयश आहे. "Great, another delay" मध्ये सकारात्मक शब्दसंग्रह आणि नकारात्मक अर्थ आहे, आणि मॉडेल बहुतेक वेळा हेतूऐवजी शब्द वाचतो. विडंबन, अप्रत्यक्ष स्तुती आणि वक्तृत्वात्मक प्रश्नही त्याचप्रमाणे अविश्वसनीय असतात.

नकार असमानपणे हाताळला जातो. "वाईट नाही" आणि "चांगले नाही" शब्दसंग्रहात जवळ असतात पण अर्थाने विरुद्ध, आणि मोठ्या वाक्यात एकच नकार चुकवला जाऊ शकतो. मिश्र भावनाही सपाट केल्या जातात: उत्पादनाची प्रशंसा करणारा आणि डिलिव्हरीची निंदा करणारा परिच्छेद एकच लेबल होतो, दोन्ही मते आहेत याचा कोणताही संकेत न देता.

तथ्यात्मक आणि तटस्थ मजकूर द्विआधारी स्वरूपात ढकलला जातो. तपशील पत्रक, बातमीचे शीर्षक किंवा कायदेशीर कलमाला ध्रुवीयता नसते, तरीही वर्गीकरणकर्ता तरीही विजेता परत करतो. ती परिणामे सौम्य कल आहेत असे न मानता अर्थहीन माना.

डोमेन बदल महत्त्वाचा आहे. मॉडेल चित्रपट-समीक्षा भाषेतून शिकले; उत्पादन समीक्षा, चॅट संदेश, ट्विट, वैद्यकीय नोंदी आणि इंग्रजीतर मजकूर या सर्वांचे वर्तन वेगळे असते. इमोजी, स्लँग आणि संक्षेप त्याला मोठ्या प्रमाणात अदृश्य असतात.

ते काय करत नाही

तटस्थ वर्ग नाही, भावना लेबल नाही, पैलू-आधारित भावना नाही, प्रत्येक-वाक्य विभाजन नाही, मुख्य शब्द हायलाइटिंग नाही, स्पष्टीकरण नाही, भाषा ओळख नाही, भाषांतर नाही आणि बॅच विश्लेषण नाही. ते तीव्रता प्रमाणात मोजत नाही, आणि मजकूर का अशा प्रकारे वर्गीकृत झाला हे ते सांगत नाही.

गोपनीयता

मजकूर WebAssembly मध्ये स्थानिकपणे प्रक्रिया केला जातो. सर्व्हरवर काहीही पाठवले जात नाही, आणि पृष्ठ बंद केल्यानंतर काहीही साठवले जात नाही. रनटाइम आणि मॉडेल पहिल्या वापरावर सार्वजनिक CDN वरून डाउनलोड केले जातात, ज्यामुळे साधन उघडले गेले हे कळते पण तुम्ही काय टाइप केले ते नाही. त्यामुळे तुमच्या स्वतःच्या डेटा नियमांच्या अधीन राहून ते अंतर्गत नोंदी आणि ग्राहक संदेशांसाठी वापरण्यायोग्य बनते.

मर्यादा

एका वेळी एकच मजकूर तुकडा, फाइल अपलोड नाही, बॅच मोड नाही, भाषा निवड नाही आणि समायोज्य थ्रेशोल्ड नाही. मॉडेलची इनपुट विंडो दीर्घ दस्तऐवजाचा किती भाग प्रत्यक्षात विचारात घेतला जातो हे मर्यादित करते. पहिल्या लोडवर WebAssembly आणि नेटवर्क प्रवेश असलेला आधुनिक ब्राउझर आवश्यक आहे.

सामान्य चुका

• तटस्थ निकालाची अपेक्षा करणे. मॉडेलमध्ये फक्त दोन वर्ग आहेत आणि ते नेहमी एक निवडते.
• स्कोअरला तीव्रता मानणे. तो लेबलमधील विश्वास आहे, भावनेची ताकद नाही.
• संपूर्ण लेखाचे विश्लेषण करणे. दीर्घ मजकूर कापला जातो, आणि निकाल त्याच्या फक्त काही भागाचे प्रतिबिंब असू शकतो.
• व्यंग्य ओळखीवर विश्वास ठेवणे. विडंबन नित्यनेमाने दृश्यमान ध्रुवीयता उलटवते.
• तथ्यात्मक मजकूरावर ते वापरणे. तपशील आणि बातम्यांमध्ये वर्गीकृत करण्यासाठी कोणतेही मत नसते.
• 52 टक्के निकाल निष्कर्ष म्हणून वाचणे. जवळपासचे बरोबरीचे निकाल अस्थिर असतात आणि सहज उलटले जातात.

वारंवार विचारले जाणारे प्रश्न