AI ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਕ

ਇਹ ਤੁਹਾਨੂੰ ਕੀ ਦੱਸਦਾ ਹੈ

ਇੱਕ ਟੈਕਸਟ ਦਾ ਟੁਕੜਾ ਪੇਸਟ ਕਰੋ, Analyze ਦਬਾਓ, ਅਤੇ ਪੰਨਾ ਦੱਸਦਾ ਹੈ ਕਿ ਇਹ ਸਕਾਰਾਤਮਕ ਪੜ੍ਹਨ ਵਿੱਚ ਆਉਂਦਾ ਹੈ ਜਾਂ ਨਕਾਰਾਤਮਕ, ਹਰ ਪਾਸੇ ਲਈ ਇੱਕ ਸਕੋਰ ਦੇ ਨਾਲ। ਕੋਈ ਨਿਰਪੱਖ ਵਿਕਲਪ ਨਹੀਂ ਹੈ: ਜੋ ਵੀ ਸਕੋਰ ਵੱਧ ਹੋਵੇ ਉਹ ਸਿਰਲੇਖ ਬਣ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਪ੍ਰਗਤੀ ਪੱਟੀ ਉਸ ਪਾਸੇ ਵੱਲ ਝੁਕਦੀ ਹੈ।

ਇਹ ਇੱਕ ਧਰੁਵੀ ਵਰਗੀਕਰਨ ਹੈ, ਪੂਰਾ ਭਾਵਨਾ ਪ੍ਰਣਾਲੀ ਨਹੀਂ। ਇਹ ਪਹਿਲੂਆਂ ਨੂੰ ਨਹੀਂ ਕੱਢਦਾ, ਗੁੱਸੇ ਜਾਂ ਖੁਸ਼ੀ ਵਰਗੀਆਂ ਭਾਵਨਾਵਾਂ ਨੂੰ ਲੇਬਲ ਨਹੀਂ ਕਰਦਾ, ਅਤੇ ਇਹ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਕਿਹੜੇ ਸ਼ਬਦਾਂ ਨੇ ਨਤੀਜਾ ਦਿੱਤਾ। ਇਹ ਇੱਕ ਸੰਕੀਰਣ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦਾ ਹੈ — ਕੀ ਇਹ ਟੈਕਸਟ ਅਨੁਕੂਲ ਲੱਗਦਾ ਹੈ ਜਾਂ ਪ੍ਰਤੀਕੂਲ? — ਅਤੇ ਵਿਆਖਿਆ ਤੁਹਾਡੇ ਉੱਤੇ ਛੱਡ ਦਿੰਦਾ ਹੈ।

ਮਾਡਲ

ਬੰਡਲ ਕੀਤਾ ਮਾਡਲ SST-2 ਪਰੰਪਰਾ ਵਿੱਚ ਇੱਕ ਵਾਕ-ਪੱਧਰੀ ਧਰੁਵੀ ਵਰਗੀਕਰਨ ਹੈ: ਛੋਟੇ ਅੰਗਰੇਜ਼ੀ ਵਾਕ, ਜ਼ਿਆਦਾਤਰ ਫਿਲਮ ਸਮੀਖਿਆਵਾਂ, ਸਕਾਰਾਤਮਕ ਜਾਂ ਨਕਾਰਾਤਮਕ ਲੇਬਲ ਵਾਲੇ। ਉਹ ਮੂਲ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਇਹ ਆਮ, ਮੁਲਾਂਕਣਾਤਮਕ ਭਾਸ਼ਾ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤੀਆਂ ਰਾਵਾਂ ਵਿੱਚ ਚੰਗਾ ਹੈ ਅਤੇ ਤੱਥੀ ਟੈਕਸਟ ਵਿੱਚ ਕਮਜ਼ੋਰ, ਜਿੱਥੇ ਖੋਜਣ ਲਈ ਕੋਈ ਰਾਏ ਹੀ ਨਹੀਂ ਹੁੰਦੀ।

ਦੋ ਸਕੋਰ ਆਮ ਤੌਰ 'ਤੇ ਲਗਭਗ ਇੱਕ ਤੱਕ ਜੋੜਦੇ ਹਨ, ਕਿਉਂਕਿ ਅੰਡਰਲਾਈੰਗ ਵਰਗੀਕਰਨ ਹਰ ਕਲਾਸ ਨੂੰ ਇੱਕ ਸੰਭਾਵਨਾ ਸੌਂਪਦਾ ਹੈ। ਪੰਨਾ ਦੋਵੇਂ ਦਿਖਾਉਂਦਾ ਹੈ, ਪਰ ਵੱਡਾ ਲੇਬਲ ਅਤੇ ਪੱਟੀ ਸਿਰਫ਼ ਵੱਧ ਵਾਲੇ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ।

ਨਤੀਜਾ ਕਿਵੇਂ ਖਿੱਚਿਆ ਜਾਂਦਾ ਹੈ

ਜਦੋਂ ਸਕਾਰਾਤਮਕ ਜਿੱਤਦਾ ਹੈ, ਪੈਨਲ ਇੱਕ ਮੁਸਕਰਾਉਂਦਾ ਆਈਕਨ, ਹਰੇ ਰੰਗ ਵਿੱਚ ਸ਼ਬਦ Positive, ਅਤੇ ਇੱਕ ਪੱਟੀ ਦਿਖਾਉਂਦਾ ਹੈ ਜਿਸਦੀ ਚੌੜਾਈ 50 ਫ਼ੀਸਦੀ ਪਲੱਸ ਸਕਾਰਾਤਮਕ ਸਕੋਰ ਦਾ ਅੱਧਾ ਹੁੰਦੀ ਹੈ। ਇਸ ਲਈ 0.90 ਸਕਾਰਾਤਮਕ ਸਕੋਰ 85 ਫ਼ੀਸਦੀ ਪੱਟੀ ਖਿੱਚਦਾ ਹੈ, 90 ਫ਼ੀਸਦੀ ਨਹੀਂ। ਪੱਟੀ ਮੱਧ ਬਿੰਦੂ ਤੋਂ ਦੂਰ ਇੱਕ ਦ੍ਰਿਸ਼ਟੀਗਤ ਝੁਕਾਅ ਹੈ, ਸਕੋਰ ਦਾ ਸਿੱਧਾ ਪਲਾਟ ਨਹੀਂ।

ਜਦੋਂ ਨਕਾਰਾਤਮਕ ਜਿੱਤਦਾ ਹੈ, ਉਹੀ ਗਣਿਤ ਨਕਾਰਾਤਮਕ ਸਕੋਰ 'ਤੇ ਲਾਗੂ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਲੇਬਲ ਲਾਲ ਹੋ ਜਾਂਦਾ ਹੈ। ਜੇ ਸਕੋਰ ਬਿਲਕੁਲ ਬਰਾਬਰ ਹੋਣ, ਕੋਡ ਨਕਾਰਾਤਮਕ ਸ਼ਾਖਾ ਵਿੱਚ ਚਲਾ ਜਾਂਦਾ ਹੈ, ਇਸ ਲਈ ਇੱਕ ਪੂਰੀ ਬਰਾਬਰੀ ਨਕਾਰਾਤਮਕ ਵਜੋਂ ਦਿਖਾਈ ਜਾਂਦੀ ਹੈ।

ਪੱਟੀ ਦੇ ਹੇਠਾਂ, ਦੋਵੇਂ ਫ਼ੀਸਦੀਆਂ ਨਾਲ-ਨਾਲ ਛਾਪੀਆਂ ਜਾਂਦੀਆਂ ਹਨ, ਨਕਾਰਾਤਮਕ ਅਤੇ ਸਕਾਰਾਤਮਕ ਲੇਬਲ ਵਾਲੀਆਂ। ਇਹ ਅਸਲ ਸੰਖਿਆਵਾਂ ਹਨ; ਪੱਟੀ ਸਿਰਫ਼ ਇੱਕ ਸੰਖੇਪ ਹੈ। Clear ਬਟਨ ਟੈਕਸਟਏਰੀਆ ਖਾਲੀ ਕਰਦਾ ਹੈ, ਅੱਖਰ ਗਿਣਤੀ ਰੀਸੈਟ ਕਰਦਾ ਹੈ ਅਤੇ ਨਤੀਜਾ ਲੁਕਾਉਂਦਾ ਹੈ।

ਕਦਮ ਦਰ ਕਦਮ

1. ਬਕਸੇ ਵਿੱਚ ਟੈਕਸਟ ਪੇਸਟ ਕਰੋ ਜਾਂ ਟਾਈਪ ਕਰੋ। ਜਿਵੇਂ ਤੁਸੀਂ ਟਾਈਪ ਕਰਦੇ ਹੋ ਅੱਖਰ ਕਾਊਂਟਰ ਅੱਪਡੇਟ ਹੁੰਦਾ ਹੈ।
2. ਜਦੋਂ ਤੱਕ ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਅੱਖਰ ਨਾ ਹੋਣ, Analyze ਬਟਨ ਬੰਦ ਰਹਿੰਦਾ ਹੈ।
3. ਪਹਿਲੀ ਵਾਰ ਚਲਾਉਣ 'ਤੇ, ਬ੍ਰਾਊਜ਼ਰ ਟੈਕਸਟ ਰਨਟਾਈਮ ਅਤੇ BERT ਮਾਡਲ ਡਾਊਨਲੋਡ ਕਰਦਾ ਹੈ। ਪੈਨਲ ਹਰ ਪੜਾਅ ਦਾ ਨਾਮ ਦੱਸਦਾ ਹੈ।
4. Analyze Sentiment ਦਬਾਓ। ਨਤੀਜਾ ਖਾਲੀ ਸਥਿਤੀ ਦੀ ਥਾਂ ਲੈ ਲੈਂਦਾ ਹੈ।
5. ਟੈਕਸਟ ਵਿੱਚ ਸੋਧ ਕਰੋ ਅਤੇ ਤੁਲਨਾ ਲਈ ਦੁਬਾਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ; ਮਾਡਲ ਲੋਡ ਰਹਿੰਦਾ ਹੈ।

Load AI Model ਬਟਨ ਸਭ ਕੁਝ ਪਹਿਲਾਂ ਤੋਂ ਲੋਡ ਕਰਦਾ ਹੈ ਜੇ ਤੁਸੀਂ ਪਹਿਲੀ ਵਾਰ ਦੇ ਇੰਤਜ਼ਾਰ ਤੋਂ ਬਚਣਾ ਚਾਹੁੰਦੇ ਹੋ। ਲੋਡ ਹੋਣ ਤੋਂ ਬਾਅਦ ਇਹ ਹਰੀ "Model Ready" ਸਥਿਤੀ ਵਿੱਚ ਬਦਲ ਜਾਂਦਾ ਹੈ।

ਸਕੋਰਾਂ ਨੂੰ ਇਮਾਨਦਾਰੀ ਨਾਲ ਪੜ੍ਹਨਾ

ਸਕੋਰ ਇੱਕ ਲੇਬਲ ਵਿੱਚ ਵਰਗੀਕਰਨ ਦਾ ਭਰੋਸਾ ਹੈ, ਭਾਵਨਾ ਦੀ ਮਾਪੀ ਗਈ ਤੀਬਰਤਾ ਨਹੀਂ। 0.95 ਸਕਾਰਾਤਮਕ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਮਾਡਲ ਨੂੰ ਭਰੋਸਾ ਹੈ ਕਿ ਵਾਕ ਸਕਾਰਾਤਮਕ ਕਲਾਸ ਨਾਲ ਸੰਬੰਧਿਤ ਹੈ; ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਕਿ ਵਾਕ ਬਹੁਤ ਜ਼ਿਆਦਾ ਸਕਾਰਾਤਮਕ ਹੈ। ਇੱਕ ਹਲਕੀ ਅਨੁਕੂਲ ਸਮੀਖਿਆ ਅਤੇ ਇੱਕ ਬਹੁਤ ਖੁਸ਼ਹਾਲ ਸਮੀਖਿਆ ਦੋਵੇਂ 0.99 ਦੇ ਨੇੜੇ ਆ ਸਕਦੀਆਂ ਹਨ।

ਛੋਟੇ ਅੰਤਰ ਸ਼ੋਰ ਹਨ। 0.52 ਸਕਾਰਾਤਮਕ ਬਨਾਮ 0.48 ਨਕਾਰਾਤਮਕ ਦਾ ਨਤੀਜਾ ਸਿੱਕਾ ਉਛਾਲਣ ਦੇ ਨੇੜੇ ਹੈ, ਅਤੇ ਇੱਕ ਸ਼ਬਦ ਨੂੰ ਬਦਲਣਾ ਇਸਨੂੰ ਪਲਟ ਸਕਦਾ ਹੈ। 0.45 ਤੋਂ 0.55 ਬੈਂਡ ਵਿੱਚ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਨੂੰ ਕਮਜ਼ੋਰ ਸਕਾਰਾਤਮਕ ਦੀ ਬਜਾਏ ਅਣਸੁਲਝਿਆ ਮੰਨੋ।

ਲੰਮਾ ਟੈਕਸਟ ਇੱਕ ਖ਼ਾਸ ਮਾਮਲਾ ਹੈ। ਮਾਡਲ ਦੀ ਇੱਕ ਨਿਸ਼ਚਿਤ ਇਨਪੁੱਟ ਵਿੰਡੋ ਹੁੰਦੀ ਹੈ, ਇਸ ਲਈ ਇੱਕ ਲੰਮਾ ਲੇਖ ਅਸਲ ਵਿੱਚ ਕੱਟਿਆ ਜਾਂ ਅੰਦਰੂਨੀ ਤੌਰ 'ਤੇ ਸੰਖੇਪ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਸਮੀਖਿਆ ਜੋ ਪੰਜ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਦੀ ਤਾਰੀਫ਼ ਕਰਦੀ ਹੈ ਅਤੇ ਇੱਕ ਦੀ ਆਲੋਚਨਾ ਕਰਦੀ ਹੈ, ਉਸ ਹਿੱਸੇ 'ਤੇ ਵਰਗੀਕ੍ਰਿਤ ਹੋ ਸਕਦੀ ਹੈ ਜੋ ਸ਼ੁਰੂਆਤ 'ਤੇ ਹਾਵੀ ਹੋਵੇ, ਅਤੇ ਦਿਖਾਇਆ ਗਿਆ ਸਕੋਰ ਤੁਹਾਨੂੰ ਚੇਤਾਵਨੀ ਨਹੀਂ ਦੇਵੇਗਾ ਕਿ ਜ਼ਿਆਦਾਤਰ ਟੈਕਸਟ ਨੂੰ ਅਣਡਿੱਠ ਕੀਤਾ ਗਿਆ ਸੀ।

ਇਹ ਕਿੱਥੇ ਕੰਮ ਕਰਦਾ ਹੈ

• ਛੋਟੇ ਰਾਏ ਵਾਲੇ ਵਾਕ। "The battery lasts all day" ਜਾਂ "The app crashes constantly" ਬਿਲਕੁਲ ਉਹੀ ਰੂਪ ਹਨ ਜਿਸ 'ਤੇ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ।
• ਸਮੀਖਿਆ ਛਾਂਟਣੀ। ਟਿੱਪਣੀਆਂ ਦੇ ਢੇਰ ਨੂੰ ਪੜ੍ਹਨ ਤੋਂ ਪਹਿਲਾਂ ਮੋਟੇ ਤੌਰ 'ਤੇ ਸਕਾਰਾਤਮਕ ਅਤੇ ਮੋਟੇ ਤੌਰ 'ਤੇ ਨਕਾਰਾਤਮਕ ਵਿੱਚ ਵੰਡਣਾ।
• ਤੇਜ਼ ਲਹਿਜ਼ਾ ਜਾਂਚ। ਇੱਕ ਸਿਰਲੇਖ, ਇੱਕ ਟੈਗਲਾਈਨ ਜਾਂ ਇੱਕ ਗਾਹਕ ਜਵਾਬ ਦੀ ਤੰਦਰੁਸਤੀ ਜਾਂਚਣਾ।
• ਸਿਖਾਉਣਾ। ਇੱਕ ਸੰਖੇਪ ਪ੍ਰਦਰਸ਼ਨ ਕਿ ਇੱਕ ਟੈਕਸਟ ਵਰਗੀਕਰਨ ਸ਼ਬਦਾਂ ਨੂੰ ਦੋ ਸੰਭਾਵਨਾਵਾਂ ਵਿੱਚ ਕਿਵੇਂ ਬਦਲਦਾ ਹੈ।
• ਫਿਲਟਰ ਕਰਨਾ। ਸਹਾਇਤਾ ਇਨਬਾਕਸ ਵਿੱਚ ਸੰਭਾਵੀ ਸ਼ਿਕਾਇਤਾਂ ਨੂੰ ਨਿਸ਼ਾਨਬੱਧ ਕਰਨਾ ਤਾਂ ਜੋ ਕੋਈ ਵਿਅਕਤੀ ਉਹਨਾਂ ਦੀ ਸਮੀਖਿਆ ਕਰ ਸਕੇ।

ਇਹ ਕਿੱਥੇ ਫੇਲ੍ਹ ਹੁੰਦਾ ਹੈ

ਕਟਾਖ ਸਭ ਤੋਂ ਕਲਾਸਿਕ ਅਸਫਲਤਾ ਹੈ। "Great, another delay" ਵਿੱਚ ਸਕਾਰਾਤਮਕ ਸ਼ਬਦਾਵਲੀ ਅਤੇ ਨਕਾਰਾਤਮਕ ਅਰਥ ਹਨ, ਅਤੇ ਮਾਡਲ ਅਕਸਰ ਇਰਾਦੇ ਦੀ ਬਜਾਏ ਸ਼ਬਦਾਂ ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ। ਵਿਅੰਗ, ਚੁਭਵੇਂ ਤਾਰੀਫ਼ਾਂ ਅਤੇ ਅਲੰਕਾਰਿਕ ਸਵਾਲ ਵੀ ਇਸੇ ਤਰ੍ਹਾਂ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੁੰਦੇ।

ਨਕਾਰਾਤਮਕਤਾ ਨੂੰ ਅਸਮਾਨ ਢੰਗ ਨਾਲ ਸੰਭਾਲਿਆ ਜਾਂਦਾ ਹੈ। "Not bad" ਅਤੇ "not good" ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ ਨੇੜੇ ਹਨ ਪਰ ਅਰਥ ਵਿੱਚ ਉਲਟ, ਅਤੇ ਇੱਕ ਲੰਮੇ ਵਾਕ ਵਿੱਚ ਇੱਕ ਨਕਾਰਾਤਮਕਤਾ ਖੁੰਝ ਸਕਦੀ ਹੈ। ਮਿਸ਼ਰਤ ਭਾਵਨਾ ਵੀ ਸਮਤਲ ਕਰ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ: ਇੱਕ ਪੈਰਾ ਜੋ ਉਤਪਾਦ ਦੀ ਤਾਰੀਫ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਡਿਲੀਵਰੀ ਦੀ ਨਿੰਦਾ ਕਰਦਾ ਹੈ, ਇੱਕ ਲੇਬਲ ਬਣ ਜਾਂਦਾ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਸੰਕੇਤ ਦੇ ਕਿ ਦੋਵੇਂ ਰਾਏ ਮੌਜੂਦ ਹਨ।

ਤੱਥਾਤਮਕ ਅਤੇ ਨਿਰਪੱਖ ਟੈਕਸਟ ਨੂੰ ਦੋ-ਧਰੁਵੀ ਵਿੱਚ ਜ਼ਬਰਦਸਤੀ ਪਾਇਆ ਜਾਂਦਾ ਹੈ। ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਸ਼ੀਟ, ਇੱਕ ਖ਼ਬਰ ਦਾ ਸਿਰਲੇਖ ਜਾਂ ਇੱਕ ਕਾਨੂੰਨੀ ਧਾਰਾ ਵਿੱਚ ਕੋਈ ਧਰੁਵੀਤਾ ਨਹੀਂ ਹੁੰਦੀ, ਫਿਰ ਵੀ ਵਰਗੀਕਰਨ ਕਰਤਾ ਇੱਕ ਜੇਤੂ ਵਾਪਸ ਕਰਦਾ ਹੈ। ਉਹਨਾਂ ਨਤੀਜਿਆਂ ਨੂੰ ਹਲਕੇ ਝੁਕਾਅ ਵਜੋਂ ਨਹੀਂ, ਸਗੋਂ ਅਰਥਹੀਣ ਮੰਨੋ।

ਡੋਮੇਨ ਬਦਲਾਅ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ। ਮਾਡਲ ਨੇ ਫ਼ਿਲਮ-ਸਮੀਖਿਆ ਭਾਸ਼ਾ ਤੋਂ ਸਿੱਖਿਆ; ਉਤਪਾਦ ਸਮੀਖਿਆਵਾਂ, ਚੈਟ ਸੁਨੇਹੇ, ਟਵੀਟ, ਕਲੀਨਿਕਲ ਨੋਟ ਅਤੇ ਗ਼ੈਰ-ਅੰਗਰੇਜ਼ੀ ਟੈਕਸਟ ਸਭ ਵੱਖਰੇ ਵਿਵਹਾਰ ਕਰਦੇ ਹਨ। ਇਮੋਜੀ, ਸਲੈਂਗ ਅਤੇ ਸੰਖੇਪ ਸ਼ਬਦ ਇਸ ਲਈ ਬਹੁਤ ਹੱਦ ਤੱਕ ਅਦਿੱਖ ਹਨ।

ਇਹ ਕੀ ਨਹੀਂ ਕਰਦਾ

ਕੋਈ ਨਿਰਪੱਖ ਸ਼੍ਰੇਣੀ ਨਹੀਂ, ਕੋਈ ਭਾਵਨਾ ਲੇਬਲ ਨਹੀਂ, ਕੋਈ ਪਹਿਲੂ-ਆਧਾਰਿਤ ਭਾਵਨਾ ਨਹੀਂ, ਕੋਈ ਪ੍ਰਤੀ-ਵਾਕ ਵੰਡ ਨਹੀਂ, ਕੋਈ ਕੀਵਰਡ ਹਾਈਲਾਈਟਿੰਗ ਨਹੀਂ, ਕੋਈ ਵਿਆਖਿਆ ਨਹੀਂ, ਕੋਈ ਭਾਸ਼ਾ ਖੋਜ ਨਹੀਂ, ਕੋਈ ਅਨੁਵਾਦ ਨਹੀਂ ਅਤੇ ਕੋਈ ਬੈਚ ਵਿਸ਼ਲੇਸ਼ਣ ਨਹੀਂ। ਇਹ ਤੀਬਰਤਾ ਨੂੰ ਕਿਸੇ ਪੈਮਾਨੇ 'ਤੇ ਸਕੋਰ ਨਹੀਂ ਕਰਦਾ, ਅਤੇ ਇਹ ਤੁਹਾਨੂੰ ਨਹੀਂ ਦੱਸਦਾ ਕਿ ਕਿਸੇ ਟੈਕਸਟ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਕਿਉਂ ਵਰਗੀਕ੍ਰਿਤ ਕੀਤਾ ਗਿਆ।

ਗੋਪਨੀਯਤਾ

ਟੈਕਸਟ ਨੂੰ WebAssembly ਵਿੱਚ ਸਥਾਨਕ ਤੌਰ 'ਤੇ ਪਰੋਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਕੁਝ ਵੀ ਸਰਵਰ ਨੂੰ ਨਹੀਂ ਭੇਜਿਆ ਜਾਂਦਾ, ਅਤੇ ਪੰਨਾ ਬੰਦ ਹੋਣ ਤੋਂ ਬਾਅਦ ਕੁਝ ਵੀ ਸਟੋਰ ਨਹੀਂ ਹੁੰਦਾ। ਰਨਟਾਈਮ ਅਤੇ ਮਾਡਲ ਪਹਿਲੀ ਵਾਰ ਵਰਤੋਂ 'ਤੇ ਜਨਤਕ CDN ਤੋਂ ਡਾਊਨਲੋਡ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਜੋ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ ਕਿ ਸਾਧਨ ਖੋਲ੍ਹਿਆ ਗਿਆ ਸੀ ਪਰ ਤੁਸੀਂ ਕੀ ਟਾਈਪ ਕੀਤਾ ਇਹ ਨਹੀਂ। ਇਹ ਇਸਨੂੰ ਅੰਦਰੂਨੀ ਨੋਟਾਂ ਅਤੇ ਗਾਹਕ ਸੁਨੇਹਿਆਂ ਲਈ ਵਰਤੋਂਯੋਗ ਬਣਾਉਂਦਾ ਹੈ, ਤੁਹਾਡੇ ਆਪਣੇ ਡੇਟਾ ਨਿਯਮਾਂ ਦੇ ਅਧੀਨ।

ਸੀਮਾਵਾਂ

ਇੱਕ ਸਮੇਂ ਇੱਕ ਟੈਕਸਟ, ਕੋਈ ਫ਼ਾਈਲ ਅੱਪਲੋਡ ਨਹੀਂ, ਕੋਈ ਬੈਚ ਮੋਡ ਨਹੀਂ, ਕੋਈ ਭਾਸ਼ਾ ਚੋਣ ਨਹੀਂ ਅਤੇ ਕੋਈ ਵੀ ਸਮਾਯੋਜਿਤ ਥ੍ਰੈਸ਼ਹੋਲਡ ਨਹੀਂ। ਮਾਡਲ ਦੀ ਇਨਪੁਟ ਵਿੰਡੋ ਸੀਮਤ ਕਰਦੀ ਹੈ ਕਿ ਲੰਮੇ ਦਸਤਾਵੇਜ਼ ਦਾ ਕਿੰਨਾ ਹਿੱਸਾ ਅਸਲ ਵਿੱਚ ਵਿਚਾਰਿਆ ਜਾਂਦਾ ਹੈ। ਪਹਿਲੀ ਲੋਡ 'ਤੇ WebAssembly ਅਤੇ ਨੈੱਟਵਰਕ ਪਹੁੰਚ ਵਾਲਾ ਆਧੁਨਿਕ ਬ੍ਰਾਊਜ਼ਰ ਲੋੜੀਂਦਾ ਹੈ।

ਆਮ ਗ਼ਲਤੀਆਂ

• ਨਿਰਪੱਖ ਨਤੀਜੇ ਦੀ ਉਮੀਦ ਕਰਨਾ। ਮਾਡਲ ਕੋਲ ਸਿਰਫ਼ ਦੋ ਸ਼੍ਰੇਣੀਆਂ ਹਨ ਅਤੇ ਇਹ ਹਮੇਸ਼ਾ ਇੱਕ ਚੁਣਦਾ ਹੈ।
• ਸਕੋਰ ਨੂੰ ਤੀਬਰਤਾ ਵਜੋਂ ਸਮਝਣਾ। ਇਹ ਇੱਕ ਲੇਬਲ ਵਿੱਚ ਭਰੋਸਾ ਹੈ, ਭਾਵਨਾ ਦੀ ਤਾਕਤ ਨਹੀਂ।
• ਪੂਰੇ ਲੇਖ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ। ਲੰਮਾ ਟੈਕਸਟ ਕੱਟਿਆ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਨਤੀਜਾ ਇਸਦੇ ਸਿਰਫ਼ ਇੱਕ ਹਿੱਸੇ ਨੂੰ ਦਰਸਾ ਸਕਦਾ ਹੈ।
• ਵਿਅੰਗ ਖੋਜ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਵਿਅੰਗ ਆਮ ਤੌਰ 'ਤੇ ਸਪੱਸ਼ਟ ਧਰੁਵੀਤਾ ਨੂੰ ਪਲਟ ਦਿੰਦਾ ਹੈ।
• ਇਸਨੂੰ ਤੱਥਾਤਮਕ ਟੈਕਸਟ 'ਤੇ ਵਰਤਣਾ। ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਖ਼ਬਰਾਂ ਵਿੱਚ ਵਰਗੀਕਰਨ ਲਈ ਕੋਈ ਰਾਏ ਨਹੀਂ ਹੁੰਦੀ।
• 52 ਪ੍ਰਤੀਸ਼ਤ ਨਤੀਜੇ ਨੂੰ ਖੋਜ ਵਜੋਂ ਪੜ੍ਹਨਾ। ਨੇੜੇ-ਬਰਾਬਰੀ ਅਸਥਿਰ ਹੁੰਦੀ ਹੈ ਅਤੇ ਆਸਾਨੀ ਨਾਲ ਪਲਟ ਸਕਦੀ ਹੈ।

ਅਕਸਰ ਪੁੱਛੇ ਜਾਂਦੇ ਸਵਾਲ