اے آئی سنٹیمنٹ اینالائزر

یہ آپ کو کیا بتاتا ہے

متن کا ایک ٹکڑا پیسٹ کریں، تجزیہ کریں دبائیں، اور صفحہ بتاتا ہے کہ یہ مثبت پڑھا جاتا ہے یا منفی، ہر طرف کے لیے ایک اسکور کے ساتھ۔ کوئی غیر جانبدار آپشن نہیں ہے: جو اسکور زیادہ ہو وہی سرخی بنتا ہے، اور پروگریس بار اُسی طرف جھکتا ہے۔

یہ ایک polarity classifier ہے، مکمل sentiment نظام نہیں۔ یہ پہلوؤں کو نکالتا نہیں، غصے یا خوشی جیسے جذبات کا لیبل نہیں لگاتا، اور یہ نہیں بتاتا کہ کون سے الفاظ نتیجے کا سبب بنے۔ یہ ایک تنگ سوال کا جواب دیتا ہے — کیا یہ متن موافق لگتا ہے یا ناموافق؟ — اور تشریح آپ پر چھوڑ دیتا ہے۔

ماڈل

شامل ماڈل SST-2 روایت میں ایک جملے کی سطح کا polarity classifier ہے: مختصر انگریزی جملے، زیادہ تر فلمی جائزے، مثبت یا منفی لیبل والے۔ یہ اصل اہم ہے۔ یہ عام، تشخیصی زبان میں بیان کردہ رائے میں اچھا ہے اور حقائق پر مبنی متن میں کمزور، جہاں کوئی رائے سرے سے موجود ہی نہیں ہوتی۔

دو اسکور عام طور پر مجموعی طور پر تقریباً ایک بنتے ہیں، کیونکہ بنیادی classifier ہر کلاس کو ایک امکانی قدر تفویض کرتا ہے۔ صفحہ دونوں دکھاتا ہے، لیکن بڑا لیبل اور بار صرف اُسے فالو کرتے ہیں جو زیادہ ہو۔

نتیجہ کیسے بنایا جاتا ہے

جب مثبت جیتتا ہے، پینل ایک مسکراتا آئیکن، سبز رنگ میں لفظ Positive، اور ایک بار دکھاتا ہے جس کی چوڑائی 50 فیصد جمع مثبت اسکور کا نصف ہوتی ہے۔ اس لیے 0.90 کا مثبت اسکور 85 فیصد بار بناتا ہے، 90 فیصد نہیں۔ بار وسط سے دور ایک بصری جھکاؤ ہے، اسکور کا براہ راست پلاٹ نہیں۔

جب منفی جیتتا ہے، وہی حساب منفی اسکور پر لاگو ہوتا ہے، اور لیبل سرخ ہو جاتا ہے۔ اگر اسکور بالکل برابر ہوں، کوڈ منفی شاخ میں چلا جاتا ہے، اس لیے مکمل برابری Negative کے طور پر دکھائی جاتی ہے۔

بار کے نیچے، دونوں فیصدیں ساتھ ساتھ چھپی ہوتی ہیں، جن پر Negative اور Positive کا لیبل ہوتا ہے۔ یہ اصل اعداد ہیں؛ بار صرف ایک خلاصہ ہے۔ Clear بٹن textarea خالی کرتا ہے، حروف کی گنتی ری سیٹ کرتا ہے اور نتیجہ چھپا دیتا ہے۔

قدم بہ قدم

1. باکس میں متن پیسٹ یا ٹائپ کریں۔ ٹائپ کرتے وقت حروف کا کاؤنٹر اپ ڈیٹ ہوتا رہتا ہے۔
2. Analyze بٹن کم از کم تین حروف ہونے تک غیر فعال رہتا ہے۔
3. پہلی بار چلانے پر، براؤزر ٹیکسٹ runtime اور BERT ماڈل ڈاؤن لوڈ کرتا ہے۔ پینل ہر مرحلے کا نام بتاتا ہے۔
4. Analyze Sentiment دبائیں۔ نتیجہ خالی حالت کی جگہ لے لیتا ہے۔
5. موازنہ کرنے کے لیے متن میں ترمیم کریں اور دوبارہ تجزیہ کریں؛ ماڈل لوڈ رہتا ہے۔

Load AI Model بٹن سب کچھ پہلے سے لوڈ کر دیتا ہے اگر آپ پہلی بار کے انتظار سے بچنا چاہیں۔ لوڈ ہونے کے بعد یہ سبز "Model Ready" حالت میں بدل جاتا ہے۔

اسکورز کو دیانت سے پڑھنا

اسکور کسی لیبل میں classifier کا اعتماد ہے، احساس کی ماپی گئی شدت نہیں۔ 0.95 مثبت کا مطلب ہے کہ ماڈل کو یقین ہے کہ جملہ مثبت کلاس سے تعلق رکھتا ہے؛ اس کا مطلب یہ نہیں کہ جملہ انتہائی مثبت ہے۔ ایک ہلکا موافق جائزہ اور ایک پرجوش جائزہ دونوں 0.99 کے قریب پہنچ سکتے ہیں۔

چھوٹے فرق شور ہیں۔ 0.52 مثبت بمقابلہ 0.48 منفی کا نتیجہ سکے کے ٹاس کے قریب ہے، اور ایک لفظ بدلنے سے یہ پلٹ سکتا ہے۔ 0.45 سے 0.55 کے بینڈ میں کسی بھی چیز کو کمزور مثبت کے بجائے غیر طے شدہ سمجھیں۔

لمبا متن ایک خاص معاملہ ہے۔ ماڈل کی ایک مقررہ ان پٹ ونڈو ہوتی ہے، اس لیے ایک لمبا اقتباس مؤثر طور پر کاٹ دیا جاتا ہے یا اندرونی طور پر خلاصہ کر دیا جاتا ہے۔ ایک جائزہ جو پانچ خصوصیات کی تعریف کرے اور ایک پر تنقید، اُس حصے کی بنیاد پر classify ہو سکتا ہے جو آغاز پر غالب ہو، اور دکھایا گیا اسکور آپ کو خبردار نہیں کرے گا کہ متن کا بیشتر حصہ نظر انداز کر دیا گیا۔

یہ کہاں کام کرتا ہے

• مختصر رائے کے جملے۔ "The battery lasts all day" یا "The app crashes constantly" بالکل وہی شکل ہیں جس پر ماڈل تربیت یافتہ ہے۔
• جائزوں کی چھانٹی۔ تبصرے کے ڈھیر کو پڑھنے سے پہلے موٹے طور پر مثبت اور موٹے طور پر منفی میں ترتیب دینا۔
• فوری لہجے کی جانچ۔ ایک سرخی، ایک ٹیگ لائن یا گاہک کے جواب کی معقولیت کی جانچ۔
• تعلیم۔ یہ ایک جامع مظاہرہ کہ ٹیکسٹ classifier الفاظ کو دو امکانی قدروں میں کیسے بدلتا ہے۔
• فلٹرنگ۔ سپورٹ ان باکس میں ممکنہ شکایات کو نشان زد کرنا تاکہ کوئی انسان جائزہ لے۔

یہ کہاں ناکام ہوتا ہے

طنز کلاسیکی ناکامی ہے۔ "Great, another delay" میں مثبت ذخیرۂ الفاظ اور منفی معنی ہے، اور ماڈل اکثر الفاظ پڑھتا ہے، نیت نہیں۔ طنزِ خفیف، چبھتے ہوئے تعریفی جملے اور بلاغی سوالات اسی طرح ناقابلِ بھروسا ہیں۔

نفی کو غیر متوازن طریقے سے سنبھالا جاتا ہے۔ "برا نہیں" اور "اچھا نہیں" الفاظ میں قریب قریب ہیں مگر معنی میں متضاد، اور ایک لمبے جملے میں ایک نفی نظر انداز ہو سکتی ہے۔ ملی جلیsentiment کو بھی ہموار کر دیا جاتا ہے: ایک پیراگراف جو پروڈکٹ کی تعریف کرتا ہے اور ڈیلیوری کی مذمت کرتا ہے، ایک ہی لیبل بن جاتا ہے، اس اشارے کے بغیر کہ دونوں رائے موجود ہیں۔

حقائق پر مبنی اور غیر جانبدار متن کو دوئی میں مجبور کیا جاتا ہے۔ ایک تفصیلات کا شیٹ، خبر کی سرخی یا قانونی شق میں کوئی polarity نہیں ہوتی، پھر بھی classifier ایک فاتح واپس کرتا ہے۔ ان نتائج کو بے معنی سمجھیں نہ کہ ہلکے جھکاؤ کے طور پر۔

ڈومین کی تبدیلی اہم ہے۔ ماڈل نے فلمی جائزوں کی زبان سے سیکھا؛ پروڈکٹ ریویوز، چیٹ پیغامات، ٹویٹس، کلینیکل نوٹس اور غیر انگریزی متن سب مختلف برتاؤ کرتے ہیں۔ ایموجی، سلیگ اور مخففات اس کے لیے زیادہ تر پوشیدہ ہیں۔

یہ کیا نہیں کرتا

کوئی غیر جانبدار کلاس نہیں، کوئی جذباتی لیبل نہیں، کوئی پہلو پر مبنی sentiment نہیں، کوئی فی جملہ تفصیل نہیں، کوئی کلیدی لفظ نمایاں کرنا نہیں، کوئی وضاحت نہیں، کوئی زبان کی شناخت نہیں، کوئی ترجمہ نہیں اور کوئی بیچ تجزیہ نہیں۔ یہ کسی پیمانے پر شدت کا اسکور نہیں کرتا، اور یہ نہیں بتاتا کہ کسی متن کو اس طرح کیوں درجہ بند کیا گیا۔

رازداری

متن WebAssembly میں مقامی طور پر پروسیس ہوتا ہے۔ کسی سرور کو کچھ نہیں بھیجا جاتا، اور صفحہ بند ہونے کے بعد کچھ محفوظ نہیں رہتا۔ رن ٹائم اور ماڈل پہلی بار استعمال پر عوامی CDNs سے ڈاؤن لوڈ ہوتے ہیں، جس سے ظاہر ہوتا ہے کہ ٹول کھولا گیا تھا مگر یہ نہیں کہ آپ نے کیا ٹائپ کیا۔ یہ اسے اندرونی نوٹس اور گاہک کے پیغامات کے لیے قابل استعمال بناتا ہے، آپ کے اپنے ڈیٹا قواعد کے تابع۔

حدود

ایک وقت میں متن کا ایک ٹکڑا، کوئی فائل اپ لوڈ نہیں، کوئی بیچ موڈ نہیں، کوئی زبان کا انتخاب نہیں اور کوئی قابل ایڈجسٹ حد نہیں۔ ماڈل کی ان پٹ ونڈو محدود کرتی ہے کہ ایک لمبی دستاویز کا کتنا حصہ واقعی زیر غور آتا ہے۔ پہلی لوڈ پر WebAssembly اور نیٹ ورک رسائی والا جدید براؤزر درکار ہے۔

عام غلطیاں

• غیر جانبدار نتیجے کی توقع۔ ماڈل میں صرف دو کلاسیں ہیں اور یہ ہمیشہ ایک چنتا ہے۔
• اسکور کو شدت سمجھنا۔ یہ ایک لیبل میں اعتماد ہے، احساس کی طاقت نہیں۔
• پورے مضمون کا تجزیہ کرنا۔ لمبا متن کاٹ دیا جاتا ہے، اور نتیجہ اس کے صرف ایک حصے کی عکاسی کر سکتا ہے۔
• طنز کی شناخت پر بھروسا کرنا۔ طنز معمول کے مطابق ظاہری polarity کو پلٹ دیتا ہے۔
• اسے حقائق پر مبنی متن پر استعمال کرنا۔ تفصیلات اور خبروں میں درجہ بندی کرنے کے لیے کوئی رائے نہیں ہوتی۔
• 52 فیصد نتیجے کو تلاش سمجھنا۔ قریب قریب برابر نتائج غیر مستحکم ہوتے ہیں اور آسانی سے پلٹ جاتے ہیں۔

اکثر پوچھے جانے والے سوالات