Perusahaan modern mana pun peduli dengan reputasinya. Frasa: "Pendapat Anda sangat penting bagi kami" atau "Nilai pembelian Anda", "Apakah Anda akan merekomendasikan perusahaan kami?" benar-benar menghantui kita di setiap langkah di situs toko, klinik, dan bahkan layanan publik. Instansi pemerintah bersama dengan perusahaan lain telah tertarik untuk mengevaluasi pekerjaan mereka dan juga memperhatikan hal ini. Fasilitas medis tidak akan memperpanjang kontrak dengan spesialis yang telah berlaku negatif sejak lama. Penyedia layanan berusaha untuk terus memantau reaksi konsumen terhadap barang dan jasa untuk membuat layanan mereka lebih mudah diakses dan berkualitas, dan karenanya kompetitif. Opini membantu konsumen lain untuk mendapatkan gambaran tentang institusi, institusi, produk atau layanan sebelum dibeli dan dengan demikian menghindari kesalahan dalam pembelian. Perusahaan-perusahaan besar tanpa gagal berisi dalam struktur staf mereka untuk memerangi arus keluar pelanggan, departemen PR, di mana faktor kuncinya adalah respons yang tepat waktu terhadap permintaan konsumen. Bagaimana membangun pekerjaan struktur seperti itu tanpa meningkatkan biaya dan meningkatkan kecepatan responsnya? Sebagai salah satu contoh, mari kita pertimbangkan penggunaan pembelajaran mesin untuk analisis operasional dari sejumlah besar tanggapan responden.
Multilingualisme
Untuk memulai, pertimbangkan contoh yang menunjukkan fitur dari pendekatan UX / UI modern untuk pengembangan antarmuka pengguna. Misalkan Anda adalah pemilik perusahaan layanan multinasional di seluruh dunia.
Setelah setiap pembelian, Anda meminta pelanggan untuk meninggalkan umpan balik tentang produk Anda. Secara teknis, perangkat lunak Anda saat ini diatur sedemikian rupa sehingga tidak peduli bahasa apa yang ditinggalkan oleh pengguna, mereka akan jatuh ke dalam "ruang bawah tanah" produk. Masalah muncul tentang bagaimana menentukan dalam bahasa apa ulasan dibiarkan, berapa nada suaranya, dan dalam kasus terbaik, menerjemahkannya ke beberapa bahasa dan menunjukkan terjemahan yang cocok dari semua ulasan untuk pengguna saat ini dalam bahasa aslinya, terlepas dari bahasa aslinya.
Jika Anda menghubungi pengembang Anda sekarang, maka kemungkinan besar Anda akan ditawari opsi di mana tugas memilih bahasa akan dipercayakan kepada pengguna. Mungkin akan terlihat seperti ini
Pengguna akan diminta untuk memilih bahasa dari daftar panjang, dan kadang-kadang bahasa terdaftar tanpa terjemahan, yang pada gilirannya membingungkan pengguna. Itu terlihat seperti ini
Berdasarkan fakta bahwa sebagian besar pengguna berbicara dua bahasa, hanya dua baris yang dapat dimengerti oleh mereka, yang pada kenyataannya, pilihan berubah menjadi "siksaan".
Pendekatan lain yang tidak kalah umum yang dapat mereka tawarkan kepada Anda adalah definisi suatu wilayah berdasarkan alamat IP dan, sebagai hasilnya, bahasa yang paling umum digunakan. Kondisi globalisasi modern bukanlah pendekatan terbaik, untuk menunjukkan kekurangannya, itu sudah cukup untuk mencatat pentingnya perangkat lunak modern dalam kaitannya dengan wilayah lokasi Anda, hanya penduduk Moskow yang beruntung dalam hal ini, kemungkinan besar wilayah mereka selalu ditentukan dengan benar.
Pembelajaran mesin
Salah satu cara elegan untuk memecahkan masalah tersebut dapat berupa pembelajaran mesin. Saat ini, ini bahkan tidak perlu mahir dalam matematika. Misalnya, gunakan saja Layanan Azure Cognitive MS
yang oleh frasa yang dimasukkan akan memungkinkan untuk menentukan sejumlah indikator dari teks yang dimasukkan, termasuk bahasa, frasa kunci dan nada bicaranya. Untuk kasus yang dipertimbangkan, ini memberikan penyederhanaan antarmuka berikut
Anda tidak perlu lagi meminta bahasa input dan peringkat pengguna - fakta-fakta ini mengikuti secara otomatis. Setelah itu, tugas mendistribusikan panggilan ke cabang regional, serta memantau arus keluar pelanggan sangat disederhanakan
Sebagian besar upaya digeser dari pengguna dan karyawan ke mesin yang tidak cepat lelah, bekerja dengan cepat, dan tidak terlalu keliru dalam aspek mekanis.
Layanan kognitif
Pertama-tama, Anda harus terhubung ke Layanan Kognitif MS Azure dan mendapatkan akses ke API yang menganalisis teks yang diberikan dan mengembalikan karakteristiknya. Proses ini tidak rumit dan akan dibahas lebih rinci dalam artikel terpisah
Ada dua cara untuk mengakses API menggunakan permintaan HTTP dan menggunakan klien. Khususnya, untuk .net Anda harus menghubungkan paket
panggilan API lebih lanjut
var httpWebRequest = (HttpWebRequest)WebRequest.Create("https://northeurope.api.cognitive.microsoft.com/text/analytics/v2.0/languages"); httpWebRequest.Method = "POST"; httpWebRequest.Headers.Add("Content-Type:application/json"); httpWebRequest.Headers.Add("Ocp-Apim-Subscription-Key:61..."); var documents = new Documents(); documents.Add(new Document(Description)); using (var streamWriter = new StreamWriter(httpWebRequest.GetRequestStream())) { string json = JsonConvert.SerializeObject(documents); streamWriter.Write(json); streamWriter.Flush(); streamWriter.Close(); }
dan parsing jawaban yang diterima
var httpResponse = (HttpWebResponse)httpWebRequest.GetResponse(); String response; using (var streamReader = new StreamReader(httpResponse.GetResponseStream(), Encoding.UTF8)) { response = streamReader.ReadToEnd(); } var result = JsonConvert.DeserializeObject<DocumentsResult>(response); var doc = result.documents[0].detectedLanguages[0];
Jika kami menulis data yang diterima dalam database, kami mendapatkan yang berikut ini
(Contoh ditambahkan setelah pengguna mengomentari sebuah artikel)
Analisis Hasil
Kami akan menganalisis hasilnya, untuk ini kami akan membuat beberapa laporan menggunakan paket perangkat lunak FastReport yang memiliki versi open-source dalam pengirimannya
youtu.be/Tyu7v24zer0Kami memungkinkan pengurutan berdasarkan nada suara (1-positif, 0-negatif), kami mendapatkan ulasan positif yang dikelompokkan di bagian atas dan yang negatif dikelompokkan di bagian bawah.
youtu.be/HbuXMuDZFmoJika perlu, Anda dapat mengelompokkan ulasan berdasarkan bahasa dan mengirim laporan yang relevan ke unit regional
youtu.be/YF8RG3g5FRsKesimpulan
Teknologi baru tidak hanya secara signifikan meningkatkan antarmuka pengguna, tetapi juga mengoptimalkan pekerjaan karyawan, mengurangi biaya pengembangan. Menolak modifikasi mahal untuk perangkat lunak yang ada. Prospek pembelajaran mesin dalam waktu dekat akan secara signifikan meningkatkan kualitas perangkat lunak dan kepuasan pengguna. Penggunaan solusi pelaporan yang mudah diimplementasikan akan memungkinkan lebih banyak pengguna mengakses data tanpa pemrograman yang berat.
Referensi
github.com/ufocombat/Languages-openazure.microsoft.com/en-us/services/cognitive-services/text-analyticswww.fast-report.com/enyoutu.be/Tyu7v24zer0youtu.be/HbuXMuDZFmoyoutu.be/YF8RG3g5FRs