Zrozumienie, jak Twoi klienci myślą o Twoim produkcie w czasie rzeczywistym, przy niewielkim wysiłku? Brzmi jak magia, ale API OpenAI może to urzeczywistnić.

W środowisku cyfrowym uzyskanie dostępu do przydatnych danych, w szczególności szczegółowych informacji o klientach, może znacznie wyprzedzić konkurencję.

Analiza nastrojów stała się popularną strategią, ponieważ generuje wiarygodne wyniki. Możesz go użyć do programowego identyfikowania poglądów i postrzegania Twojego produktu przez ludzi. Możesz odkryć inne ważne punkty danych, których możesz użyć do podejmowania kluczowych decyzji biznesowych.

Dzięki narzędziom, takim jak interfejsy API OpenAI, możesz analizować i generować szczegółowe i praktyczne informacje o swoich klientach. Czytaj dalej, aby dowiedzieć się, jak zintegrować jego zaawansowany interfejs API klasyfikatora tweetów, aby analizować dane wprowadzane przez użytkowników.

Wprowadzenie do GPT

Generative Pre-trained Transformer (GPT-3) OpenAI to duży model językowy wytrenowany na ogromnych ilościach danych tekstowych, co daje mu możliwość szybkiego generowania odpowiedzi na dowolne wprowadzone do niego zapytanie. to wykorzystuje

instagram viewer
przetwarzanie języka naturalnego techniki rozumienia i przetwarzania zapytań — podpowiedzi użytkowników.

GPT-3 zyskał popularność dzięki możliwości przetwarzania monitów użytkownika i odpowiadania w formacie konwersacyjnym.

Ten model jest szczególnie istotny w analizie nastrojów, ponieważ można go używać do dokładnej oceny i określania nastrojów klientów wobec produktów, Twojej marki i innych kluczowych wskaźników.

Zanurz się w analizie nastrojów za pomocą GPT

Analiza nastrojów to zadanie przetwarzania języka naturalnego, które obejmuje identyfikowanie i kategoryzowanie nastrojów wyrażonych w danych tekstowych, takich jak zdania i akapity.

GPT może przetwarzać dane sekwencyjne umożliwiające analizę nastrojów. Cały proces analizy obejmuje uczenie modelu przy użyciu dużych zestawów danych oznaczonych danych tekstowych, które są sklasyfikowane jako pozytywne, negatywne lub neutralne.

Następnie możesz użyć przeszkolonego modelu, aby określić tonację nowych danych tekstowych. Zasadniczo model uczy się identyfikować nastroje, analizując wzorce i struktury tekstu. Następnie kategoryzuje go i generuje odpowiedź.

Co więcej, GPT można dostosować do oceny danych z domen niszowych, takich jak media społecznościowe lub opinie klientów. Pomaga to poprawić jego dokładność w określonych kontekstach, ucząc model za pomocą wyrażeń tonacji unikatowych dla tej konkretnej domeny.

Zintegrowany zaawansowany klasyfikator tweetów OpenAI

Ten interfejs API wykorzystuje techniki przetwarzania języka naturalnego do analizowania danych tekstowych, takich jak wiadomości lub tweety, w celu określenia, czy mają one pozytywne, negatywne czy neutralne opinie.

Na przykład, jeśli tekst ma pozytywny ton, interfejs API sklasyfikowa go jako „pozytywny”, w przeciwnym razie zostanie oznaczony jako „negatywny” lub „neutralny”.

Ponadto możesz dostosować kategorie i użyć bardziej szczegółowych słów do opisania nastrojów. Na przykład, zamiast po prostu oznaczać określone dane tekstowe jako „pozytywne”, możesz wybrać bardziej opisową kategorię, taką jak „szczęśliwy”.

Skonfiguruj zaawansowany klasyfikator tweetów

Aby rozpocząć, przejdź do Konsola programisty OpenAIi założyć konto. Będziesz potrzebować swojego klucza API do interakcji z zaawansowanym interfejsem API klasyfikatora tweetów z aplikacji React.

Na stronie przeglądu kliknij przycisk Profil w prawym górnym rogu i wybierz Wyświetl klucze API.

Następnie kliknij Utwórz nowy tajny klucz aby wygenerować nowy klucz API dla Twojej aplikacji. Pamiętaj, aby wziąć kopię klucza do użycia w następnym kroku.

Stwórz klienta React

Szybko uruchom swój projekt React lokalnie. Następnie w katalogu głównym folderu projektu utwórz plik .env plik do przechowywania tajnego klucza API.

REACT_APP_OPEN_AI_API_KEY=„twój klucz API”

Możesz znaleźć kod tego projektu w this Repozytorium GitHub.

Skonfiguruj komponent App.js

Otworzyć src/App.js plik, usuń szablonowy kod React i zastąp go następującym:

  1. Wykonaj następujące importy:
    import'./App.css';
    import Reaguj, {useState} z'reagować';
  2. Zdefiniuj funkcjonalny składnik aplikacji i zmienne stanu do przechowywania komunikatu użytkownika i jego opinii po analizie.
    funkcjonowaćAplikacja() {
    konst [wiadomość, ustawwiadomość] = useState("");
    konst [sentyment, setSentiment] = useState("");
  3. Utwórz funkcję obsługi, która będzie wysyłać asynchroniczne żądania POST HTTP do zaawansowanego tweeta Klasyfikator przekazujący wiadomość użytkownika i klucz API w treści żądania do analizy sentymenty.
  4. Funkcja będzie następnie czekać na odpowiedź z interfejsu API, analizować ją jako JSON i wyodrębniać wartość sentymentu w tablicy wyborów z przeanalizowanych danych.
  5. Na koniec funkcja obsługi uruchomi funkcję setSentiment, aby zaktualizować swój stan o wartość sentymentu.
    konst API_KEY = proces.env. REACT_APP_OPEN_AI_API_KEY;
    konst APIBODY ={
    'Model': "tekst-davinci-003",
    'podpowiedź': „Jaki jest sens tej wiadomości?” + wiadomość,
    „max_tokeny”: 60,
    „top_p”: 1.0,
    „kara_częstotliwości”: 0.0,
    „kara_obecności”: 0.0,
     }
    asynchronicznyfunkcjonowaćuchwytKliknij() {
    czekać na aportować(' https://api.openai.com/v1/completions', {
     metoda: 'POST',
     nagłówki: {
    'Typ zawartości': „aplikacja/json”,
    'upoważnienie': `Nosiciel ${API_KEY}`
     },
     ciało: JSON.stringify (APIBODY)
     }).Następnie(odpowiedź => {
    powrót odpowiedź.json()
     }).Następnie((dane) => {
    konsola.log (dane);
     setSentiment (data.choices[0].text.trim());
     }).złapać((błąd) => {
    konsola.błąd (błąd);
     });
     };

Treść żądania zawiera kilka parametrów, są to:

  • model: określa, którego modelu OpenAI użyć; text-davinci-003 w tym przypadku.
  • zachęta: zachęta, której użyjesz do analizy tonacji danej wiadomości.
  • max_tokens: określa maksymalną liczbę tokenów wprowadzonych do modelu, aby zapobiec nadmiernemu lub niepotrzebnemu wykorzystaniu mocy obliczeniowej modelu i poprawić jego ogólną wydajność.
  • top_p, frequency_penalty i present_penalty: te parametry dostosowują dane wyjściowe modelu.

Na koniec zwróć okno komunikatu i przycisk przesyłania:

powrót (
„Aplikacja”>
„Nagłówek aplikacji”>
 Aplikacja do analizy nastrojów</h2>
"wejście">
 Wprowadź wiadomość do sklasyfikowania </p>


 nazwa klasy=„obszar tekstowy”
 typ="tekst"
 symbol zastępczy="Wpisz swoją wiadomość..."
 cols={50}
 wiersze={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>




"Odpowiedź">








eksportdomyślny Aplikacja;

Utwórz monit użytkownika

Opcjonalnie możesz utworzyć pole wprowadzania monitu, aby umożliwić zdefiniowanie sposobu analizowania wiadomości.

Na przykład, zamiast uzyskać „pozytywne” nastawienie do konkretnej wiadomości, możesz poinstruować model, aby to zrobił wygeneruj odpowiedzi i uszereguj je w skali od jednego do dziesięciu, gdzie jeden jest skrajnie negatywny, a dziesięć skrajny pozytywny.

Dodaj ten kod do Aplikacja.js część. Zdefiniuj zmienną stanu dla podpowiedzi:

konst [prompt, setPrompt] = useState("");

Zmodyfikuj monit w obiekcie APIBODY, aby używać zmiennych danych monitu:

konst APIBODY = {
// ...
'podpowiedź': zachęta + wiadomość,
// ...
 }

Dodaj pole wprowadzania podpowiedzi, tuż nad polem tekstowym wiadomości:

 nazwa klasy="podpowiedź"
 typ="tekst"
 symbol zastępczy="Wprowadź monit..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Uruchom serwer programistyczny, aby zaktualizować wprowadzone zmiany i przejdź do http://localhost: 3000, aby przetestować funkcjonalność.

Analiza nastrojów to podstawowa praktyka biznesowa, która może zapewnić cenny wgląd w doświadczenia i opinie klientów Twoich klientów, umożliwiając podejmowanie świadomych decyzji, które mogą prowadzić do poprawy doświadczeń klientów i zwiększenia przychodów.

Za pomocą narzędzi sztucznej inteligencji, takich jak interfejsy API OpenAI, możesz usprawnić potoki analizy, aby uzyskiwać dokładne i wiarygodne opinie klientów w czasie rzeczywistym.