تحلیل احساسات
آموزش‌های پایه‌ای هوش مصنوعیآموزش‌های پیشرفته هوش مصنوعیپردازش زبان طبیعییادگیری عمیق

تحلیل احساسات چیست؟

    0
    زمان مطالعه: ۷ دقیقه

     

    شرکت‌ها با تکیه بر تکنیک تحلیل احساسات می‌توانند بار عاطفی ارتباطات را تشخیص دهند. درحال‌حاضر، این فناوری از تحلیل متن فراتر می‌رود و از داده‌های صوتی و تصویری نیز استفاده می‌کند.

    تعریف تحلیل احساسات

    تحلیل احساسات، روشی تحلیلی است که به‌منظور تشخیص معنای عاطفی ارتباطات از آمار، پردازش زبان طبیعی و یادگیری ماشین استفاده می‌کند.

    شرکت‌ها از تحلیل احساسات برای ارزیابی پیام‌های مشتریان، گفت‌وگوهای مرکز تماس، نظرات فضای مجازی، پست‌های به‌اشتراک گذاشته‌شده در شبکه‌های اجتماعی و مطالبی از این دست استفاده می‌کنند. تغییراتی را که در نگرش مشتریان نسبت به شرکت، محصولات و خدماتش یا برخی از ویژگی‌های این محصولات رخ می‌دهد نیز می‌توان به کمک این تکنیک رهگیری کرد.

    تعریف تحلیل احساسات

    نمونه‌هایی از کاربرد تحلیل احساسات

    پروژه‌ Hedonometer از دانشگاه ورمانت را احتمالاً می‌توان از مهم‌ترین نمونه‌های تحت‌وب فناوری تحلیل احساسات دانست محققان آزمایشگاه Computational Story ورمونت روزانه بیش از ۵۰ میلیون توئیت انگلیسی‌زبان را تحلیل می‌کنند که حدود یک‌دهم کل حجم پست‌های این شبکه را تشکیل می‌دهند. هدف از جمع‌آوری و تحلیل این داده‌ها، محاسبه‌ «شاخص شادی روزانه» است. رویکرد به‌کاررفته در این پژوهش از نظر محاسباتی ساده بود: مجموعه‌ای ده‌هزارتایی از پرکاربردترین کلمات جمع‌آوری شدند و سپس، با استفاده از سرویس Mechanical Turk آمازون، از افراد خواسته شد که به میزان شادی هر کلمه از ۱ تا ۹، امتیاز بدهد. قبل از هر چیز، کلمات خنثی و کلمات وابسته به بافت (متن) از فهرست حذف می‌شوند؛ سپس میانگین نمرات مربوط به کلمات باقی‌مانده محاسبه می‌شود، تا «شاخص شادی روزانه» به دست آید. فهرست کلمات به همراه امتیاز آن‌ها در وب‌سایت پروژه به زبان انگلیسی و ۹ زبان دیگر، در دسترس است.

    هیلی ساترلند، تحلیلگر پژوهشی ارشد IDC که متخصص هوش مکالمه‌ای و کشف دانش هوشمند است، می‌گوید: «رویکرد بسته کلمات، روشی قدیمی برای انجام تحلیل احساسات است، اما در مجموعه‌های بزرگ متون، عملکرد خوبی دارد.»

    در پروژه Hedonometer از مقایس ساده مثبت-منفی، استفاده شده است که پرکاربردترین روش تحلیل احساسات به شمار می‌رود.

    در حالی که Hedonometer از مقیاس ۱ تا ۹ استفاده می‌کند، در رویکردهای دیگر از سه ارزش مثبت، منفی و خنثی یا شاخص درصدی استفاده می‌شود. ساترلند بیان می‌کند: «اینکه چه احساساتی تشخیص داده شوند، بستگی به ابزار مورداستفاده دارد. غم، عصبانیت و هیجان از احساساتی هستند که به‌کرات تشخیص داده می‌شوند؛ اما استفاده از رویکردهای جزئی‌تر امکان تشخیص عواطف بیشتری را در اختیار قرار می‌دهد.»

    شرکت‌ها می‌توانند از این روش‌های دقیق‌تر تحلیل احساسات برای تشخیص حس ناامیدی یا ناراحتی افراد استفاده کنند.

    تشخیص قصد و هدف از انواع دیگر تحلیل احساسات است که به گفته‌ ساترلند، کمک می‌کند بفهمیم افراد قصد انجام چه کاری دارند؛ به‌عنوان مثال، آیا در حراج‌ها علاقه‌ای به خرید دارند یا خیر؟

    ساترلند توضیح می‌دهد: «قابلیت‌های فناوری تحلیل احساسات به بررسی متون محدود نمی‎شود. برخی از رویکردهای تحلیل احساسات، از تحلیل چهره و برخی از سیگنال‌های صوتی استفاده می‌کنند. روزبه‌روز شرکت‌های بیشتری را می‌بینم که بر هوش مصنوعی عاطفی تمرکز می‌کنند. این فناوری با تشخیص تن صدا و محتوای صحبت افراد می‌تواند احساس آن‌ها را تشخیص دهد، به‌عنوان مثال، متوجه می‌شود که با کنایه حرف می‌زنند.»

    فناوری تحلیل احساسات کاربردهای فراوانی در بخش عمومی دارد. دولت اوباما از آن رای سنجش افکار عمومی استفاده کرد. سازمان بهداشت جهانی نیز در پروژه‌ای که به‌منظور سنجش اطمینان مردم به واکسیناسیون اجرا کرد، از این فناوری کمک گرفته و شبکه‌های اجتماعی، اخبار، وبلاگ‌ها، ویکی‌پدیا و سایر پلتفرم‌‌های آنلاین را تحلیل کرد.

    بهار امسال، گوگل با ارائه‌ طرحی به نام Intelligent Impact Solution، از تحلیل احساسات استفاده کرد، تا به آژانس‌های دولتی کمک کند، دقت اقداماتی را که برای برقراری ارتباط با مردم انجام می‌دهند، ارتقا داده و نگرش‌ها و رفتارهای مربوط به واکسیناسیون کووید-۱۹ را درک کنند. ساترلند معتقد است که این اقدامات به مسئولین کمک می‌کند راهبردهای مربوط به واکسیناسیون کووید را بهتر و دقیق‌تر برنامه‌ریزی کنند.

    کاربرد تحلیل احساسات

    ابزارهای تحلیل احساسات

    سطح مقدماتی تحلیل احساسات، شامل آمار یا یادگیری ماشین بر پایه الگوریتم‌های یادگیری نظارتی یا نیمه‌نظارتی است. در یادگیری نظارتی، مشابه پروژه Hedonometer، از انسان‌ها برای امتیازدهی به داده‌ها استفاده می‌شود. در یادگیری نیمه‌نظارتی، ترکیبی از یادگیری خودکار و بازبینی‌های دوره‌ای برای اطمینان از درست کار کردن الگوریتم‌ها به کار می‌روند.

    یادگیری عمیق، روشی دیگری برای انجام تحلیل احساسات است. ساترلند می‌گوید: «در یادگیری عمیق از شبکه‌های عصبی دارای لایه‌های متعدد استفاده می‌شود که با الهام از ساختار مغز انسان ساخته شده‌اند. یادگیری عمیق، سطح پیچیده‌تری از تحلیل احساسات را فراهم می‌آورد که می‌تواند جملات یا حتی مکالمات کامل را تحلیل کند. این روش‌ها را می‌توان روی داده‌های صوتی و ویدئویی نیز به کار برد. شرکت‌های ارائه‌دهنده‌ سرویس‌های ابری، خدمات مشتری و خدمات بازاریابی، ابزارهایی برای تحلیل احساسات ارائه می‌دهند. فروشندگان هوش مصنوعی مکالمه‌ای نیز قابلیت تحلیل احساسات را به محصولات خود افزوده‌اند.»

    بوریس اولسون، نایب‌رئیس و رئیس تحلیلگران Forrester Research می‌گوید: «شرکت‌هایی که علاقه دارند تحلیل احساسات انجام بدهند، ابتدا باید در نظر بگیرند که آیا ابزارها و فناوری‌هایی که درحال‌حاضر استفاده می‌کنند، دارای ابزار نظرسنجی‌ مجهز به تحلیل احساسات هستند؟ سامانه‌های مدیریت بازخورد مشتریان هم فناوری تحلیل احساسات را به قابلیت‌های خود افزوده‌اند. این فناوری در ابزارهای تحلیلی همه‌کاره همچون IBM Watson Discovery و Micro Focus IDOL نیز به کار رفته است. ما به مشتریان خود توصیه می‌کنیم که این ابزارها را هم در نظر بگیرند، چون در تحلیل و استخراج اسناد و پردازش تجربه‌ مشتریان به این فرایند نیاز دارند.»

    تحلیل احساسات، پردازش زبان طبیعی و یادگیری ماشین

    بعضی از شرکت‌ها، سامانه‌های تحلیل احساسات مخصوص به خود را ساخته‌اند. این کار نیاز به کارشناسان داخلی و مجموعه بزرگی از داده‌های آموزشی دارد. این راهبرد برای شرکت‌هایی مفید است که نیازهای بسیار خاص و منحصربه‌فردی دارند که با سامانه‌های موجود برآورده نمی‌شوند. در این موارد، شرکت‌ها عموماً کار ابزارهای خود را با کتابخانه‌های متن‌باز، شروع می‌کنند.

    از جمله کتابخانه‌های NLP که قابلیت انجام تحلیل احساسات را دارند می‌توان به HuggingFace، SpaCy،  Flairو AllenNLP اشاره کرده. به‌علاوه برخی ابزارهای یادگیری ماشین مانند  PyCaret و Fast.AI نیز از قابلیت تحلیل احساسات پشتیبانی می‌کنند.

    در یادگیری عمیق، تحلیل احساسات را می‌توان به‌وسیله مدل‌های ترنسفورمر از قبیلBERT، XLNet و GPT3 انجام داد. مدل GPT3 می‌تواند تحلیل احساسات را بدون نیاز به داده‌های آموزشی انجام دهد.

    به گفته دن سیمیون، معاون هوش مصنوعی و تحلیل Capgemini، ساخت سامانه‌های شخصی، به شرکت‌ها مزیت رقابتی می‌بخشد. شرکت‌های بزرگ نیز از همین جریان پیروی می‌کنند. چون اگر همان ابزاری را بخرند که رقیب خریده است، هیچ مزیت رقابتی‌ای به دست نمی‌آورند.

    یادگیری ماشین و پردازش زبان طبیعی

     رابط‌های برنامه‌نویسی کاربردی (APIs) تحلیل احساسات

    بیشتر شرکت‌هایی که سامانه‌های مخصوص خود را می‌سازند، برای استفاده از قابلیت تحلیل احساسات از APIها استفاده می‌کنند. تمام ارائه‌دهندگان اصلی فضای ابری از جمله Amazon Comprehend، Azure Cognitive Services، و Google Natural Language API این سرویس را ارائه می‌دهند. IBM Watson هم ارائه‌دهنده API است.

    به گفته‌ سیمیون، پرسش اصلی این است که این APIها چقدر مفید هستند؟ اگر محصول موردنظر بسیار خاص باشد، کاربرد چندانی نخواهد. نکته‌ دیگری که باید در نظر گرفت، هزینه‌ استفاده از API است. قبل از هر چیز باید اطمینان حاصل کرد که به کارگیری این قابلیت مقرون‌به‌صرفه باشد. در کل می‌توان گفت، استفاده از API برای شرکت‌های کوچک و متوسط (که امکان ایجاد پلتفرم‌های شخصی خود را ندارند) گزینه‌ خوبی به شمار می‌رود.

    دیتاست لازم برای تحلیل احساسات

    تحلیل احساسات با استفاده از رویکردهای زبان ماشینی و یادگیری عمیق به دیتاست‌ آموزشی بزرگی نیاز دارند. بیشتر ابزارهای تجاری و عمومی موجود پایگاه داده بزرگی دارند، اما بسیار عمومی هستند و مناسب حوزه‌های تخصصی صنعت نیستند.

    برایان ریچاردسون، از شرکای شرکت مدیریتی McKinsey & Co می‌گوید: «تشخیص و درک احساسات مستلزم میلیادها کلمه و نمونه‌ آموزشی است. شرکت‌های بزرگ ممکن است قادر باشند کار خود را با دیتاستی که دارند پیش ببرند؛ اما برای یک شرکت کوچک، خرده‌فروشی یا بانک دشوار است که از مشتریان خود برای ساختن یک مدل، داده کافی به دست آورند؛ اما اکنون با استفاده از ابزارهایی مانند یادگیری انتقالی، مدل‌های NLP به کمک دیتاست‌هایی عظیم آموزش می‌بینند و سپس در موارد گوناگون به کار می‌روند، در نتیجه شرکتی کوچک که تنها دیتاست آموزشی کوچکی مخصوص به حوزه‌ خودش در دست دارد، می‌تواند از ابزاری تجاری کمک بگیرد و آن را متناسب با نیازهای خودش سازگار کند.»

    دیتاست تحلیل احساسات

    اصلی‌ترین موارد کاربرد تحلیل احساسات

    درحال‌حاضر، اصلی‌ترین کاربرد صنعتی تحلیل احساسات در مراکز تماس است که در آن ارتباطات مشتری و متن تماس‌ها تحلیل می‌شوند.

    به‌عنوان مثال، اگر بعد از معرفی یک محصول جدید، احساسات منفی بین مشتریان افزایش پیدا کند، شرکت با تکیه بر این فناوری می‌تواند منشأ مشکل را پیدا کند و با قوای بیشتری آن را حل کند.

    با توجه به اینکه اکنون بیشتر تماس‌هایی که با مرکز ارتباط با مشتریان برقرار می‌شود، از نوع تصویری است، مقدار داده‌های آموزشی ویدئویی در حال افزایش است.

    از همان فناوری که برای تحلیل احسا‌‌‌‌‌‌‌سات و درک تجربه‌ مشتریان استفاده می‌شود، می‌توان برای تحلیل تجربه‌ کارکنان نیز استفاده کرد. به‌عنوان مثال، آمارش تریپاتی، مدیرکل واحد تحلیل داده شرکت Genpact، توضیح می‌دهد: «مشاوران این شرکت برای ۱۰۰ هزار کارمند خود از تحلیل احساسات استفاده می‌کنند. ما در شرکت‌مان از یک ابزار هوش مصنوعی، یا به بیان دقیق‌تر از یک ربات سخنگوی مکالمه‌ای استفاده می‌کنیم؛ کارمندان واحد منابع انسانی دیگر مجبور نیستند، برای بررسی اوضاع به تک‌تک افراد سر بزنند؛ این ربات سخنگو وجود دارد و کارمندان اگر بخواهند می‌توانند با آن صحبت کنند.

    کاربردهای تحلیل احساسات

    این امر به شرکت کمک می‌کند، تا زمینه‌هایی را که کارکنان در آن دچار مشکل هستند، پیدا کند. به کمک این فناوری، به دنبال موقعیت‌هایی می‌گردیم که می‌توانند از کمک ما استفاده کنند. بعد از تشخیص این موارد، وارد کار می‌شویم و شروع به برقراری مکالمه می‌کنیم. این فرایند می‌تواند بسیار سودمند باشد، چون به ما نشان می‌دهد چطور به بهترین نحو ممکن از کارمندان حمایت کنیم.»

    تحلیل‌‌‌‌‌‌‌‌‌‌ احساسات در مدیریت برند نیز به کار می‌رود و به شرکت‌ها کمک می‌کند، احساسات مشتریان نسبت به محصولات را درک کنند و راهبردهای بازاریابی خود را بر همین اساس اصلاح کنند.

    اندی تورای، معاون رئیس و تحلیلگر اصلی شرکت Constellation Research می‌گوید: «یکی از مهم‌ترین کاربردهای فناوری تحلیل احساسات در بخش روابط عمومی است. هر چه زودتر متوجه احساسات منفی مشتریان شویم، زودتر می‌توانیم اقدامات لازم برای مدیریت بحران را شروع کنیم. به‌عنوان مثال، طراحان آگهی‌های بازرگانی خیلی زود می‌توانند بازخورد افراد نسبت به محصولات خود را دریافت کنند. قبلاً برای گردآوری اطلاعات از پرسشنامه استفاده می‌شد که جمع‌آوری و تحلیل داده‌های آن، چندین روز یا هفته‌ها به طول می‌انجامید؛ اما این‌طور که به نظر می‌رسد، مردم در شبکه‌های اجتماعی همچون توییتر نظرات صادقانه‌تری بیان می‌کنند.»

    این مطلب چه میزان برای شما مفید بوده است؟
    [کل: ۳ میانگین: ۴]

    در رویداد دوشنبه‌های استارت‌آپی کشورمان از هشت محصول فناورانه رونمایی شد

    مقاله قبلی

    ۴ اشتباهی که در پیاده‌سازی هوش مصنوعی مکالمه ای باید از آن‌ها اجتناب کنید

    مقاله بعدی

    شما همچنین ممکن است دوست داشته باشید

    نظرات

    پاسخ دهید

    نشانی ایمیل شما منتشر نخواهد شد.