Какой нейронной сетью (или другим инструментом) можно проанализировать текст чтобы понять настроение клиента?

Question

[Антон Иванов]

Нам нужно автоматизировать "холодные сообщения" и понимать, что в данный момент хочет клиент.
То есть, нейросеть (или другой инструмент) должна давать ответы на следующие вопросы:

1. Какова вероятность (процент), что клиент хочет, чтобы ему позвонили прямо сейчас.
2. Какова вероятность, что клиент хочет, чтобы ему позвонили позже (и когда?)
3. Какова вероятность, что клиент хочет, чтобы ему больше не писали?

Comments

[Олег]

холодные звонки.
ответы на ваши вопросы 0/0/100
не благодарите

Откуда будет браться текст ? Не понимаю. Если текст пришел от формы обратки, то причем термин "холодный звонок"

[Антон Иванов]

Клиенту отправляется первое сообщение. Он отвечает. И дальше из этого ответа есть три варианта развития, которые я указал в посте.

Answer 1

[Максим Припадчев]

Перед тобой задача классификации. Есть дискретные состояния и вероятности, которые будут присвоены моделью, типичная задача классификации, что значит можно решать, как классическими алгоритмами машинного обучения, так нейронными сетями.

То есть у тебя данные сообщения от клиента. Ты их разбиваешь на тренировочные и тестовые, проводишь необходимые трансформации. И отдаешь классификатору. У многих классификаторов, даже метод есть predict_proba (предсказать вероятности), именно, для таких кейсов.

Ключевое, здесь это классификация, а какого то самого лучшего алгоритма или нейронной сити нет, надо моделировать и смотреть.

Comments

[Антон Иванов]

Спасибо.

Дело в том, что ответов клиентов пока что очень мало. Для тренировки ведь нужно как можно больше, а сейчас их по 15-20 в день. Поэтому хотелось бы уже натренированную модель. ChatGPT справляется, но он отвечает общими словами

[mayton2019]

Антон Иванов, это так не работает. Твоя задача очень специфичная. И ее надо тренировать именно на твоих данных. Если взять модель натренированную на форуме "саркастичных людей" где уровень сарказма является нормой то и на выходе мы получим такой себе косящий в сторону алгоритм. Или форум бывших подруг где кроют хейтом мужчин. Или феминисток. Или сторонников плоской земли.

Грубо говоря здесь выборка очень важна.

[Максим Припадчев]

Антон Иванов, Ну если бы нужно было просто классифицировать, то fine tuning llm модели подошел бы. Ну ты спрашиваешь еще и про вероятности а их откуда брать? модель может "присвоить вероятности", только основываясь на тренировочных данных, а не на тюнинге готовой языковой модели.

[Антон Иванов]

Максим Припадчев, mayton2019, все понял, спасибо

[Антон Иванов]

Максим Припадчев, На самом деле вероятность не так уж и важна. Это я думал уже на ее основе выбирать дальнейшее поведение. Если модель сможет просто классифицировать без вероятности, то это тоже подойдет

[Максим Припадчев]

Антон Иванов, Хорошо, двигайся в направлении тюнинга готовых моделей. Сначала полностью прочитай, что это такое вот здесь https://research.aimultiple.com/llm-fine-tuning/. Ну и гугли как взять языковую модель и тюнить ее. Одна из задач, которые могут решать модели после тюнинга это что называется summarizing text, пробуй гарантий не каких все зависит от много а в состоянии ли ты разобраться с api и выстроить ли процесс, с работает ли это для твоего кейса и т.д.

Если накопишь данные, то тогда с гарантиями элементарный классификатор построишь и он будет работать. А сейчас можно пробовать только тюнинг готовых языковых моделей.