Amazon Comprehend – Funktionen

Erkennung benutzerdefinierter Entitäten

• Beispiel: In diesem Beispiel möchte eine Versicherungsgesellschaft Textdokumente auf Entitäten analysieren, die für ihre Branche spezifisch sind: Richtliniennummern.
  

  Beispieltext: Guten Tag, ich heiße Sam Ford und möchte meine Ansprüche aus einem Autounfall geltend machen. Mein Policen-Code ist 456-YQT.
  

  Entität	Kategorie	Count	Zuverlässigkeit
  456-YQT	Policy_ID	1	0.95

Benutzerdefinierte Klassifizierung

• Beispiel: Sagen wir, Sie möchten Ihr Kundensupport-Feedback einer Fluggesellschaft organisieren. Sie möchten jedes einzelne Feedback in Kontoanfragen, Ticket-Rückerstattungen und Flugbeschwerden einteilen. Um den Service zu trainieren, erstellen Sie eine CSV-Datei, die Beispieltext von jeder Art von Problem enthält, und bezeichnen jedes Beispiel mit einem der drei anzuwendenden Bezeichnungen. Der Service trainiert automatisch ein benutzerdefiniertes Modell für Sie. Um Ihr Modell zu nutzen, um alle Anrufe des nächsten Tages zu analysieren, reichen Sie jede Textdatei an den Service weiter und erhalten die Ergebnisse der Bezeichnung, zusammen mit einer Zuversichtlichkeitsbewertung für jede Bezeichnungsübereinstimmung.
  

  Text	Beschreibung	Zuversichtlichkeitsbewertung
  Zeile 0	Kontoanfrage	0,92
  Zeile 1	Ticket-Rückerstattung	1
  Zeile 2	Flugbeschwerde	1
  Zeile 3	Flugbeschwerde	0,91
  Doc5.csv	Ticket-Rückerstattung	1

Entitätenerkennung

• Beispiel: In diesem Beispiel sehen wir uns eine Unternehmensbeschreibung an. Die API identifiziert Entitäten wie Organisation, Datum und Ort und gibt einen Zuverlässigkeitswert zurück.
  

  Beispieltext: Amazon.com, Inc. hat seinen Hauptsitz in Seattle, WA und wurde am 5. Juli 1994 von Jeff Bezos gegründet. Kunden können hier von Büchern bis zu Mixern alles kaufen. Seattle befindet sich nördlich von Portland und südlich von Vancouver, BC. Andere nennenswerte Unternehmen, die in Seattle angesiedelt sind, sind Starbucks und Boeing.
  

  Entität	Kategorie	Zuverlässigkeit
  Amazon.com, Inc.	Organisation	0,96
  Seattle, WA	Ort	0,96
  5. Juli 1994	Datum	0,99
  Jeff Bezos	Person	0,99
  Seattle	Ort	0,98
  Portland	Ort	0,99
  Vancouver, BC	Ort	0,97
  Starbucks	Organisation	0,91
  Boeing	Organisation	0,99

Stimmungsanalyse

• Beispiel: In diesem Beispiel postet ein Kunde sein Feedback zu einem Paar Schuhe. Die API identifiziert die Stimmung des Kunden und gibt einen Zuversichtlichkeitswert aus.
  

  Beispieltext: Ich habe eine kleine Größe bestellt und erwartet, dass der Schuh perfekt passt, aber er war viel zu groß. Die Qualität war ausgezeichnet. Das Braun ist etwas heller als auf dem Bild, kommt aber nah ran. Wäre zehnmal besser, wenn die Innenseite mit Baumwolle oder Wolle gefüttert wäre.
  

  Stimmung	Anzahl
  Gemischt	0,89
  Positiv	0,09
  Negativ	0,01
  Neutral	0,00

Targeted Sentiment

• Beispiel: In diesem Beispiel überprüft ein Restaurant eine Kundenbewertung, um zu verstehen, wo es sich verbessern kann.
  

  Beispieltext: Der Burger war großartig, aber der Service war langsam.
  

  Text	Entitätstyp	Zuversichtlichkeitsbewertung der Entität	Stimmung	Bewertung
  I	Person	0,99	Neutral	0,99
  Burger	Sonstiges	0,99	Positiv	0,99
  Service	Merkmale	0,99	Negativ	0,99

PII-Identifizierung und Redaktion

• Beispiel: In diesem Beispiel möchte ein Kunde persönliche und finanzielle Daten aus einem Kontoauszug unkenntlich machen. Die PII-Redaktions-API identifiziert und schwärzt PII zusammen mit einem Konfidenzwert.
  

  Beispieltext: Hallo John Smith. Ihr Kreditkartenkonto 1111-0000-1111-0008 von AnyCompany Financial Services, LLC hat eine Mindestzahlung von 24,53 USD, die bis zum 31. Juli fällig ist. Basierend auf Ihren Einstellungen für die automatische Zahlung ziehen wir Ihre Zahlung am Fälligkeitsdatum von Ihrem Bankkonto mit der Nummer XXXXXX1111 mit der Bankleitzahl XXXXX0000 ab.
  

  Entität	Typ	Anzahl
  John Smith	Name	0,99+
  1111-0000-111-0008	Kredit-Lastschriftnummer	0,99+
  31. Juli	Datum und Uhrzeit	0,99+
  XXXXXX111	Bankkontonummer	0,99+
  XXXXX0000	Bankleitzahl	0,99+

Toxizitätserkennung

Sofortige Sicherheitsklassifizierung

Schlüsselphrasenextraktion

• Beispiel: In diesem Beispiel vergleicht ein Kunde eine DSLR-Kamera mit einer Instant-Film-Kamera. Die API extrahiert Schlüsselphrasen und gibt einen Zuverlässigkeitswert als Ergebnis aus.
  

  Beispieltext: Ich bin ein begeisterter Fotograf und man sieht mich meistens, wie ich meine DSLR-Kamera oder meine Instant-Film-Kamera dazu nutze, private Fotos zu machen. Meine DSLR ist in Sachen Leistung und Benutzerfreundlichkeit unschlagbar, aber meine Instant-Film-Kamera hat einfach etwas Magisches. Vielleicht liegt es daran, dass man seine Aufnahmen tatsächlich auf Film bannt oder dass jedes Foto ein einzigartiges, greifbares Artefakt ist (was in der Welt heute, in der Instagram und Facebook die Macht übernommen und Millionen Fotos durch das Internet kursieren, schon etwas Besonderes ist). Ich weiß nur, dass es mir eine Menge Spaß macht, damit zu arbeiten, und das Funkeln in den Augen der Leute, wenn man so ein Foto auf einer Party aus dem Ärmel zaubert, ist einfach unbezahlbar.
  

  Schlüsselphrase	Zuverlässigkeit
  ein begeisterter Fotograf	0,99
  meine DSLR	0,97
  meine Instant-Film-Kamera	0,99
  private Fotos	0,99
  Leistung und Benutzerfreundlichkeit	0,94
  tatsächlich auf Film	0,99
  jedes Foto	0,92
  ein einzigartiges, greifbares Artefakt	0,99
  heute	0,91
  Welt	0,99
  Instagram und Facebook	0,99

Ereigniserkennung

Spracherkennung

• Beispiel:In diesem Beispiel analysiert die API den Text, identifiziert die dominante Sprache im Text als Italienisch und gibt einen Zuversichtlichkeitswert wieder.

  Beispieltext: Amazon Elastic Compute Cloud (Amazon EC2) è un servizio Web che fornisce capacità di elaborazione sicura e scalabile nel cloud. È concepito per rendere più semplice il cloud computing su scala Web per gli sviluppatori.
  

  ISO-639-1-Sprachcode	Sprache	Zuverlässigkeit
  it	Italienisch	1,0

Syntaxanalyse

• Beispiel: In diesem Beispiel analysieren wir ein kurzes Dokument mit der Comprehend-Syntax-API. Die Syntax-API tokenisiert Text (durch Definieren von Wortgrenzen) und kennzeichnet jedes Wort mit dem jeweiligen Sprachelement, z. B. Substantiv oder Verb. Neben der Erkennung des Start- und End-Offsets, der angibt, wo sich das Wort im Text befindet, wird auch die Wahrscheinlichkeit der Treffsicherheit bewertet.

  Beispieltext: Ich liebe meinen schnelles, neues Kindle Fire!

  Text	Tag
  Ich	Pronomen
  liebe	Verb
  meinen	Pronomen
  schnelles	Adjektiv
  ,	Satzzeichen
  Neu	Adjektiv
  Kindle	Eigenname
  Fire	Eigenname
  !	Satzzeichen

Topic-Modellierung

• Beispiel: Wenn Ihre Dokumente (Doc1.txt, Doc2.txt, Doc3.txt und Doc4.txt) in Amazon S3 gespeichert werden und Sie Amazon Comprehend den Speicherort angeben, analysiert Comprehend die Dokumente und gibt zwei Ansichten wieder:
  

  1. Gruppieren der Schlüsselwörter, die Themen darstellen.

  Jede Gruppe von Schlüsselwörtern ist mit einer Themengruppe verbunden. Die Gewichtung hängt von der Häufigkeit des Schlüsselworts in der Gruppe ab. Schlüsselwörter, deren Gewichtung am nächsten an 1 liegt, geben am meisten Aufschluss über den Kontext der Themengruppe.

  Themengruppe	Schlüsselwörter	Gewicht
  1	Amazon	0,87
  1	Seattle	0,65
  2	Feiertage	0,78
  2	shoppen	0,67

  Jede Gruppe von Schlüsselwörtern ist mit einer Themengruppe verbunden. Die Gewichtung hängt von der Häufigkeit des Schlüsselworts in der Gruppe ab. Schlüsselwörter, deren Gewichtung am nächsten an 1 liegt, geben am meisten Aufschluss über den Kontext der Themengruppe.

  2. Gruppieren der Dokumente nach Themen.

  Do	Themengruppe	Ver
  Doc1.txt	1	0,87
  Doc2.txt	1	0,65
  Doc3.txt	2	0,78
  Doc4.txt	2	0,67

  Jedes Dokument wird einer Themengruppe zugeordnet. Entscheidend ist hierbei das Verhältnis der gewichteten Schlüsselwörter einer Themengruppe, die im Dokument vorhanden sind.

Support mehrerer Sprachen