Découverte des sujets sensibles en utilisant le machine learning

À quoi sert cette solution AWS ?

Cette solution vous permet d'identifier les rubriques les plus couramment associées à vos produits, politiques, événements et marques. L'implémentation de cette solution vous permet de réagir rapidement aux nouvelles opportunités de croissance, de résoudre les associations négatives à la marque et d'améliorer le niveau de satisfaction des clients.

La solution déploie un modèle AWS CloudFormation qui prend en charge l'ingestion depuis 1) Twitter, 2) les flux RSS publics d'environ 4 000 sites d'actualités à travers le monde, 3) les commentaires YouTube liés aux vidéos, et 4) un compartiment Simple Storage Service (Amazon S3) dans lequel vous pouvez charger des données à analyser sous forme de documents JSON ou de feuilles de calcul Microsoft Excel (XLSX).

La quatrième option de charger des données vous permet d'importer des données exportées depuis des systèmes internes ou externes qui stockent des évaluations de produits, des évaluations de films, des messages de chat provenant de forums de chat communautaires incluant Reddit, Twitch et Discord, ainsi que des sorties transcrites depuis Amazon Transcribe Call Analytics. Cela élargit les cas d'utilisation dans différent marchés verticaux du secteur, et fournit un cadre pour que vous créiez et élargissiez la solution afin d'intégrer une source en amont de votre choix sans effort. La solution peut être personnalisée et étendue en créant des adaptateurs d'ingestion pour regrouper d'autres plateformes de réseaux sociaux et systèmes internes d'entreprise.

Découverte des sujets sensibles en utilisant le machine learning | Fonctionnement
Développez l'image pour en savoir plus sur la façon dont la solution répond à la question : « Quelles sont les rubriques les plus couramment associées à mon produit ou à mon service ? »
 Cliquer pour agrandir

Avantages

Déploiement sécurisé en un clic

Fournissez un déploiement en un clic sécurisé grâce à un modèle AWS CloudFormation développé avec les méthodologies AWS Well-Architected Framework.

vide

Analytique en quasi-temps réel

Ingérez des données de streaming contenant du texte et des images, puis analysez-les en temps quasi réel. Effectuez une modélisation des thèmes pour détecter les thèmes dominants et identifiez les termes qui, collectivement, forment un thème dans les commentaires des clients

vide

Ingestion de données multilingues

Utilisez Amazon Translate afin d'ingérer des données dans plusieurs langues. Identifiez le ressenti derrière les propos des clients et utilisez la recherche sémantique contextuelle pour comprendre la nature des discussions en ligne.

vide

Tableau de bord QuickSight préintégré

Démarrez le tableau de bord Amazon QuickSight préintégré pour visualiser les analyses de clients à grande échelle de la solution. Identifiez les informations quasiment en temps réel pour mieux comprendre le contexte, les menaces et les opportunités de manière quasi instantanée.

Présentation de la solution AWS

Le diagramme ci-dessous présente l'architecture sans serveur que vous pouvez déployer automatiquement à l'aide du guide d'implémentation de la solution et du modèle AWS CloudFormation fourni.

Découverte des sujets sensibles en utilisant le machine learning | Diagramme d'architecture
 Cliquer pour agrandir

Architecture de la solution de découverte des sujets sensibles en utilisant le machine learning

Le modèle AWS CloudFormation déploie automatiquement les fonctions AWS Lambda, les compartiments Amazon Simple Storage Service (Amazon S3), Amazon Kinesis Data Streams, la file d'attente de lettres mortes (DLQ) Amazon Simple Queue Service (Amazon SQS), Amazon Kinesis Data Firehose, les flux AWS Step Functions, les tables AWS Glue et les ressources Amazon QuickSight dans votre compte.  

L'architecture de la solution comprend les composants et flux clés suivants :

1. Ingestion – Ingestion et gestion des flux de réseaux sociaux et RSS à l'aide des fonctions Lambda, d'Amazon DynamoDB et d'Amazon EventBridge. Pour les diagrammes détaillés d'architectures de référence pour l'ingestion des flux Twitter, de commentaires YouTube et d'actualités RSS, et pour l'ingestion personnalisée à l'aide d'un compartiment Simple Storage Service (Amazon S3) consultez le guide d'implémentation.

2. Flux de données – Les données sont mises en mémoire tampon par Amazon Kinesis Data Streams pour assurer la résilience et limiter les demandes entrantes. Les flux de données ont un une file d'attente de lettres mortes configurée pour détecter toute erreur dans le traitement des flux.

3. Flux – le consommateur (fonction Lambda) des Kinesis Data Streams lance un flux Step Functions qui orchestre les fonctionnalités Amazon Machine Learning, notamment Amazon Translate, Amazon Comprehend et Amazon Rekognition.

4. Intégration – Les données d'inférence s'intègrent aux composants de stockage par le biais d'une architecture orientée événements qui utilise Amazon EventBridge. EventBridge permet une personnalisation plus étendue pour ajouter des cibles supplémentaires en configurant des règles.

5. Stockage et visualisation – Une combinaison comprenant Kinesis Data Firehose, les compartiments Simple Storage Service (Amazon S3) et les tables AWS Glue, Amazon Athena et Amazon QuickSight.

Ces composants sont créés à l'aide d'AWS Well-Architected Framework et reposent sur les piliers AWS Well-Architected d'excellence opérationnelle, de sécurité, de fiabilité, d'efficacité des performances et d'optimisation des coûts, afin de garantir une infrastructure sécurisée, hautement performante, résiliente et efficace.

Découverte des sujets sensibles en utilisant le machine learning

Version 1.7.1
Date de la dernière mise à jour : 03/2022
Auteur : AWS

Temps de déploiement estimé : 10 min

Utilisez le bouton ci-dessous pour vous abonner aux mises à jour de la solution.

Remarque : pour vous abonner aux mises à jour RSS, vous devez activer un plug-in RSS pour le navigateur que vous utilisez.  

Cette implémentation des solutions vous a-t-elle aidé ?
Donner mon avis 
Vidéo
Résoudre les problèmes avec les solutions AWS : Découverte des thèmes dominants à l'aide du machine learning
Webinaire
Comprendre la « voix du client » avec les solutions AWS
Blog sur l'architecture AWS
Découverte des sujets sensibles un utilisant le machine learning

Cet article de blog apprend aux lecteurs à utiliser la solution de découverte des sujets sensibles un utilisant le machine learning pour tirer des informations des flux de médias sociaux, afin de profiter des opportunités de croissance qui émergent rapidement, de traiter le ressenti négatif et d'améliorer la satisfaction des clients. À titre d'illustration, nous présentons un cas d'utilisation dans le secteur des médias et du divertissement.

Lire l'intégralité de l'article de blog 
Icône Créer
Déployer vous-même votre solution

Parcourez notre bibliothèque des implémentations des solutions AWS pour obtenir des réponses aux problèmes d'architecture courants.

En savoir plus 
Rechercher un partenaire APN
Rechercher un partenaire APN

Trouvez des partenaires consultants et technologiques certifiés AWS pour vous aider à commencer.

En savoir plus 
Icône Explorer
Explorer les offres de conseil pour les solutions

Parcourez notre portefeuille d'offres de conseil pour obtenir une aide approuvée AWS au déploiement de solutions.

En savoir plus