Présentation
La solution Découverte des thèmes dominants à l'aide du machine learning vous aide à identifier les thèmes les plus couramment associés à vos produits, politiques, événements et marques. Ainsi, vous pouvez réagir rapidement aux nouvelles opportunités de croissance, répondre aux associations négatives de la marque et améliorer la satisfaction des clients de votre entreprise. La solution vous permet non seulement de savoir ce que vos clients pensent de votre marque, mais elle vous fournit également des informations sur des sujets qui sont pertinents pour votre entreprise.
Cette solution déploie un modèle AWS CloudFormation pour automatiser l'ingestion de données à partir de ces sources :
- Flux d'actualité RSS
- Commentaires YouTube liés aux vidéos
- Reddit (commentaires des sous-reddits d'intérêt)
- Données personnalisées au format JSON ou XLSX
Avantages
Fournissez un déploiement sécurisé en un clic en utilisant un modèle AWS CloudFormation développé avec les méthodologies du Cadre AWS Well-Architected.
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
Utilisez Amazon Translate afin d'ingérer des données dans plusieurs langues. Identifiez le sentiment derrière les propos des clients et utilisez la recherche sémantique contextuelle pour comprendre la nature des discussions en ligne.
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.
Détails techniques
Vous pouvez déployer automatiquement cette architecture à l’aide du guide d’implémentation et du modèle AWS CloudFormation qui l’accompagne.
Ces composants sont créés à l'aide du cadre AWS Well-Architected 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.
Étape 1 : Ingestion
Les fonctions AWS Lambda, Amazon DynamoDB et Amazon EventBridge permettent l'ingestion et la gestion des flux de réseaux sociaux et RSS. Pour les diagrammes détaillés d'architectures de référence pour Twitter, les commentaires YouTube et les fils d'actualités RSS, et pour l'ingestion personnalisée à l'aide d'un compartiment Amazon Simple Storage Service (Amazon S3), consultez le guide d'implémentation.
Étape 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 Kinesis Data Streams ont une file d'attente de lettres mortes configurée pour détecter toute erreur dans le traitement des flux.
Étape 3 : Flux de travail
Le consommateur (fonction Lambda) des flux de données Kinesis Data Streams lance un flux de travail AWS Step Functions qui orchestre les fonctionnalités de machine learning d'Amazon, notamment : Amazon Translate, Amazon Comprehend, et Amazon Rekognition.
Étape 4 : Intégration
Les données d'inférence s'intègrent aux composants de stockage par le biais d'une architecture orientée événements qui utilise EventBridge. EventBridge permet une personnalisation plus étendue pour ajouter des cibles supplémentaires en configurant des règles.
Étape 5 : Stockage et visualisation
Une combinaison comprenant Amazon Kinesis Data Firehose, des compartiments S3, des tables AWS Glue, Amazon Athena, et Amazon QuickSight permet le stockage et la visualisation.
Étape 1 : Ingestion
Les fonctions AWS Lambda, Amazon DynamoDB et Amazon EventBridge permettent l'ingestion et la gestion des flux de réseaux sociaux et RSS. Pour les diagrammes détaillés d'architectures de référence pour Twitter, les commentaires YouTube et les fils d'actualités RSS, et pour l'ingestion personnalisée à l'aide d'un compartiment Amazon Simple Storage Service (Amazon S3), consultez le guide d'implémentation.
Étape 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 Kinesis Data Streams ont une file d'attente de lettres mortes configurée pour détecter toute erreur dans le traitement des flux.
Étape 3 : Flux de travail
Le consommateur (fonction Lambda) des flux de données Kinesis Data Streams lance un flux de travail AWS Step Functions qui orchestre les fonctionnalités de machine learning d'Amazon, notamment : Amazon Translate, Amazon Comprehend, et Amazon Rekognition.
Étape 4 : Intégration
Les données d'inférence s'intègrent aux composants de stockage par le biais d'une architecture orientée événements qui utilise EventBridge. EventBridge permet une personnalisation plus étendue pour ajouter des cibles supplémentaires en configurant des règles.
Étape 5 : Stockage et visualisation
Une combinaison comprenant Amazon Kinesis Data Firehose, des compartiments S3, des tables AWS Glue, Amazon Athena, et Amazon QuickSight permet le stockage et la visualisation.
- Date de publication
Rubriques connexes
Cet article de blog apprend aux lecteurs à utiliser la solution Découverte des thèmes dominants à l'aide du 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.