การวิเคราะห์ข้อความคืออะไร

การวิเคราะห์ข้อความคือกระบวนการในการใช้ระบบคอมพิวเตอร์เพื่ออ่านและตีความข้อความที่เขียนโดยมนุษย์เพื่อวิเคราะห์ข้อมูลทางธุรกิจ ซอฟต์แวร์วิเคราะห์ข้อความจะสามารถจำแนก เรียงลำดับ และสกัดข้อมูลจากข้อความด้วยตนเองเพื่อระบุรูปแบบ ความสัมพันธ์ อารมณ์ และความรู้ที่นำไปใช้งานได้อื่นๆ คุณสามารถใช้การวิเคราะห์ข้อความเพื่อประมวลผลแหล่งที่มาที่เป็นข้อความต่างๆ เช่น อีเมล เอกสาร เนื้อหาบนโซเชียลมีเดีย และรีวิวผลิตภัณฑ์ ได้อย่างมีประสิทธิภาพและถูกต้องราวกับมนุษย์เป็นผู้ดำเนินการ

เหตุใดการวิเคราะห์ข้อความจึงมีความสำคัญ

หลายธุรกิจใช้การวิเคราะห์ข้อความเพื่อดึงข้อมูลเชิงลึกที่นำไปใช้ได้จริงจากแหล่งข้อมูลที่ไม่มีโครงสร้างต่างๆ มากมาย โดยอ้างอิงตามการตอบกลับจากแหล่งต่างๆ เช่น อีเมล โซเชียลมีเดีย และคำตอบแบบสำรวจของลูกค้า เพื่อช่วยในการตัดสินใจ อย่างไรก็ตาม ข้อความจำนวนมหาศาลจากแหล่งดังกล่าวนั้นล้นหลามมากเกินไปหากไม่มีซอฟต์พินิจพิเคราะห์ข้อความ

การวิเคราะห์ข้อความช่วยให้คุณสามารถรับข้อมูลที่ถูกต้องจากแหล่งที่มาต่างๆ ได้รวดเร็วยิ่งขึ้น กระบวนการนี้เป็นไปโดยอัตโนมัติอย่างสมบูรณ์และสม่ำเสมอ และจะแสดงข้อมูลที่คุณสามารถดำเนินการได้ ตัวอย่างเช่น การใช้ซอฟต์แวร์วิเคราะห์ข้อความช่วยให้คุณสามารถตรวจจับความรู้สึกเชิงลบบนโพสต์โซเชียลมีเดียได้ทันที เพื่อให้คุณดำเนินการแก้ไขปัญหาได้

การวิเคราะห์ความรู้สึก

การวิเคราะห์ความรู้สึกหรือการทำเหมืองความคิดเห็นใช้วิธีการวิเคราะห์ข้อความเพื่อทำความเข้าใจความคิดเห็นที่ถ่ายทอดออกมาในข้อความ คุณสามารถใช้การวิเคราะห์ความรู้สึกกับรีวิว บล็อก ฟอรัม และสื่อออนไลน์อื่นๆ เพื่อพิจารณาว่าลูกค้าของคุณพึงพอใจกับการซื้อหรือไม่ การวิเคราะห์ความรู้สึกช่วยให้คุณมองเห็นแนวโน้มใหม่ๆ ติดตามการเปลี่ยนแปลงความรู้สึก และจัดการกับปัญหาด้านการประชาสัมพันธ์ คุณสามารถติดตามการเปลี่ยนแปลงในส่วนความคิดเห็นของลูกค้าและระบุสาเหตุของปัญหาได้โดยการวิเคราะห์ความรู้สึกและการระบุคำหลักที่เฉพาะเจาะจง 

การจัดการบันทึก

การวิเคราะห์ข้อความช่วยให้จัดการ จัดประเภท และค้นหาเอกสารได้อย่างมีประสิทธิภาพ ซึ่งรวมถึงการจัดการบันทึกผู้ป่วยอัตโนมัติ การตรวจสอบการกล่าวถึงแบรนด์ และการตรวจจับการฉ้อโกงประกันด้วย ตัวอย่างเช่น LexisNexis Legal & Professional ใช้การแยกข้อความเพื่อระบุบันทึกใดบันทึกหนึ่งในเอกสารกว่า 200 ล้านฉบับ

การปรับแต่งประสบการณ์ของลูกค้า

คุณสามารถใช้ซอฟต์แวร์วิเคราะห์ข้อความเพื่อประมวลผลอีเมล รีวิว แชท และการติดต่อทางข้อความอื่นๆ ข้อมูลเชิงลึกเกี่ยวกับความชอบของลูกค้า พฤติกรรมการซื้อ และการรับรู้แบรนด์โดยรวมช่วยให้คุณสามารถปรับแต่งประสบการณ์ส่วนบุคคลสำหรับกลุ่มลูกค้าที่แตกต่างกันไปได้ 

การวิเคราะห์ข้อความทำงานอย่างไร

แก่นของการวิเคราะห์ข้อความคือการฝึกฝนซอฟต์แวร์คอมพิวเตอร์ให้เชื่อมโยงคำที่มีความหมายเฉพาะและทำความเข้าใจบริบททางความหมายของข้อมูลที่ไม่มีโครงสร้าง ซึ่งคล้ายกับวิธีที่มนุษย์เรียนรู้ภาษาใหม่โดยเชื่อมโยงคำกับวัตถุ การกระทำ และอารมณ์ต่างๆ 

ซอฟต์แวร์วิเคราะห์ข้อความทำงานบนหลักการดีปเลิร์นนิ่งและการประมวลผลภาษาธรรมชาติ

ดีปเลิร์นนิ่ง

ปัญญาประดิษฐ์เป็นสาขาหนึ่งในวิทยาศาสตร์ข้อมูลที่สอนคอมพิวเตอร์ให้คิดเหมือนมนุษย์ แมชชีนเลิร์นนิงเป็นเทคนิคหนึ่งในปัญญาประดิษฐ์ที่ใช้วิธีการเฉพาะในการสอนหรือฝึกฝนคอมพิวเตอร์ ดีปเลิร์นนิ่งเป็นวิธีการแมชชีนเลิร์นนิงเฉพาะด้านอย่างมากซึ่งใช้นิวรัลเน็ตเวิร์คหรือโครงสร้างซอฟต์แวร์ที่เลียนแบบสมองของมนุษย์ เทคโนโลยีดีปเลิร์นนิ่งคอยขับเคลื่อนซอฟต์แวร์วิเคราะห์ข้อความเพื่อให้เครือข่ายเหล่านี้สามารถอ่านข้อความได้ในลักษณะเดียวกันกับสมองของมนุษย์

การประมวลผลภาษาธรรมชาติ

การประมวลผลภาษาธรรมชาติ (NLP) เป็นสาขาหนึ่งของปัญญาประดิษฐ์ที่ช่วยให้คอมพิวเตอร์สามารถหาความหมายโดยอัตโนมัติจากข้อความที่มนุษย์สร้างขึ้นเองตามธรรมชาติ ซึ่งใช้รูปแบบและสถิติทางภาษาศาสตร์เพื่อฝึกฝนเทคโนโลยีดีปเลิร์นนิ่งเพื่อประมวลผลและวิเคราะห์ข้อมูลข้อความ ซึ่งรวมถึงรูปภาพข้อความที่เขียนด้วยลายมือ วิธี NLP เช่น การรู้จำอักขระด้วยแสง (OCR) จะแปลงรูปภาพข้อความเป็นเอกสารข้อความโดยค้นหาและทำความเข้าใจคำศัพท์ในภาพ 

เทคนิคการวิเคราะห์ข้อความมีประเภทใดบ้าง

ซอฟต์แวร์วิเคราะห์ข้อความใช้เทคนิคทั่วไปเหล่านี้

การจัดประเภทข้อความ

ในการจัดประเภทข้อความ ซอฟต์แวร์วิเคราะห์ข้อความจะเรียนรู้วิธีเชื่อมโยงคำหลักบางคำกับหัวข้อเฉพาะ เจตนาของผู้ใช้ หรือความรู้สึกต่างๆ โดยใช้วิธีการต่อไปนี้ 

  • การจัดประเภทข้อความตามกฎจะกำหนดแท็กให้กับข้อความตามกฎที่กำหนดไว้ล่วงหน้าสำหรับองค์ประกอบทางความหมายหรือรูปแบบวากยสัมพันธ์
  • ระบบที่ใช้แมชชีนเลิร์นนิงจะช่วยฝึกฝนซอฟต์แวร์วิเคราะห์ข้อความโดยใช้ตัวอย่างต่างๆ และเพิ่มความถูกต้องแม่นยำในการแท็กข้อความ ซึ่งจะใช้รูปแบบทางภาษาศาสตร์ เช่น Naive Bayes, Support Vector Machines และดีปเลิร์นนิ่ง เพื่อประมวลผลข้อมูลที่มีโครงสร้าง จัดหมวดหมู่คำ และพัฒนาความเข้าใจเชิงความหมายระหว่างคำเหล่านั้น

ตัวอย่างเช่น รีวิวเชิงบวกมักมีคำว่า ดี รวดเร็ว และยอดเยี่ยม ส่วนรีวิวเชิงลบอาจกมีคำว่า ไม่ชอบ ช้า และแย่ นักวิทยาศาสตร์ข้อมูลจะฝึกฝนซอฟต์แวร์วิเคราะห์ข้อความให้ค้นหาคำศัพท์เฉพาะดังกล่าว และจัดหมวดหมู่รีวิวว่าเป็นเชิงบวกหรือเชิงลบ ด้วยวิธีนี้ ทีมสนับสนุนลูกค้าสามารถตรวจสอบความรู้สึกของลูกค้าจากรีวิวได้อย่างง่ายดาย

การแยกข้อความ

การแยกข้อความจะสแกนข้อความและดึงข้อมูลสำคัญออกมา ซึ่งสามารถระบุคำหลัก คุณลักษณะของผลิตภัณฑ์ ชื่อแบรนด์ ชื่อสถานที่ และข้อมูลอื่นๆ ในข้อความได้ ซอฟต์แวร์แยกข้อความใช้วิธีการดังนี้:

  • นิพจน์ทั่วไป (REGEX): วิธีการนี้คืออาร์เรย์สัญลักษณ์ที่มีการจัดรูปแบบซึ่งทำหน้าที่เป็นเงื่อนไขเบื้องต้นของสิ่งที่จำเป็นต้องแยกออก
  • ฟิลด์สุ่มแบบมีเงื่อนไข (CRF): วิธีการนี้คือวิธีแมชชีนเลิร์นนิงอย่างหนึ่งที่แยกข้อความโดยการประเมินรูปแบบหรือวลีเฉพาะ ซึ่งมีความประณีตและยืดหยุ่นมากกว่า REGEX 

ตัวอย่างเช่น คุณสามารถใช้การแยกข้อความเพื่อตรวจสอบการกล่าวถึงแบรนด์บนโซเชียลมีเดียได้ การติดตามแบรนด์ของคุณทุกเหตุการณ์บนโซเชียลมีเดียด้วยตนเองนั้นเป็นไปไม่ได้ การแยกข้อความจะเตือนให้คุณทราบเมื่อมีการกล่าวถึงแบรนด์ของคุณแบบเรียลไทม์ 

การสร้างรูปแบบหัวข้อ

วิธีการสร้างรูปแบบหัวข้อจะระบุและจัดกลุ่มคำหลักที่เกี่ยวข้องในข้อความที่ไม่มีโครงสร้างเป็นหัวข้อหรือสาระสำคัญ วิธีการเหล่านี้สามารถอ่านเอกสารข้อความได้หลายฉบับและจัดเรียงเป็นสาระสำคัญตามความถี่ของคำต่างๆ ในเอกสาร วิธีการสร้างรูปแบบหัวข้อจะให้บริบทสำหรับการวิเคราะห์เอกสารเพิ่มเติม

ตัวอย่างเช่น คุณสามารถใช้วิธีการสร้างรูปแบบหัวข้อเพื่ออ่านคลังเอกสารที่สแกนไว้และจัดหมวดหมู่เอกสารออกเป็นใบแจ้งหนี้ เอกสารทางกฎหมาย และข้อตกลงของลูกค้า จากนั้น คุณสามารถเรียกใช้วิธีการวิเคราะห์ต่างๆ กับเอกสารใบแจ้งหนี้ เพื่อหาข้อมูลเชิงลึกทางการเงิน หรือวิเคราะห์เอกสารข้อตกลงของลูกค้าเพื่อหาข้อมูลเชิงลึกของลูกค้า

การตรวจทาน PII

การตรวจทาน PII จะตรวจจับและลบข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (PII) เช่น ชื่อ ที่อยู่ หรือหมายเลขบัญชี ออกจากเอกสารโดยอัตโนมัติ การตรวจทาน PII ช่วยปกป้องความเป็นส่วนตัว และจะปฏิบัติตามกฎหมายและระเบียบข้อบังคับในท้องถิ่น

ตัวอย่างเช่น คุณสามารถวิเคราะห์ระบบตั๋วสนับสนุนและบทความองค์ความรู้เพื่อตรวจหาและตรวจทาน PII ก่อนที่คุณจะจัดทำดัชนีเอกสารในโซลูชันการค้นหา หลังจากนั้น โซลูชันการค้นหาจะไม่มี PII อยู่ในเอกสาร

การวิเคราะห์ข้อความมีขั้นตอนอะไรบ้าง

ในการปรับใช้การวิเคราะห์ข้อความ คุณต้องปฏิบัติตามกระบวนการที่เป็นระบบซึ่งต้องผ่านขั้นตอน 4 ขั้นด้วยกัน

ขั้นตอนที่ 1—การรวบรวมข้อมูล

ในขั้นตอนนี้ คุณจะรวบรวมข้อมูลข้อความจากแหล่งที่มาต่างๆ จากภายในหรือภายนอก

ข้อมูลภายใน

ข้อมูลภายในคือเนื้อหาข้อความภายในธุรกิจของคุณ และพร้อมใช้งาน เช่น อีเมล แชท ใบแจ้งหนี้ และแบบสำรวจพนักงาน 

ข้อมูลภายนอก

คุณค้นหาข้อมูลภายนอกได้จากแหล่งที่มาต่างๆ เช่น โพสต์ในโซเชียลมีเดีย รีวิวออนไลน์ บทความข่าว และฟอรัมออนไลน์ ซึ่งการหาข้อมูลภายนอกนั้นทำได้ยากกว่า เพราะอยู่นอกเหนือการควบคุมของคุณ คุณอาจต้องใช้เครื่องมือดึงข้อมูลจากเว็บหรือใช้ร่วมกับโซลูชันของบริษัทอื่นเพื่อดึงข้อมูลภายนอก

ขั้นตอนที่ 2—การเตรียมข้อมูล

การเตรียมข้อมูลเป็นส่วนสำคัญของการวิเคราะห์ข้อความ ซึ่งเกี่ยวข้องกับการจัดโครงสร้างข้อมูลข้อความดิบในรูปแบบที่นำไปวิเคราะห์ได้ ซอฟต์แวร์วิเคราะห์ข้อความจะทำให้กระบวนการเป็นไปโดยอัตโนมัติ และเกี่ยวข้องกับวิธีการประมวลผลภาษาธรรมชาติทั่วไป (NLP) ต่อไปนี้ 

การแปลงเป็นโทเค็น

การแปลงเป็นโทเค็นคือการแยกข้อความดิบออกเป็นหลายๆ ส่วนที่มีความหมาย ตัวอย่างเช่น วลี การพินิจพิเคราะห์ข้อความมอบประโยชน์ให้ธุรกิจ จะแปลงโทเค็นออกเป็นคำต่างๆ ได้แก่ การพินิจพิเคราะห์ ข้อความ มอบประโยชน์ และธุรกิจ

การติดแท็กประเภทคำ

การติดแท็กประเภทคำจะกำหนดแท็กทางไวยากรณ์ให้กับข้อความที่แปลงเป็นโทเค็น ตัวอย่างเช่น การใช้ขั้นตอนนี้กับโทเค็นที่กล่าวถึงก่อนหน้านี้จะประมวลผลเป็น ข้อความ: คำนาม; พินิจพิเคราะห์: คำนาม; มอบประโยชน์ให้: กริยา; ธุรกิจ: คำนาม

การแยกวิเคราะห์

การแยกวิเคราะห์จะสร้างความเชื่อมโยงที่มีความหมายระหว่างคำที่แปลงเป็นโทเค็นกับไวยากรณ์ภาษาอังกฤษ ซึ่งช่วยให้ซอฟต์แวร์วิเคราะห์ข้อความแสดงภาพความสัมพันธ์ระหว่างคำต่างๆ ได้ 

การแปลงคำให้อยู่ในรูปปกติ 

การแปลงคำให้อยู่ในรูปปกติเป็นกระบวนการทางภาษาศาสตร์ที่แปลงคำให้ในรูปพจนานุกรม หรือแปลงคำให้อยู่ในรูปปกติ ตัวอย่างเช่น รูปพจนานุกรมของคำว่า Visualizing ก็คือ Visualize

การลบคำที่ไม่สื่อความหมาย

คำที่ไม่สื่อความหมายคือคำที่มีบริบทเชิงความหมายเพียงเล็กน้อยหรือไม่มีเลยในประโยค เช่น และ หรือ และสำหรับ ซอฟต์แวร์อาจลบคำเหล่านี้ออกจากข้อความที่มีโครงสร้าง ทั้งนี้ขึ้นอยู่กับกรณีการใช้งานด้วย 

ขั้นตอนที่ 3—การวิเคราะห์ข้อความ

การวิเคราะห์ข้อความคือส่วนหลักของกระบวนการนี้ โดยซอฟต์แวร์วิเคราะห์ข้อความจะประมวลผลข้อความโดยใช้วิธีการต่างๆ 

การจัดประเภทข้อความ

การจัดประเภทคือกระบวนการกำหนดแท็กให้กับข้อมูลตัวอักษรที่เป็นไปตามกฎหรือระบบที่ใช้แมชชีนเลิร์นนิง

การแยกข้อความ

การแยกข้อความคือการระบุคำหลักเฉพาะในข้อความและเชื่อมโยงกับแท็กต่างๆ โดยซอฟต์แวร์จะใช้วิธีการต่างๆ เช่น นิพจน์ทั่วไปและฟิลด์สุ่มตามเงื่อนไข (CRF) ในการดำเนินการดังกล่าวนี้

ขั้นตอนที่ 4—แสดงข้อมูลภาพ

การแสดงข้อมูลภาพคือการเปลี่ยนผลการวิเคราะห์ข้อความให้อยู่ในรูปแบบที่เข้าใจได้ง่าย คุณจะเห็นผลลัพธ์การพินิจพิเคราะห์ข้อความในรูปแบบกราฟ แผนภูมิ และตาราง ผลลัพธ์ที่แสดงเป็นข้อมูลภาพช่วยให้คุณระบุรูปแบบและแนวโน้มได้ รวมถึงกำหนดแผนดำเนินการได้อีกด้วย ตัวอย่างเช่น สมมติว่าเกิดปัญหาด้านผลตอบแทนจากผลิตภัณฑ์ แต่คุณมีปัญหาในการหาสาเหตุ การแสดงข้อมูลภาพจะช่วยให้คุณสามารถมองหาคำต่างๆ เช่น ข้อบกพร่อง ขนาดไม่ถูกต้อง หรือสวมใส่ไม่พอดี ในคำติชม และจัดเรียงข้อมูลลงในแผนภูมิได้ แล้วคุณก็จะรู้ว่าปัญหาใดคือปัญหาใหญ่ที่มีความสำคัญสูงสุด 

การทำเหมืองข้อความคืออะไร

การทำเหมืองข้อความคือกระบวนการในการค้นหาข้อมูลเชิงลึกเชิงคุณภาพโดยการวิเคราะห์ข้อความที่ไม่มีโครงสร้าง 

การวิเคราะห์ข้อความกับการทำเหมืองข้อความ

ไม่มีความแตกต่างกันระหว่างการวิเคราะห์ข้อความและการทำเหมืองข้อความ ทั้งสองคำคือกระบวนการเดียวกันที่จะค้นหาข้อมูลเชิงลึกอันมีค่าจากแหล่งที่มาต่างๆ เช่น อีเมล การตอบแบบสำรวจ และฟีดโซเชียลมีเดีย

การพินิจพิเคราะห์ข้อความคืออะไร

การพินิจพิเคราะห์ข้อความคือข้อมูลเชิงปริมาณที่คุณได้รับจากการวิเคราะห์รูปแบบในตัวอย่างข้อความหลายตัวอย่าง ซึ่งแสดงผลเป็นแผนภูมิ ตาราง หรือกราฟ 

การวิเคราะห์ข้อความกับการพินิจพิเคราะห์ข้อความ

การพินิจพิเคราะห์ข้อความช่วยให้คุณระบุได้ว่ามีแนวโน้มหรือรูปแบบเฉพาะจากผลการวิเคราะห์คำติชมนับพันรายการหรือไม่ ในขณะเดียวกัน คุณสามารถใช้การวิเคราะห์ข้อความเพื่อพิจารณาว่าคำติชมของลูกค้าเป็นบวกหรือลบ  

Amazon Comprehend ช่วยได้อย่างไร

Amazon Comprehend คือบริการประมวลผลภาษาธรรมชาติที่ใช้แมชชีนเลิร์นนิงเพื่อเปิดเผยข้อมูลเชิงลึกที่มีคุณค่าและความสัมพันธ์ในข้อความ คุณสามารถใช้เพื่อลดความซับซ้อนในขั้นตอนการประมวลผลเอกสารโดยจัดหมวดหมู่และแยกข้อมูลจากเอกสารโดยอัตโนมัติ ตัวอย่างเช่น คุณสามารถใช้ Amazon Comprehend ดำเนินการดังต่อไปนี้

  • วิเคราะห์ความรู้สึกเกี่ยวกับระบบตั๋วสนับสนุนลูกค้า รีวิวผลิตภัณฑ์ ฟีดโซเชียลมีเดีย และอื่นๆ 
  • ผสานรวม Amazon Comprehend กับ Amazon Lex เพื่อพัฒนา Chatbot การสนทนาที่ชาญฉลาด
  • แยกคำศัพท์ทางการแพทย์จากเอกสารและระบุความสัมพันธ์ระหว่างคำศัพท์ด้วย Amazon Comprehend Medical

เริ่มต้นใช้งานด้วยการสร้างบัญชี AWS วันนี้

Amazon Comprehend คืออะไร

ขั้นตอนถัดไปของการวิเคราะห์ข้อความ

Standard Product Icons (Features) Squid Ink
ดูแหล่งข้อมูลที่เกี่ยวข้องกับผลิตภัณฑ์เพิ่มเติม
เรียนรู้เพิ่มเติมเกี่ยวกับการวิเคราะห์ข้อความ 
Sign up for a free account
ลงชื่อสมัครใช้บัญชีฟรี

รับสิทธิ์การเข้าถึง AWS Free Tier ได้ทันที

สร้างบัญชีฟรี 
Standard Product Icons (Start Building) Squid Ink
เริ่มต้นการสร้างใน Console

เริ่มต้นใช้งานด้วย Amazon Comprehend ใน AWS Management Console

ลงชื่อเข้าใช้