Skip to content

Latest commit

 

History

History
212 lines (145 loc) · 11.6 KB

README.md

File metadata and controls

212 lines (145 loc) · 11.6 KB

Desafio: Conhecendo o Language Studio do Azure com Análise de Sentimentos

Repositório: language-studio

  1. Criar um novo repositório no github com um nome a sua preferência;
  2. Criar uma pasta chamada 'inputs' e crie um documento de texto com algumas sentenças;
  3. Criar um arquivo chamado readme.md, deixe alguns prints descreva o processo, alguns insights e possibilidades que você aprendeu durante o conteúdo após a IA analisar suas sentenças;
  4. Compartilhar conosco o link desse repositório através do botão 'entregar projeto'.

1. Criar um novo repositório no github com um nome a sua preferência

Na maquina local foi crido o diretório 'language-studio'

$ mkdir language-studio

Depois, entrei no diretório criado e iniciei o diretório como um repositório no Git.

$ CD language-studio
$ git init

No GItHub foi criado o repositório 'language-studio'

Comandos/configurações:

  • "Novo repositório".
  • Nome para o repositório: 'language-studio'.
  • Descrição: "Desafio: conhecendo o Language Studio do Azure".
  • Visibilidade: "pública".
  • Opção: README.
  • Cliquei em "Criar repositório".

2. Crie uma pasta chamada 'inputs' e crie um documento de texto com algumas sentenças;

No GItHub foi criado o diretório 'inputs' no repositório 'language-studio'

Comandos/configurações:

  • Botão: "Add File".
  • Opção: + Create new file.
  • Preenchi: inputs/algumas-sentences.txt
  • Opção: Commit changes.

3. Crie um arquivo chamado readme.md, deixe alguns prints descreva o processo, alguns insights e possibilidades que você aprendeu durante o conteúdo após a IA analisar suas sentenças

3.1. Criar um arquivo readme.md

No GitHub na raiz do repositório 'language-studio', foi crido o arquivo 'readme.md', no ato da criação do repositório (Ver etapa 1. Criar um novo repositório no github).
Nesta etapa, o procedimento foi o de editar o arquivo "readme.md". E, para isso:

No repositório 'language-studio', no GitHub:

  • Botão: ✏️ "lápis"
  • Abre o editor de texto no GitHub.

O arquivo foi editado no editor do GitHub.
Após a edição do arquivo, para atualizar o repositório local foi dado o comando git pull <endereço do repositório remoto>

  • No repositório local;
    Clica no botão direito do mouse; e
  • Opção: "Open Git Bash here" No terminal digita o comando Git Pull <endereço do repositório remoto>
$ git pull /~https://github.com/z3mafra/language-studio.git

No GitHub foi criado o diretório 'contents' no repositório language-studio, para armazenar os prints dos resultados das análises.

Comandos/configurações:

  • Botão: "Add File".
  • Opção: + Create new file.
  • Preenchi: contents/image-list.txt
  • Opção: Commit changes.
  • Dentro do diretório 'inputs': "Add File".
  • Opção: Upload files
  • Cliquei em "Choose your files".
  • Carregou o conjunto de imagens.

3.2. Prints e descrição do processo no Language Studio

O primeiro passo é criar um recurso de linguagem (Create a Language resource), no Azure AI services, com sua inscrição Azure.

Configurando para o Visio Studio:

    1. Entrar no portal Azure https://portal.azure.com.
    1. Clicar no botão ＋Create a resource e procure por serviço de idiomas (Language Service). Selecionei "create a Language service plan". Direcionado a uma página para Select additional features. Mantenha a seleção padrão e clique em Continue to create your resource.
    1. Na página Create Language (Criar Idioma), configure-o com as seguintes configurações:
    • Subscription: Azure subscription 1.
    • Resource group: LabLang.
    • Region: East US.
    • Name: DioFalaLab.
    • Pricing tier: Standard S0.
    • Selecinei o check box: "I acknowledge that I have read and understood all the terms below.
    1. Selecionei Review + create then Create e aguardei a implantação se completar.

Configure seu recurso em Azure AI Language Studio

Em outra aba do navegador, abra o Language Studio em https://language.cognitive.azure.com e faça login.

Quando solicitado com Select an Azure resource, faça as seguintes configurações:

  • Azure directory: Default Directory, the directory you are using
  • Azure subscription: Select the subscription you are using
  • Resource type: Language
  • Resource name: select the Language service resource you just created
  • Em seguida, selecione Done.

Analise as avaliações em Language Studio

  1. Em um navegador da web, navegue até Language Studio em https://language.cognitive.azure.com.
  2. Na página inicial Welcome to Language Studio, selecione a guia Classify text e, em seguida, selecione o bloco Analyze sentiment and mine opinions.
  3. Em Selecionar idioma do texto, selecione English.
  4. Em Select your Azure resource, selecione o seu recurso.
  5. Em Enter your own text, carregue o arquivo (LabFala-texto-fiat-uno.txt), com o seguinte comentário:

Porque o Fiat Uno é tão bom?
É um carro simples e robusto, com bom valor de revenda e liquidez, mesmo já fora de linha. Tem no acabamento simples sua maior fragilidade, mas no geral não apresenta falhas graves e custosas de reparar. E deve permanecer ainda “bom de mercado” por um bom tempo pela frente. É uma opção a ser considerada.

  1. Marque a caixa para reconhecer que a demonstração incorrerá em uso e poderá incorrer em custos e, em seguida, selecione Run.

  1. Revise a saída. Observe que o documento é analisado quanto ao sentimento, assim como cada frase. Selecione a frase 1 para mostrar a análise de sentimento dessa frase.

[Note]
É interessante notar como a análise liga emtdades e enunciados à intensões, criando um sentido ponderado de uma avaliação. Com o Language Studio pode-se fazer mineração de sentimentos e opiniões, com três trechos de texto...

3.3. Alguns insights e possibilidades que você aprendeu durante o conteúdo após a IA analisar suas sentenças;

O Processamento de Linguagem Natural (PNL) é fundamental para compreender e interagir com a linguagem escrita e falada, possibilitando a extração de significado semântico e a formulação de respostas em linguagem natural.

Agências de Viagens, entre outros serviçoes, podem usar o Azure Language Studio para analisar avaliações de hotéis, identificando sentimentos e entidades mencionadas, melhorando a experiência do cliente.

O Azure Language Studio é uma ferramenta poderosa oferecida pela Microsoft para análise de texto e compreensão de linguagem natural. Uma das aplicações mais significativas do Language Studio é a análise de sentimentos, onde ele pode ser utilizado para determinar se as avaliações de produtos, serviços ou qualquer outro tipo de conteúdo são predominantemente positivas ou negativas. Isso é essencial para empresas que desejam entender o feedback dos clientes e a reputação de sua marca. Ao empregar técnicas de processamento de linguagem natural avançadas, o Language Studio é capaz de identificar nuances no texto, capturando não apenas palavras-chave, mas também o contexto e o tom geral das avaliações.

Através do uso de algoritmos de aprendizado de máquina e modelos de linguagem pré-treinados, o Language Studio é capaz de analisar grandes volumes de avaliações de forma rápida e eficiente. Ele pode detectar palavras e frases que indicam sentimentos positivos ou negativos, levando em consideração aspectos como sarcasmo, ironia e ambiguidade. Isso permite uma avaliação mais precisa e detalhada do sentimento expresso no texto, proporcionando insights valiosos para as empresas.

Uma das vantagens do Azure Language Studio é sua capacidade de personalização. As empresas podem ajustar os modelos de análise de sentimento de acordo com suas necessidades específicas e o domínio de seu negócio. Isso permite uma análise mais precisa e relevante das avaliações, levando em consideração termos e expressões específicas da indústria ou do público-alvo. Além disso, o Language Studio oferece integração com outras ferramentas e serviços do Azure, permitindo uma implementação suave em diferentes sistemas e plataformas.

No entanto, é importante reconhecer que nenhuma ferramenta de análise de sentimento é perfeita. O Azure Language Studio pode enfrentar desafios ao lidar com textos complexos ou ambíguos, onde o contexto pode influenciar significativamente o sentimento expresso. Além disso, como qualquer tecnologia baseada em machine learning, o desempenho do Language Studio pode variar dependendo da qualidade dos dados de treinamento e das configurações específicas utilizadas. Portanto, é fundamental complementar a análise automatizada com revisão humana e outras formas de feedback para obter uma compreensão abrangente das avaliações.

Um outro aspecto importante, que também deve ser consdierado, é a integração dessas ferramentas com os ambientes de navegação na internet, tais como plataformas, sites e aplicativos.

4. Compartilhar o link do repositório através do botão 'entregar projeto'

Antes de finalizar o desafio, uma providência importate é limpar (Clean up) o Language Studio, deletando os recrusos para não gerar custos desnecessários.

Clean up

Como é recomendado na documentção, senão se pretende fazer mais exercícios, excluir todos os recursos que não precisa mais. Isso evita acumular custos desnecessários.
‑

  1. Abra o portal do Azure (https://portal.azure.com/) e selecione o grupo de recursos que contém o recurso que você criou.
  2. Selecione o recurso e selecione Excluir e depois Sim para confirmar. O recurso é então excluído.
  • Observação: Uma curiosidade que, nesta etapa, a plataforma informou que não houve consumo de recursos, restando ainda um crédito de R$ 988,18, na assinatura gratuita. Foi a mesma posição do último desafio no Azura, Vision Studio: Detect faces; Read text; e, Analyze images.

Após completar o Desafio, fiz a atualização no repositório local com o comando git pull.

  • No repositório local;
    Clica no botão direito do mouse; e
  • Opção: "Open Git Bash here" No terminal digita o comando Git Pull <endereço do repositório remoto>
$ git pull /~https://github.com/z3mafra/language-studio.git

Postar link do repositório

Como é solicitado no enunciado do desafio, o link do GitHub deve ser compartilhado na plataforma da DIO. Para isso, segui os seguintes passos:

  1. Abra o portal da DIO (https://www.dio.me/), com as credenciais e selecione o Bootcamp Microsoft AZure AI Fundamentals.
  2. Entra na Atividade Desafio de projeto: "Reconhecimento Facial e transformação de imagens em Dados no Azure ML"
  3. Clica no botão "ENTREGAR PROJETO"
  4. Cola o link do projeto na caixa de texto "Repositório do Projeto"; Cola a descrição do repositório; Ler e marcar o Check box "Termos de uso", concordando com os termos o recurso; e,
  5. Selecione Entregar. O Desafio é então entregue.