Textanalyse

Prompt-Engineering mit der OpenAI-API

Fouad Trad

Machine Learning Engineer

Textanalyse

Texte prüfen, um Informationen zu extrahieren.
- Textklassifikation
- Entitätsextraktion
Firmen sollten sich bei der Nutzung von Kundendaten rechtlich beraten lassen.

Bild, das zeigt, wie die Textanalyse Informationen wie Stimmung, Emotionen, Tonfall, Entitäten usw. aus einem bestimmten Text herausholt.

Textklassifizierung

Text Kategorien zuweisen
Beispiel: Stimmungsanalyse

Bild, das die Kategorien der Stimmungsanalyse als positiv, negativ oder neutral zeigt.

Spezifizierte Kategorien

Gib die Klassifizierungskategorien an, wenn du sie kennst.
Erwähne, was die Anforderungen an die Ausgabe sind.

text = "I bought your XYZ Smart Watch and wanted to share my positive experience. 
Impressed with its sleek design, comfort, and touchscreen usability."


prompt = f"""Classify the sentiment of the text delimited by triple backticks as 
positive, negative, or neutral. Give your answer as a single word:
           ```{text}```"""

print(get_response(prompt))

positive

Nicht näher bezeichnete Kategorien

Das Modell nutzt sein Wissen, wenn Kategorien nicht angegeben sind.

text = "I bought your XYZ Smart Watch and wanted to share my positive experience. 
Impressed with its sleek design, comfort, and touchscreen usability."

prompt = f"""Classify the sentiment of the text delimited by triple backticks. 
             Give your answer as a single word.
           ```{text}```"""
print(get_response(response))

positive.

Bei manchen offen formulierten Problemen könnte das nicht so gut klappen.

Mehrere Klassen

Text kann in mehrere Klassen passen.
Lege eine maximale Anzahl von Klassen fest, wenn du sie nicht kennst.

text = "I bought your XYZ Smart Watch and wanted to share my positive experience. 
Impressed with its sleek design, comfort, and touchscreen usability."

prompt = f"""Identify emotions used in this text. Don't use more than 3 emotions. 
             Format your answer as a list of words separated by commas:
           ```{text}```"""

print(get_response(prompt))

impressed, positive, comfortable

Entitätsextraktion

Bestimmte Entitäten aus Text extrahieren
Beispiele: Namen, Orte, Organisationen, Daten

Symbol, das zeigt, wie bei der Entitätsextraktion bestimmte Entitäten aus einem Text rausgeholt werden

Entitätsextraktion: Entitäten angeben

Zu extrahierende Entitäten angeben.
Erwähne das Ausgabeformat.

text = "The XYZ Mobile X200: a sleek 6.5-inch Super AMOLED smartphone with a 48MP 
triple-camera, octa-core processor, 5000mAh battery, 5G connectivity, and Android 
11 OS. Secure with fingerprint and facial recognition. 128GB storage, expandable up 
to 512GB."

prompt = f"""Identify the following entities from the text delimited by triple backticks:
             - Product Name



           ```{text}```"""
print(get_response(prompt))

Entitätsextraktion: Entitäten angeben

Zu extrahierende Entitäten angeben.
Erwähne das Ausgabeformat.

text = "The XYZ Mobile X200: a sleek 6.5-inch Super AMOLED smartphone with a 48MP 
triple-camera, octa-core processor, 5000mAh battery, 5G connectivity, and Android 
11 OS. Secure with fingerprint and facial recognition. 128GB storage, expandable up 
to 512GB."

prompt = f"""Identify the following entities from the text delimited by triple backticks:
             - Product Name
             - Display Size


           ```{text}```"""
print(get_response(prompt))

Entitätsextraktion: Entitäten angeben

Zu extrahierende Entitäten angeben.
Erwähne das Ausgabeformat.

text = "The XYZ Mobile X200: a sleek 6.5-inch Super AMOLED smartphone with a 48MP 
triple-camera, octa-core processor, 5000mAh battery, 5G connectivity, and Android 
11 OS. Secure with fingerprint and facial recognition. 128GB storage, expandable up 
to 512GB."

prompt = f"""Identify the following entities from the text delimited by triple backticks:
             - Product Name
             - Display Size
             - Camera Resolution

           ```{text}```"""
print(get_response(prompt))

Entitätsextraktion: Entitäten angeben

Zu extrahierende Entitäten angeben.
Erwähne das Ausgabeformat.

text = "The XYZ Mobile X200: a sleek 6.5-inch Super AMOLED smartphone with a 48MP 
triple-camera, octa-core processor, 5000mAh battery, 5G connectivity, and Android 
11 OS. Secure with fingerprint and facial recognition. 128GB storage, expandable up 
to 512GB."

prompt = f"""Identify the following entities from the text delimited by triple backticks:
             - Product Name
             - Display Size
             - Camera Resolution
             Format the answer as an unordered list.
           ```{text}```"""
print(get_response(prompt))

Entitätsextraktion: Entitäten angeben

Product Name: XYZ Mobile X200
Display Size: 6.5-inch
Camera Resolution: 48MP triple-camera

Entitätsextraktion mit few-shot Prompts

Für komplexe Strukturen

ticket_1 = "Hello, I'm Emma Adams. I'd 
like to ask about my reservation with 
the code CAR123. 
You can reach me at +123456 if needed."

ticket_2 = "This is Sarah Williams. 
I would like to request some information
regarding my upcoming flight with 
reservation code FLIGHT987. Thank you."

entities_1 = """
* Customer Details:
  - Name: Emma Adams
  - Phone: +123456
* Reservation Details:
  - Reservation Code: CAR123"""
entities_2 = """
* Customer Details:
  - Name: Sarah Williams
* Reservation Details:
  - Reservation Code: FLIGHT987"""

Entitätsextraktion mit few-shot Prompts

ticket_3 = "Hello, I'm David Brown (CUST123). I need assistance with my reservation under 
the code HOTEL456. There are some questions and issues related to my upcoming stay that 
require your attention."


prompt = f"""Text: {ticket_1} -> Entities: {entities_1}
             Text: {ticket_2} -> Entities: {entities_2}
             Text: {ticket_3} -> Entities: """
print(get_response(prompt))

* Customer Details:
  - Name: David Brown
  - Customer ID: CUST123
* Reservation Details:
  - Reservation Code: HOTEL456

Lass uns üben!

Prompt-Engineering mit der OpenAI-API