Analiza tekstu

Prompt Engineering z OpenAI API

Fouad Trad

Machine Learning Engineer

Analiza tekstu

Badanie tekstu w celu wyodrębnienia informacji
- Klasyfikacja tekstu
- Ekstrakcja encji
Firmy powinny zasięgnąć porady prawnej przed użyciem danych klientów

Obraz pokazujący, jak analiza tekstu wyodrębnia informacje, takie jak sentyment, emocje, ton, encje itp.

Klasyfikacja tekstu

Przypisywanie kategorii do tekstu
Przykład: analiza sentymentu

Obraz pokazujący klasy analizy sentymentu: pozytywna, negatywna lub neutralna.

Określone kategorie

Określenie kategorii klasyfikacji, gdy są znane
Podanie wymagań dotyczących danych wyjściowych

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

Nieokreślone kategorie

Model korzysta z własnej wiedzy, gdy kategorie nie są określone

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.

W przypadku niektórych problemów otwartych może to nie działać dobrze

Wiele klas

Tekst może należeć do wielu klas
Należy określić maksymalną liczbę klas, jeśli nie są znane

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

Ekstrakcja encji

Wyodrębnianie konkretnych encji z tekstu
Przykłady: imiona, miejsca, organizacje, daty

Ikona pokazująca, jak ekstrakcja encji polega na wyodrębnianiu konkretnych encji z danego tekstu

Ekstrakcja encji: określanie encji

Określenie encji do wyodrębnienia
Podanie formatu wyjściowego

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))

Ekstrakcja encji: określanie encji

Określenie encji do wyodrębnienia
Podanie formatu wyjściowego

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))

Ekstrakcja encji: określanie encji

Określenie encji do wyodrębnienia
Podanie formatu wyjściowego

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))

Ekstrakcja encji: określanie encji

Określenie encji do wyodrębnienia
Podanie formatu wyjściowego

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))

Ekstrakcja encji: określanie encji

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

Ekstrakcja encji z promptami few-shot

Do złożonych struktur

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"""

Ekstrakcja encji z promptami few-shot

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

Czas na ćwiczenia!

Prompt Engineering z OpenAI API