Analyse de texte

Conception de invites (Prompt Engineering) avec l'API d'OpenAI

Fouad Trad

Machine Learning Engineer

Analyse de texte

Examiner un texte pour en extraire de l'information
- Classification de texte
- Extraction d'entités
Les entreprises devraient obtenir un avis juridique avant d'utiliser des données clients

Image montrant comment l'analyse de texte extrait des informations comme le sentiment, l'émotion, le ton, les entités, etc., à partir d'un texte donné.

Classification de texte

Attribuer des catégories au texte
Exemple : analyse de sentiment

Image montrant les classes d'une analyse de sentiment : positive, négative ou neutre.

Catégories précisées

Préciser les catégories quand elles sont connues
Indiquer les exigences de sortie

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

Catégories non précisées

Le modèle s'appuie sur ses connaissances si les catégories ne sont pas précisées

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.

Pour certains problèmes ouverts, cela peut moins bien fonctionner

Classes multiples

Un texte peut relever de plusieurs classes
Définir un nombre maximal de classes si elles sont inconnues

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

Extraction d'entités

Extraire des entités précises d'un texte
Exemples : noms, lieux, organisations, dates

Icône illustrant l'extraction d'entités précises à partir d'un texte donné

Extraction d'entités : préciser les entités

Préciser les entités à extraire
Indiquer le format de sortie

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))

Extraction d'entités : préciser les entités

Préciser les entités à extraire
Indiquer le format de sortie

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))

Extraction d'entités : préciser les entités

Préciser les entités à extraire
Indiquer le format de sortie

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))

Extraction d'entités : préciser les entités

Préciser les entités à extraire
Indiquer le format de sortie

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))

Extraction d'entités : préciser les entités

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

Extraction d'entités avec amorçage par quelques exemples

Pour des structures complexes

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"""

Extraction d'entités avec amorçage par quelques exemples

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

Passons à la pratique !

Conception de invites (Prompt Engineering) avec l'API d'OpenAI