Classification de texte

Introduction à l'IA générative dans Snowflake

James Cha-Earley

Senior Developer Advocate, Snowflake

Défis de la classification de texte

Le problème

Les avis peuvent contenir n'importe quelle information

Le classement manuel prend du temps et ne passe pas à l'échelle

La solution

Automatisez avec Snowflake Cortex !

classify_text()

Définir des catégories

# Définir les catégories
categories = ["overall_experience", "location", "staff", "food_beverages",
              "facilities"]

Classer du texte

from snowflake.cortex import classify_text


category = classify_text(
    str_input="The check-in was smooth and the staff were very friendly.",
    categories=categories
)


print(category)

{  
  "label": "staff"  
}

Convertir les sorties en dictionnaire

print(type(category))

<class 'str'>

import json

category_dict = json.loads(category)
print(type(category_dict))

<class 'dict'>

Faire passer l’exploitation à l’échelle

Chaîne de classification qui catégorise les avis pour un mois donné

# Code Python
month = 5

-- Requête SQL
SELECT *
FROM HOTELS.REVIEWS
WHERE EXTRACT(month FROM date) = '{{month}}'

Appliquer classify_text()

df = cell2.to_pandas()


def classification(text):
    result = classify_text(
        str_input=text,
        categories=labels
    )
    result_dict = json.loads(result)
    return result_dict["label"]

Appliquer classify_text()

# Appliquer la classification au DataFrame
df["category"] = reviews["DESCRIPTION"].apply(classification)


# Afficher la catégorie prédite de la première ligne
print(df["category"].head(1))

0    overall_experience  
Name: category, dtype: object

Analyse de sentiment

Intérêt seulement pour le sentiment des avis

AI_SENTIMENT in a SQL cell

Analyse de sentiment

AI_SENTIMENT - extraction d’un sentiment

Sentiments possibles : positive, negative, neutral, mixed et unknown

Passons à la pratique !

Introduction à l'IA générative dans Snowflake