Resumo dos pontos-chave

Graças ao Key Point Summarization, você pode extrair insights detalhados e práticos de uma grande coleção de textos que representam as opiniões das pessoas.

Quando usar o resumo de pontos-chave

Quando você tem uma grande coleção de textos que representam as opiniões das pessoas (como análises de produtos, respostas de pesquisas ou comentários nas redes sociais), é difícil compreender as principais questões que surgem nos dados. Analisar milhares de comentários é proibitivamente caro. As abordagens automatizadas são muitas vezes limitadas à identificação de frases ou conceitos recorrentes e ao sentimento geral em relação a eles, mas não fornecem insights detalhados ou acionáveis. Graças ao Key Point Summarization (KPS), você pode extrair esses insights detalhados e acionáveis de forma organizada e hierárquica.

Como funciona o resumo de pontos-chave

O KPS divide os dados em frases e detecta a postura de cada uma (positiva, negativa, neutra). Em seguida, identifica os pontos-chave dessas frases e combina as frases restantes com esses pontos-chave. Todas as duplicações são removidas, e os pontos-chave relacionados são organizados de forma hierárquica. A prevalência de cada ponto-chave é quantificada pelo número de sentenças correspondentes.

Como usar o resumo de pontos-chave

O KPS está disponível somente nesses ambientes de notebook:

  • NLP + DO Runtime 24.1 on Python 3.11
  • GPU V100 Runtime 24.1 on Python 3.11

A análise usa modelos de linguagem grandes e, portanto, precisa de uma GPU.

  1. Execute e teste o KPS com um pequeno subconjunto de dados usando um ambiente somente de CPU: NLP + DO Runtime 24.1 on Python 3.11
  2. Execute o KPS em escala em centenas ou milhares de comentários usando um ambiente com uma GPU: GPU V100 Runtime 24.1 on Python 3.11

Esses dois ambientes incluem os pacotes Python necessários para a execução do KPS.

Para obter um exemplo de como usar o KPS, consulte o caderno de exemplo.