情感分析

    建構理解您行業特定語言和情感的 AI 模型

    The Challenge

    理解客戶情感對產品決策、品牌監控和客戶體驗管理至關重要。然而通用情感分析工具在行業特定語言上持續失敗。像「這個策略很激進」這樣的短語在客戶支援中是負面的,但在投資分析中是正面的。諷刺、領域術語和文化脈絡創造了現成模型處理不佳的多層模糊性,導致誤導的儀表板和錯誤的商業決策。

    問題在規模化時更加嚴重。當組織每天處理數千條評論、支援工單、調查回覆和社群媒體提及時,即使是微小的錯誤率也會轉化為大量的誤分類。在每天 5,000 次客戶互動上 10% 的錯誤率意味著每天 500 個被誤讀的訊號——足以扭曲趨勢分析、延遲升級和掩蓋新興的產品問題。超越簡單正面/負面的細粒度情感類別——如沮喪、困惑、愉悅或冷漠——需要通用模型根本不具備的特定領域訓練資料。

    The Solution

    Ertas 讓團隊用自己的標註資料微調情感模型,使模型學到對業務重要的情感類別與語言。在 Ertas Studio 中,分析師以 JSONL 格式上傳標註範例(標有情感的顧客評論、標有緊急程度與情緒的客服工單、依主題和體驗面向標註的問卷回覆),並透過視覺化畫布用這些範例訓練開源模型。Studio 的引導式資料集建構工具 Data Craft 讓團隊在訓練前編輯標籤、保存資料集版本並核准範例。

    一個微調後的模型可以在一次回應中同時給出多個面向,例如整體情感、情緒基調、緊急程度和主題。訓練好的模型可從 Hub 下載 GGUF 格式供 Ollama 或 llama.cpp 使用,或下載 safetensors 供 vLLM 使用,在您自己的伺服器上執行,既可即時為儀表板提供資料,也可批次處理歷史資料,模型讀取的顧客文字留在內部。訓練在 Ertas 的雲端 GPU 上進行,訓練範例會上傳到 Ertas,因此請先移除其中的姓名、電子郵件地址和帳號。隨著新的流行語、產品名稱和說法出現,團隊補充新範例、重新訓練即可。目前付費使用前沿模型 API 為顧客文字貼標籤的團隊,也可以詢問自適應模型端點:以團隊自己的請求訓練的客製模型,在通過團隊的評測後,承擔愈來愈多的請求。

    Key Features

    Studio

    多面向情感訓練

    用您自己的情感分類體系訓練模型,同時涵蓋多個面向:情感極性、情緒基調、緊急程度、主題和意圖,只需一個資料集、在 Studio 中訓練一次。

    Studio

    在 Data Craft 中審核標籤

    顧客洞察與客服主管在 Studio 的引導式資料集建構工具 Data Craft 中編輯並核准標註範例,並隨分類體系的變動保存版本。模型從最了解顧客的人認可的標籤中學習。

    Hub

    匯出並在您的伺服器上執行

    從 Hub 下載訓練好的模型(GGUF 或完整的 safetensors),以 Ollama、llama.cpp 或 vLLM 進行即時評分或批次處理。把結果接到分析儀表板、CRM 系統和警示流程,執行時不依賴 Ertas。

    Cloud

    自適應模型端點

    適合已經把顧客文字送到前沿模型 API 的團隊:以您自己的請求和團隊回饋訓練的客製模型,在通過您的評測後承擔愈來愈多的請求,疑難案例仍交由前沿模型處理。採用時只要把現有的 API 呼叫指向一個新的模型名稱,部署方式可選 Ertas 代管、您自己的雲端環境或地端部署。

    Example Workflow

    一家 SaaS 公司希望追蹤客服工單、NPS 問卷和應用程式商店評論中的顧客情感。產品團隊匯出了 30,000 筆標註範例,分為五個情感類別(驚喜、滿意、中立、沮喪、準備流失),移除姓名、電子郵件地址和帳戶資訊後,把 JSONL 資料集上傳到 Ertas Studio。他們微調 Qwen 2.5 7B,從三個面向(情感類別、功能領域和緊急程度)為文字分類,並用產品團隊手動標註的保留資料集檢驗結果。模型從 Hub 匯出,在公司自己的伺服器上執行,資料流程把每一個新的顧客接觸點都送給它。情感資料流入 Looker 儀表板,產品團隊每天都能看到每次功能發布後顧客的反應。當一次韌體更新導致「硬體可靠性」類別中的沮喪情緒激增時,團隊在隔天的儀表板上就能看到,不必等每月的 NPS 報告。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.