Ertas 助力情感分析

    微调情感分析模型,捕捉您行业语言的细微差别,超越正面/负面来检测意图、紧急度和情绪。

    The Challenge

    理解客户情感对产品决策、品牌监控和客户体验管理至关重要。然而通用情感分析工具在行业特定语言上持续失败。「这个策略很激进」在客户支持中是负面的,但在投资分析中是正面的。讽刺、领域术语和文化背景创造了现成模型难以处理的多层歧义,导致仪表板误导和错误的商业决策。

    问题在规模上更加严重。当组织每天处理数千条评论、支持工单、调查回复和社交媒体提及时,即使很小的错误率也会转化为大量的误分类。每天 5,000 次客户交互中 10% 的错误率意味着每天 500 个被误读的信号——足以扭曲趋势分析、延迟升级和掩盖新出现的产品问题。超越简单正面/负面的细粒度情感类别——如沮丧、困惑、愉悦或冷漠——需要通用模型根本不具备的领域特定训练数据。

    The Solution

    Ertas 让团队用自己的标注数据微调情感模型,使模型学到对业务重要的情感类别和语言。在 Ertas Studio 中,分析师以 JSONL 格式上传标注示例(标有情感的客户评论、标有紧急程度和情绪的支持工单、按主题和体验维度标注的调查回复),并通过可视化画布用这些示例训练开源模型。Studio 的引导式数据集构建器 Data Craft 让团队在训练前编辑标签、保存数据集版本并批准示例。

    一个微调后的模型可以在一次响应中同时给出多个维度,例如整体情感、情绪基调、紧急程度和主题。训练好的模型可从 Hub 下载 GGUF 格式供 Ollama 或 llama.cpp 使用,或下载 safetensors 供 vLLM 使用,在您自己的服务器上运行,既可实时为仪表盘提供数据,也可批量处理历史数据,模型读取的客户文本留在内部。训练在 Ertas 的云端 GPU 上进行,训练示例会上传到 Ertas,因此请先去掉其中的姓名、电子邮件地址和账号。随着新的俚语、产品名称和说法出现,团队补充新示例、重新训练即可。目前花钱用前沿模型 API 给客户文本打标签的团队,也可以咨询自适应模型端点:用团队自己的请求训练的定制模型,在通过团队的评测后,承担越来越多的请求。

    Key Features

    Studio

    多维情感训练

    用您自己的情感分类体系训练模型,同时覆盖多个维度:情感极性、情绪基调、紧急程度、主题和意图,只需一个数据集、在 Studio 中训练一次。

    Studio

    在 Data Craft 中审核标签

    客户洞察和支持负责人在 Studio 的引导式数据集构建器 Data Craft 中编辑和批准标注示例,并随分类体系的变化保存版本。模型从最了解客户的人认可的标签中学习。

    Hub

    导出并在您的服务器上运行

    从 Hub 下载训练好的模型(GGUF 或完整的 safetensors),用 Ollama、llama.cpp 或 vLLM 进行实时评分或批量处理。把结果接入分析仪表盘、CRM 系统和告警流程,运行时不依赖 Ertas。

    Cloud

    自适应模型端点

    适合已经把客户文本发送给前沿模型 API 的团队:用您自己的请求和团队反馈训练的定制模型,在通过您的评测后承担越来越多的请求,疑难案例仍交给前沿模型。采用它只需把现有的 API 调用指向一个新的模型名称,部署方式可选 Ertas 托管、您自己的云环境或本地部署。

    Example Workflow

    一家 SaaS 公司希望跟踪支持工单、NPS 调查和应用商店评论中的客户情感。产品团队导出了 30,000 条标注示例,分为五个情感类别(惊喜、满意、中立、沮丧、准备流失),去掉姓名、电子邮件地址和账户信息后,把 JSONL 数据集上传到 Ertas Studio。他们微调 Qwen 2.5 7B,从三个维度(情感类别、功能领域和紧急程度)对文本分类,并用产品团队手工标注的预留数据集检验结果。模型从 Hub 导出,在公司自己的服务器上运行,数据流水线把每一个新的客户接触点都发给它。情感数据流入 Looker 仪表盘,产品团队每天都能看到每次功能发布后客户的反应。当一次固件更新导致「硬件可靠性」类别中的沮丧情绪激增时,团队在第二天的仪表盘上就能看到,不必等每月的 NPS 报告。

    Related Resources

    Ship AI that runs on your users' devices.

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