Crie um aplicativo React de análise de sentimento usando a API OpenAI

No cenário digital, obter acesso a dados acionáveis, particularmente insights específicos sobre seus clientes, pode colocá-lo bem à frente da concorrência.

A análise de sentimentos tornou-se uma estratégia popular, pois gera resultados confiáveis. Você pode usá-lo para identificar programaticamente as opiniões e percepções das pessoas sobre seu produto. Você pode descobrir outros pontos de dados importantes que podem ser usados ​​para tomar decisões importantes de negócios.

Com ferramentas como as APIs da OpenAI, você pode analisar e gerar insights detalhados e acionáveis ​​sobre seus clientes. Continue lendo para saber como integrar sua API avançada de classificador de tweets para analisar as entradas dos usuários.

Uma introdução ao GPT

O transformador pré-treinado generativo da OpenAI (GPT-3) é um grande modelo de linguagem treinado em grandes quantidades de dados de texto, dando-lhe a capacidade de gerar respostas rapidamente para qualquer consulta alimentada nele. ele utiliza

processamento de linguagem natural técnicas para entender e processar as consultas — solicitações dos usuários.

O GPT-3 ganhou popularidade devido à sua capacidade de processar solicitações do usuário e responder em formato de conversação.

Esse modelo é particularmente essencial na análise de sentimento, pois você pode usá-lo para avaliar e determinar com precisão o sentimento dos clientes em relação aos produtos, sua marca e outras métricas importantes.

Mergulhe na análise de sentimento usando GPT

A análise de sentimento é uma tarefa de processamento de linguagem natural que envolve identificar e categorizar o sentimento expresso em dados textuais, como sentenças e parágrafos.

GPT pode processar dados sequenciais tornando possível analisar os sentimentos. Todo o processo de análise envolve treinar o modelo com grandes conjuntos de dados de texto rotulado que são categorizados como positivos, negativos ou neutros.

Você pode usar um modelo treinado para determinar o sentimento de novos dados de texto. Essencialmente, o modelo aprende a identificar sentimentos analisando padrões e estruturas de texto. Em seguida, ele o categoriza e gera uma resposta.

Além disso, o GPT pode ser ajustado para avaliar dados de domínios de nicho, como mídia social ou feedback do cliente. Isso ajuda a melhorar sua precisão em contextos específicos, treinando o modelo com expressões de sentimento exclusivas desse domínio específico.

Classificador avançado integrado de tweets OpenAI

Essa API usa técnicas de processamento de linguagem natural para analisar dados de texto, como mensagens ou tweets, para determinar se eles têm sentimentos positivos, negativos ou neutros.

Por exemplo, se um texto tiver um tom positivo, a API o classificará como "positivo", caso contrário, será rotulado como "negativo" ou "neutro".

Além disso, você pode personalizar as categorias e usar palavras mais específicas para descrever o sentimento. Por exemplo, em vez de simplesmente rotular dados de texto específicos como "positivos", você pode escolher uma categoria mais descritiva como "feliz".

Configurar o classificador avançado de tweets

Para começar, acesse Console do desenvolvedor do OpenAIe inscreva-se em uma conta. Você precisará de sua chave de API para interagir com a API avançada do classificador de tweets de seu aplicativo React.

Na página de visão geral, clique no botão Perfil no canto superior direito e selecione Ver chaves de API.

Em seguida, clique em Criar nova chave secreta para gerar uma nova chave de API para seu aplicativo. Certifique-se de fazer uma cópia da chave para uso na próxima etapa.

Criar um cliente React

Rapidamente inicialize seu projeto React localmente. Em seguida, no diretório raiz da pasta do seu projeto, crie um .env arquivo para manter sua chave secreta da API.

REACT_APP_OPEN_AI_API_KEY='sua chave de API'

Você pode encontrar o código deste projeto neste Repositório GitHub.

Configurar o componente App.js

Abra o src/App.js arquivo, exclua o código padrão do React e substitua-o pelo seguinte:

1. Faça as seguintes importações:

   importar'./App.css';
   importar Reagir, {useState} de'reagir';

2. Defina o componente App funcional e as variáveis ​​de estado para conter a mensagem de um usuário e seu sentimento após a análise.

   funçãoAplicativo() {
   const [mensagem, setMessage] = useState("");
   const [sentimento, setSentiment] = useState("");

3. Crie uma função de manipulador que fará solicitações POST HTTP assíncronas para o Tweet avançado Classificador passando a mensagem do usuário e a chave de API no corpo da solicitação para analisar o sentimentos.
4. A função aguardará a resposta da API, analisará como JSON e extrairá o valor do sentimento na matriz de opções dos dados analisados.
5. Por fim, a função do manipulador acionará a função setSentiment para atualizar seu estado com o valor do sentimento.

   const API_KEY = processo.env. REACT_APP_OPEN_AI_API_KEY;
   const APIBODY ={
   'modelo': "texto-davinci-003",
   'incitar': "Qual é o sentimento desta mensagem?" + mensagem,
   'max_tokens': 60,
   'top_p': 1.0,
   'frequency_penalty': 0.0,
   'presence_penalty': 0.0,
    }
   assíncronofunçãomanipularClique() {
   aguardam buscar(' https://api.openai.com/v1/completions', {
    método: 'PUBLICAR',
    cabeçalhos: {
   'Tipo de conteúdo': 'aplicativo/json',
   'autorização': `portador ${API_KEY}`
    },
    corpo: JSON.stringify (APIBODY)
    }).então(resposta => {
   retornar resposta.json()
    }).então((dados) => {
   console.log (dados);
    setSentiment (data.choices[0].text.trim());
    }).pegar((erro) => {
   console.erro (erro);
    });
    };

O corpo da solicitação contém alguns parâmetros, são eles:

• modelo: especifica qual modelo OpenAI usar; text-davinci-003 neste caso.
• prompt: o prompt que você usará para analisar o sentimento da mensagem fornecida.
• max_tokens: especifica o número máximo de tokens alimentados no modelo para evitar o uso excessivo ou desnecessário do poder de computação do modelo e melhorar seu desempenho geral.
• top_p, frequency_penalty e Presence_penalty: esses parâmetros ajustam a saída do modelo.

Por fim, retorne a caixa de mensagem e o botão enviar:

retornar (
"Aplicativo">
"Cabeçalho do aplicativo">
 Aplicativo de análise de sentimento</h2>
"entrada">
 Digite a mensagem para classificar </p>
 className="área de texto"
 tipo="texto"
 espaço reservado ="Digite sua mensagem..."
 colunas={50}
 linhas={10}
 onChange={(e) => setMessage (e.target.value)}
 />
 </div>

"Resposta">
 Obter sentimento da mensagem</button>
 {sentimento !== ""? <p> A mensagem é {sentiment} p>: nulo}
 </div>
 </header>
 </div>
 );
}



exportarpadrão Aplicativo;

Criar um prompt de usuário

Você pode, opcionalmente, criar um campo de entrada de prompt para permitir que você defina como analisar a mensagem.

Por exemplo, em vez de obter "positivo" como sentimento para uma mensagem específica, você pode instruir o modelo a gere respostas e classifique-as em uma escala de um a dez, onde um é extremamente negativo enquanto dez é extremamente positivo.

Adicione este código ao App.js componente. Defina uma variável de estado para o prompt:

const [prompt, setPrompt] = useState("");

Modifique o prompt no APIBODY para usar os dados da variável de prompt:

const APIBODY = {
// ...
'incitar': prompt + mensagem,
// ...
 }

Adicione um campo de entrada de prompt, logo acima da área de texto da mensagem:

 className="incitar"
 tipo="texto"
 espaço reservado ="Inserir prompt..."
 onChange={(e) => setPrompt (e.target.value)}
 />

Ative o servidor de desenvolvimento para atualizar as alterações feitas e vá para http://localhost: 3000 para testar a funcionalidade.

A análise de sentimento é uma prática comercial essencial que pode fornecer informações valiosas sobre as experiências e opiniões de seus clientes, permitindo que você tome decisões informadas que podem levar a melhores experiências do cliente e aumento de receita.

Com a ajuda de ferramentas de IA, como OpenAI APIs, você pode simplificar seus pipelines de análise para obter opiniões precisas e confiáveis ​​dos clientes em tempo real.