Kund:innen und Konsument:innen haben heute durch Social Media und verschiedenste Plattformen für Rezensionen die Möglichkeit, ihre Meinung und Bewertungen über alle möglichen Produkte und Dienstleistungen abzugeben. Da man in der Regel die Bewertungen anschaut, bevor man einen Kauf tätigt, sind Meinungen anderer Nutzer:innen sehr wichtig. Daher haben auch Unternehmen ein großes Interesse daran, darüber informiert zu sein, was ihre Kund:innen von den Produkten oder Dienstleistungen halten. Um auf Feedback und Rezensionen von Kund:innen und Trends schneller reagieren zu können, werden immer häufiger AI-Chatbots eingesetzt. Die Analyse der Stimmung in Kommentaren verschiedenen Plattformen wird als Sentiment-Analysis bezeichnet.
In Kürze Vorab:
- Mit der Sentiment-Analyse wird ein Stimmungsbild der Kund:innen eingeholt
- Die Meinungen der Kund:innen sind für Unternehmen relevant, um ihr Geschäftsmodell anpassen zu können
- Für die Analyse werden Sprachmodelle eingesetzt, die Text und Sprache modellieren, um sie verarbeiten zu können
- Die automatische Verarbeitung durch KI soll die Kategorisierung schneller und zuverlässiger machen
- Die eingesetzten Tools können auf regelbasierten oder hybriden Ansätzen basieren sowie auf maschinellem Lernen oder Deep Learning
Was ist Sentiment-Analysis?
Bei der Sentiment-Analysis, auch als ‘Opinion Mining’ bekannt, geht es darum, die Kundenkommunikation zu erfassen und Meinungen, Stimmung und Emotionen in Kommentaren von Benutzer:innen in den sozialen Medien zu extrahieren. Die automatische Analyse soll bei der Erfassung großer Datenmengen helfen, um Produkte, Dienstleistungen oder den Kundenservice zu verbessern. So werden fundierte und strategische Entscheidungen getroffen. Dazu werden Sprachmodelle eingesetzt, um Emotionen zu erkennen, und zu verstehen, was die User:innen wirklich gemeint haben. Diese Seite gibt einen Überblick über die Chancen der Sentiment-Analysis.
Welche Sprachmodelle gibt es?
- Regelbasierte Ansätze
- Maschinelles Lernen (z.B. Deep Learning)
- Hybride Ansätze: regelbasiert und maschinell
Einige Tools basieren auf dem regelbasierten Ansatz, der auch die Erstellung eines Wörterbuchs inkludiert. Dabei werden Wörterlisten mit Keywords erstellt, die in Usertexten erkannt und als positiv oder negativ bewertet werden sollen. Sogenannte Stopp-Wörter wie Pronomen oder Artikel werden dabei ausgeschlossen, weil ihre Bedeutung für die Sentiment-Analyse nicht relevant sind. Sie werden also manuell oder halb-automatisch trainiert, wobei man ähnlich wie bei Sprachkorpora auf die Keywords-in-Context-Funktion (KWIC) zurückgreift, da bei den entsprechenden Keywords der Kontext entscheidend für die richtige Interpretation ist. Ähnlich wie andere Sprachmodelle wie ChatGPT wird der Kontext statistisch ausgewertet – so können sie die Spracherkennung und –Ausgabe überhaupt erst lernen. Die Tokenization und Annotation von Sprachdaten spielt auch dabei eine zentrale Rolle.
Die Berücksichtigung des Kontexts ist auch für KI-gestützte Modelle zentral, um ein Keyword richtig als positiv oder negativ einordnen zu können. Ansätze wie das Deep Learning gehören zum Machine Learning (ML), wobei Algorithmen selbst Muster in Texten wie Kommentare, Posts, Rezensionen oder E-Mails erkennen. Deep Learning verwendet künstliche neuronale Netzwerke aus Input- und Output-Layern. Diese Schichten bestehen aus Knoten, die mit Zahlwerten versehen werden, die dann zu verschiedenen Schichten verknüpft werden. Dabei werden verschiedene Algorithmen kombiniert.
Diese Modellierung ist wichtig, weil KI Sprache nicht verstehen kann. Ein zuverlässiger Algorithmus des Machine Learning für die Sentiment-Analyse ist auch die Support Vector Machine. In Bezug auf ein Merkmal werden dabei Ähnlichkeiten zwischen Wörtern herausgestellt, um sie zu klassifizieren. Sie werden mit Werten von -1 bis 1 versehen, um Vektoren zu erstellen. Ähnliche Werte ergeben also eine ähnliche semantische Klassifizierung. Die Klassifizierung kann auch mithilfe der linearen Regression erfolgen. Sie gehört auch zum ML und stammt aus der Statistik. Sie beschreibt einen Wert (y) auf Grundlage von Eigenschaften (x).
Über diese Modelle wird ein Text und sein allgemeines, vermitteltes Gefühl erfasst. Diese Polarität kann positiv, negativ oder neutral sein. Texte werden somit als positiv oder negativ kategorisiert. Bei IBM erhältst du umfassende Informationen über die verschiedenen Modelle.
Warum wird dafür eine KI trainiert?
Menschen können Emotionen zwar besser erkennen als Maschinen. Was KI besser kann als Menschen ist die schnelle Erfassung großer Textmengen, da Menschen diese ja schrittweise lesen müssen und dabei auch ermüden, wenn man so will. Unternehmen versprechen sich davon, Trends und Kundenunzufriedenheit frühzeitig zu erkennen, um ihr Geschäftsmodell schnellstmöglich anzupassen. Der Konkurrenzdruck macht es erforderlich, dass Unternehmen im Allgemeinen darauf zurückgreifen. Dies hat zur Folge, dass solche KI-Tools einen Hype erfahren und schnell überschätzt werden. Es bleibt weiterhin wichtig, die KI, die man einsetzt, auch zu kontrollieren, ob sie richtige Ergebnisse liefert.