SAS Visual Text Analytics
Mettez à l’échelle l’acte humain de lire, d’organiser et d’extraire des informations utiles à partir d’énormes volumes de données textuelles.
-
Détecter les tendances émergentes et les opportunités cachées.
Passez rapidement et inlassablement au crible des volumes croissants de données textuelles pour identifier les idées ou les sujets principaux, extraire les termes clés, analyser le sentiment et identifier les corrélations entre les mots avec la bonne combinaison de traitement du langage naturel, de méthodes d'apprentissage automatique et d'apprentissage profond, et de règles linguistiques. Cela permet de transmettre les bonnes informations aux personnes qui en ont besoin.
-
Passez plus rapidement des données aux décisions.
Renforcer la prise de décision à la source des données et réduire l'écart entre le moment où l'information est reçue et celui où elle est traitée. Si une personne laisse un commentaire ou clique sur une application sur un appareil mobile, SAS Visual Text Analytics analyse immédiatement les données à l'aide de technologies en mémoire, en base de données et en flux. Les capacités de visualisation intégrées permettent une exploration visuelle des données et des analyses, tout en fournissant des tableaux de bord intuitifs qui communiquent facilement les résultats à diverses parties prenantes.
-
Favorisez la collaboration et le partage d'informations dans un écosystème ouvert.
L'environnement SAS Visual Text Analytics, particulièrement souple, prend en charge l'intégralité du cycle de vie analytique, de la préparation des données à leur valorisation en passant par la découverte d'informations analytiques et la mise en production des modèles. Créez, gérez et partagez du contenu, y compris des bonnes pratiques, dans un espace de travail hautement collaboratif qui s'intègre facilement avec les systèmes en place et la technologie open source.
-
Améliorez le flux de travail analytique grâce à l'automatisation.
Des algorithmes intelligents et des techniques NLP détectent automatiquement les relations et les sentiments dans les données textuelles, éliminant ainsi les analyses manuelles fastidieuses. L'utilisation de l'expertise humaine pour affiner les résultats est complétée par la génération automatique de règles et un bac à sable interactif qui vous permet d'évaluer des sous-ensembles de règles pour déterminer celles qui sont les plus performantes. La fonctionnalité de glisser-déposer, les modèles de meilleures pratiques, les fonctions simples de fusion et de division, la promotion sans effort des sujets, la génération automatique de règles et le déploiement de modèles en un clic réduisent collectivement l'effort humain nécessaire à la création de modèles, ce qui permet de consacrer plus de temps à la recherche des informations importantes.
Principales caractéristiques
Renforcez les interventions humaines pour analyser des données textuelles non structurées en utilisant l'IA et différentes approches de modélisation. Misez sur la puissance du traitement du langage naturel, du machine learning et des règles linguistiques.
Classification basée sur un grand modèle de langage (LLM)
Capturez le contexte et la signification des mots dans un texte pour améliorer la précision par rapport aux modèles traditionnels. En plus de la classification générale, la classification basée sur BERT peut être utilisée pour effectuer une analyse des sentiments.
Analyse
Le texte est séparé en mots, phrases, signes de ponctuation et autres éléments de sens afin de fournir le cadre humain dont une machine a besoin pour analyser un texte à grande échelle.
Analyse des tendances
L'apprentissage automatique non supervisé regroupe les documents sur la base de thèmes communs. Les scores de pertinence calculent le degré d'appartenance de chaque document à chaque sujet, et un drapeau binaire indique l'appartenance à un sujet au-dessus d'un seuil donné.
Extraction d'informations
Extraire du texte des éléments d'information spécifiques ou des relations entre les informations à l'aide d'un langage de programmation puissant, souple et évolutif propre à SAS, appelé langage d'interprétation des informations textuelles (LITI).
Approches de modélisation hybrides
Construisez des modèles de texte efficaces en utilisant une variété de capacités combinées, notamment un riche mélange de règles linguistiques, de traitement du langage naturel, d'apprentissage automatique et d'apprentissage profond.
Analyse de sentiment
Les informations subjectives sont identifiées dans le texte et étiquetées comme positives, négatives ou neutres. Ces informations sont associées à une entité, et une représentation visuelle est fournie par le biais d'un indicateur de sentiment.
Analyse du corpus
Comprendre la structure du corpus grâce à des statistiques de sortie facilement accessibles afin de tirer parti de la génération de langage naturel (NLG) pour des tâches telles que le nettoyage des données, la séparation du bruit, l'échantillonnage efficace, la préparation des données en tant qu'entrée pour d'autres modèles (basés sur des règles et l'apprentissage automatique) et l'élaboration de stratégies pour les approches de modélisation.
Prise en charge native de 33 langues
La fonctionnalité NLP prête à l'emploi permet d'analyser la langue natale à l'aide de dictionnaires et de ressources linguistiques créées par des experts en langue natale du monde entier.
SAS Viya est une solution cloud-native et cloud-agnostic.
Consommez SAS comme vous l'entendez - SAS managed ou autogéré. Et où vous voulez.
