SAS可视化文本分析
扩展从大量文本数据中读取、组织和提取有用信息的人类行为。
-
借助适合的模型校准大语言模型，改善结果
管理恶意、偏见和不良行为者，确保获得可靠结果。通过向大语言模型提供准确的数据，改善数据管理并更大程度地减少幻觉。增强可追溯性，防止隐私和敏感数据进入模型。
-
发现新趋势和隐藏机会。
借助自然语言处理、机器学习和深度学习方法以及语言规则的正确组合，快速、不知疲倦地对不断增长的文本数据进行过滤，以识别主要思想或主题、提取关键术语、分析情感并识别单词之间的关联。这有助于在需要时向人们提供正确的信息。
-
开放式生态系统，促进协作和信息共享。
SAS 可视化文本分析提供了一个灵活的环境，可支持整个分析生命周期（从数据准备到发现分析洞察，再到将模型投入生产以实现价值）。在高度协作的工作区中创建、管理和共享内容（包括最佳实践管道），该工作区可轻松与现有系统和开源技术集成。
-
自动化技术，改善分析流程。
智能算法可自动检测文本数据中的关系、主题和情感，消除耗时的人工分析流程。融合更佳实践模板、自动规则生成和一键式模型部署，简化建模。
G2 文本分析领导者
SAS Visual Text Analytics 荣获 G2“2024 年暑期文本分析领导者”和“2024 年暑期企业文本分析领导者”奖章。
主要功能
使用多种建模方法来增强人类利用 AI 分析非结构化文本的能力。体验自然语言处理、机器学习和语言规则的综合力量。
基于大型语言模型的分类
使用语言模型编排优质数据，用于大语言模型调优和 RAG。强化大语言模型内容审核，检测恶意内容和偏见，并防止私人数据泄露，在不修改或影响大语言模型的情况下改善模型输出。
大语言模型校准
使用语言模型编排优质数据，用于大语言模型调优和 RAG。强化大语言模型内容审核，检测恶意内容和偏见，并防止私人数据泄露，在不修改或影响大语言模型的情况下改善模型输出。
趋势分析
借助无监督机器学习，根据共同主题对文档进行分组。相关性分数用于计算每个文档属于每个主题的程度，二进制标志显示主题成员资格高于给定阈值。
信息提取
使用功能强大、灵活且可扩展的 SAS 专有编程语言（即文本信息语言转译 (LITI)），从文本中提取特定信息或信息间关系。
混合建模方法
使用多种组合功能构建有效文本模型，包括语言规则、自然语言处理、机器学习和深度学习的丰富组合。
解析
将文本拆分为单词、词组、标点符号和其他含义元素，以提供机器进行大规模文本分析所需的人类框架。
语料库分析
通过易于访问的输出统计信息了解语料库结构，利用自然语言生成 (NLG) 来完成数据清理、隔离噪声、有效抽样、准备其他模型（基于规则和机器学习）的输入数据，以及制定建模方法策略等任务。
本地支持 33 种语言。
借助即时可用的 NLP 功能，使用由全球各地语言专家创建的词典和语言资产来进行当地语言分析。
