SAS Visual Text Analytics
從大量文字資料中探討人類行為，包括讀取、組織和擷取實用資訊。
-
將您的大型語言模型（LLM）進行調整，以透過適合任務的模型來提高成果
管理有害內容、偏見和不良行為者，以確保可信賴的結果。通過向大型語言模型提供更相關的數據，改善數據整理並減少虛假訊息。通過增加可追溯性層級，防止私密和敏感數據進入模型。
G2 評為文字分析領導者
SAS Visual Text Analytics 榮獲 G2 頒發的「2024 年夏季文字分析領導者」與「2024 年夏季企業文字分析領導者」徽章。
主要特色
藉由使用各種建模方法，透過 AI 來增強分析非結構化文字的人力工作。體驗自然語言處理、機器學習和語言規則的綜合能力。
基於大型語言模型 (LLM) 的分類
使用語言模型來篩選最適合的資料，用於 LLM 微調和 RAG。增強 LLM 的內容審查功能，以偵測有害的內容和偏見，並防止私密資料洩漏，進而在不修改或影響 LLM 的情況下提升其結果品質。
LLM 校準
使用語言模型來篩選最適合的資料，用於 LLM 微調和 RAG。增強 LLM 的內容審查功能，以偵測有害的內容和偏見，並防止私密資料洩漏，進而在不修改或影響 LLM 的情況下提升其結果品質。
趨勢分析
非監督式機器學習會依據常見主題，將文件分組。相關性評分會計算每個文件歸屬到每個主題的適當程度，而二進位旗標則會顯示超過指定臨界值的主題成員數量。
資訊擷取
使用功能強大、靈活且可擴展的 SAS 專有程式設計語言，稱為文字資訊語言解譯 (LITI)，從文字提取出特定筆數資訊或資訊之間的關係。
混合建模方法
藉由使用各種整合功能 (包括豐富的語言規則混合、自然語言處理、機器學習和深度學習)，建置有效的文字模型。
剖析
文字分隔為字詞、詞組、標點符號和其他意義元素，提供機器大規模分析文字所需的人類架構。
語料庫分析
透過可輕鬆存取的輸出統計資料，瞭解語料庫結構，進而運用自然語言產生 (NLG) 技術來進行這些任務，例如資料清理、分離出雜訊、有效取樣、準備資料以輸入進一步模型 (規則型和機器學習)，以及策略化建模方法。
對 33 種語言提供原生支援
立即可用的 NLP 功能使用世界各地本地語言專家建立的字典和語言資產，實現本地語言分析。
