Le recensioni positive e negative possono influenzare la decisione di acquisto di un acquirente.
Secondo una ricerca esterna, l'82% degli acquirenti online cerca attivamente recensioni negative prima di effettuare un acquisto. Queste recensioni negative sono utili per i clienti e per le attività, poiché la disponibilità di recensioni negative può contribuire a ridurre i tassi di reso e aiutare i produttori a migliorare i loro prodotti.
Ecco alcuni modi per migliorare la qualità della recensione:
- Controlla la tossicità di ogni recensione prima di inviarla. Potremmo incoraggiare gli utenti a rimuovere il linguaggio offensivo e altre osservazioni inutili, in modo che la loro recensione aiuti al meglio altri utenti a prendere una decisione di acquisto migliore.
- Negativo: questa borsa fa schifo e la odio.
- Negativo con feedback utili: le cerniere sono molto rigide e il materiale sembra economico. Ho restituito questa borsa.
- Genera automaticamente una valutazione in base alla lingua utilizzata nella recensione.
- Determina se la recensione è negativa o positiva.
![Screenshot di una recensione di esempio con sentiment e valutazione a stelle.](https://developer.chrome.google.cn/static/docs/ai/images/leave-a-review.png?authuser=6&hl=it)
L'utente dovrebbe avere l'ultima parola sulla valutazione del prodotto.
Il seguente codelab offre soluzioni sul dispositivo, nel browser. Non sono necessarie conoscenze per lo sviluppo IA, server o chiavi API.
Prerequisiti
Sebbene l'IA lato server con soluzioni (come l'API Gemini o l'API OpenAI) offrano solide soluzioni per molte applicazioni, in questa guida ci concentriamo sull'IA web on-device. L'IA web on-device viene eseguita nel browser per migliorare l'esperienza degli utenti web senza round trip del server.
In questo codelab, usiamo un mix di tecniche per mostrarti gli strumenti a tua disposizione per l'IA web on-device.
Utilizziamo le seguenti librerie e modelli:
- TensforFlow.js per l'analisi della tossicità. TensorFlow.js è una libreria di machine learning open source per l'inferenza e l'addestramento sul web.
- transformers.js per l'analisi del sentiment. Transformers.js è una libreria IA web di Hugging Face.
- Gemma 2B per le valutazioni a stelle. Gemma è una famiglia di modelli aperti e leggeri creati a partire dalla ricerca e dalla tecnologia utilizzati da Google per creare i modelli Gemini. Per eseguire Gemma nel browser, lo utilizziamo con l'API sperimentale LLM Inference di MediaPipe.
Considerazioni sull'esperienza utente e sulla sicurezza
Per garantire sicurezza e un'esperienza utente ottimali, occorre tenere presenti alcuni aspetti:
- Consenti all'utente di modificare la valutazione. L'utente dovrebbe avere l'ultima parola sulla valutazione del prodotto.
- Comunica chiaramente all'utente che la valutazione e le recensioni sono automatizzate.
- Consenti agli utenti di pubblicare una recensione classificata come tossica, ma esegui un secondo controllo sul server. Ciò evita un'esperienza frustrante in cui una recensione non tossica viene correttamente classificata come tossica (falso positivo). Questo include anche i casi in cui un utente malintenzionato riesce a bypassare il controllo lato client.
- Un controllo della tossicità lato client è utile, ma può essere ignorato. Assicurati di eseguire un controllo anche sul lato server.
Analizza la tossicità con TensorFlow.js
È rapido iniziare ad analizzare la tossicità di una recensione di un utente con TensorFlow.js.
- Installa e import la libreria TensorFlow.js e il modello di tossicità.
- Imposta una confidenza minima per la previsione. Il valore predefinito è 0, 85 e nel nostro esempio lo abbiamo impostato su 0,9.
- Carica il modello in modo asincrono.
- Classifica la recensione in modo asincrono. Il nostro codice identifica le previsioni che superano la soglia di 0,9 per qualsiasi categoria.
Questo modello può classificare la tossicità attraverso attacchi di identità, insulti, oscenità e altro ancora.
Ad esempio:
import * as toxicity from '@tensorflow-models/toxicity';
// Minimum prediction confidence allowed
const TOXICITY_COMMENT_THRESHOLD = 0.9;
const toxicityModel = await toxicity.load(TOXICITY_COMMENT_THRESHOLD);
const toxicityPredictions = await toxicityModel.classify([review]);
// `predictions` is an array with the raw toxicity probabilities
const isToxic = toxicityPredictions.some(
(prediction) => prediction.results[0].match
);
Determinare il sentiment con Transformers.js
Installa e importa la libreria Transformers.js.
Configura l'attività di analisi del sentiment con una pipeline dedicata. Quando una pipeline viene utilizzata per la prima volta, il modello viene scaricato e memorizzato nella cache. Da quel momento in poi, l'analisi del sentiment dovrebbe essere molto più veloce.
Classifica la recensione in modo asincrono. Usa una soglia personalizzata per impostare il livello di confidenza che consideri utilizzabile per la tua applicazione.
Ad esempio:
import { pipeline } from '@xenova/transformers';
const SENTIMENT_THRESHOLD = 0.9;
// Create a pipeline (don't block rendering on this function)
const transformersjsClassifierSentiment = await pipeline(
'sentiment-analysis'
);
// When the user finishes typing
const sentimentResult = await transformersjsClassifierSentiment(review);
const { label, score } = sentimentResult[0];
if (score > SENTIMENT_THRESHOLD) {
// The sentiment is `label`
} else {
// Classification is not conclusive
}
Suggerisci una valutazione a stelle con Gemma e MediaPipe
Con l'API LLM Inference, puoi eseguire modelli linguistici di grandi dimensioni (LLM) completamente nel browser.
Questa nuova funzionalità è particolarmente trasformativa considerando le esigenze di memoria e di calcolo degli LLM, che sono oltre 100 volte più grandi dei tradizionali modelli on-device. Ciò è reso possibile dalle ottimizzazioni nello stack on-device, tra cui nuove operazioni, quantizzazione, memorizzazione nella cache e condivisione del peso. Fonte: "Large Language Models On-Device with MediaPipe and TensorFlow Lite".
- Installa e importa l'API di inferenza LLM MediaPipe.
- Scarica un modello. Qui utilizziamo Gemma 2B, scaricata da Kaggle. Gemma 2B è il modello open-weight di Google più piccolo.
- Punta il codice ai file del modello corretti con
FilesetResolver
. Questo è importante perché i modelli di IA generativa potrebbero avere una struttura di directory specifica per i propri asset. - Carica e configura il modello con l'interfaccia LLM di MediaPipe. Prepara il modello per l'uso: specifica la posizione del modello, la durata preferita delle risposte e il livello di creatività preferito con la temperatura.
- Assegna un prompt al modello (vedi un esempio).
- Attendi la risposta del modello.
- Analizza la valutazione: estrai la valutazione a stelle dalla risposta del modello.
import { FilesetResolver, LlmInference } from '@mediapipe/tasks-genai';
const mediaPipeGenAi = await FilesetResolver.forGenAiTasks();
const llmInference = await LlmInference.createFromOptions(mediaPipeGenAi, {
baseOptions: {
modelAssetPath: '/gemma-2b-it-gpu-int4.bin',
},
maxTokens: 1000,
topK: 40,
temperature: 0.5,
randomSeed: 101,
});
const prompt = …
const output = await llmInference.generateResponse(prompt);
const int = /\d/;
const ratingAsString = output.match(int)[0];
rating = parseInt(ratingAsString);
Testo di esempio
const prompt = `Analyze a product review, and then based on your analysis give me the
corresponding rating (integer). The rating should be an integer between 1 and 5.
1 is the worst rating, and 5 is the best rating. A strongly dissatisfied review
that only mentions issues should have a rating of 1 (worst). A strongly
satisfied review that only mentions positives and upsides should have a rating
of 5 (best). Be opinionated. Use the full range of possible ratings (1 to 5). \n\n
\n\n
Here are some examples of reviews and their corresponding analyses and ratings:
\n\n
Review: 'Stylish and functional. Not sure how it'll handle rugged outdoor use, but it's perfect for urban exploring.'
Analysis: The reviewer appreciates the product's style and basic functionality. They express some uncertainty about its ruggedness but overall find it suitable for their intended use, resulting in a positive, but not top-tier rating.
Rating (integer): 4
\n\n
Review: 'It's a solid backpack at a decent price. Does the job, but nothing particularly amazing about it.'
Analysis: This reflects an average opinion. The backpack is functional and fulfills its essential purpose. However, the reviewer finds it unremarkable and lacking any standout features deserving of higher praise.
Rating (integer): 3
\n\n
Review: 'The waist belt broke on my first trip! Customer service was unresponsive too. Would not recommend.'
Analysis: A serious product defect and poor customer service experience naturally warrants the lowest possible rating. The reviewer is extremely unsatisfied with both the product and the company.
Rating (integer): 1
\n\n
Review: 'Love how many pockets and compartments it has. Keeps everything organized on long trips. Durable too!'
Analysis: The enthusiastic review highlights specific features the user loves (organization and durability), indicating great satisfaction with the product. This justifies the highest rating.
Rating (integer): 5
\n\n
Review: 'The straps are a bit flimsy, and they started digging into my shoulders under heavy loads.'
Analysis: While not a totally negative review, a significant comfort issue leads the reviewer to rate the product poorly. The straps are a key component of a backpack, and their failure to perform well under load is a major flaw.
Rating (integer): 1
\n\n
Now, here is the review you need to assess:
\n
Review: "${review}" \n`;
Concetti chiave
Non è richiesta alcuna esperienza in materia di AI/ML. La progettazione di un prompt richiede iterazioni, ma il resto del codice è lo sviluppo web standard.
I modelli on-device sono abbastanza precisi. Se esegui gli snippet da questo documento, noterai che sia la tossicità che l'analisi del sentiment forniscono risultati accurati. Le valutazioni di Gemma, per la maggior parte, corrispondono a quelle del modello Gemini per alcune recensioni di riferimento testate. Per confermare questa accuratezza, sono necessari ulteriori test.
Detto questo, la progettazione del prompt per Gemma 2B richiede lavoro. Poiché Gemma 2B è un LLM di piccole dimensioni, ha bisogno di un prompt dettagliato per produrre risultati soddisfacenti, in particolare più dettagliati di quanto richiesto dall'API Gemini.
L'inferenza può essere velocissima. Se esegui gli snippet da questo documento, devi osservare che l'inferenza può essere veloce e potenzialmente più veloce dei round trip del server, su una serie di dispositivi. Detto questo, la velocità di inferenza può variare notevolmente. È necessario un benchmarking accurato sui dispositivi target. Ci aspettiamo che l'inferenza sul dispositivo continui a essere più veloce con gli aggiornamenti di GPU Web, WebAssembly e librerie. Ad esempio, Transformers.js aggiunge il supporto delle GPU web nella versione 3, che può velocizzare l'inferenza sul dispositivo molte volte.
Le dimensioni di download possono essere molto grandi. L'inferenza nel browser è veloce, ma il caricamento dei modelli IA può essere difficile. Per eseguire l'IA nel browser, in genere sono necessari sia una libreria sia un modello, che si aggiungono alle dimensioni di download dell'app web.
Mentre il modello di tossicità TensorFlow (un classico modello di elaborazione del linguaggio naturale) è di soli pochi kilobyte, i modelli di IA generativa, come il modello di analisi del sentiment predefinito di Transformers.js, raggiungono i 60 MB. I modelli linguistici di grandi dimensioni, come Gemma, possono arrivare Ciò supera le dimensioni mediane della pagina web di 2, 2 MB, che è di gran lunga superiore a quanto consigliato per ottenere un rendimento ottimale. L'IA generativa on-device è utilizzabile in scenari specifici.
Il campo dell'IA generativa sul web è in rapida evoluzione. In futuro si prevede che emergono modelli più piccoli e ottimizzati per il web.
Passaggi successivi
Chrome sta sperimentando un altro modo per eseguire l'IA generativa nel browser. Puoi registrarti al programma Anteprima in anteprima per testarlo.