Publicado em 16 de maio de 2024
Avaliações positivas e negativas podem influenciar a decisão de compra de um comprador.
De acordo com pesquisas externas, 82% dos compradores on-line procuram ativamente avaliações negativas antes de fazer uma compra. Essas avaliações negativas são úteis para clientes e empresas, já que a disponibilidade de avaliações negativas pode ajudar a reduzir as taxas de devolução e ajudar os fabricantes a melhorar os produtos.
Confira algumas maneiras de melhorar a qualidade da avaliação:
- Verifique se há toxicidade em cada avaliação antes do envio. Podemos incentivar
os usuários a remover linguagem ofensiva e outras observações inúteis para que
a avaliação deles ajude outros usuários a tomar uma decisão de compra melhor.
- Negativo: essa bolsa é horrível, e eu a detesto.
- Negativo com feedback útil Os zíperes são muito rígidos e o material parece barato. Eu devolvi esta bolsa.
- Gerar automaticamente uma classificação com base no idioma usado na avaliação.
- Determine se a avaliação é negativa ou positiva.
No final das contas, a palavra final sobre a classificação do produto é do usuário.
O codelab a seguir oferece soluções do lado do cliente, no dispositivo e no navegador. Não é necessário ter conhecimento de desenvolvimento de IA, servidores ou chaves de API.
Pré-requisitos
Embora a IA do lado do servidor com soluções (como a API Gemini ou a API OpenAI) ofereça soluções robustas para muitas aplicações, neste guia, focamos na IA da Web do lado do cliente. A inferência de IA do lado do cliente ocorre no navegador para melhorar a experiência dos usuários da Web, removendo as ida e volta do servidor.
Neste codelab, usamos uma combinação de técnicas para mostrar o que há na sua caixa de ferramentas para IA do lado do cliente.
Usamos as seguintes bibliotecas e modelos:
- TensforFlow.js para análise de toxicidade. O TensorFlow.js é uma biblioteca de machine learning de código aberto para inferência e treinamento na Web.
- transformers.js para análise de sentimento. O Transformers.js é uma biblioteca de IA da Web do Hugging Face.
- Gemma 2B para notas com estrelas. O Gemma é uma família de modelos leves e abertos criados com base na pesquisa e na tecnologia que o Google usou para criar os modelos do Gemini. Para executar o Gemma no navegador, usamos a API experimental de inferência de LLM (link em inglês) do MediaPipe.
Considerações sobre UX e segurança
Há algumas considerações para garantir a melhor experiência do usuário e segurança:
- Permitir que o usuário edite a classificação. No final das contas, o usuário tem a palavra final sobre a classificação do produto.
- Deixe claro para o usuário que a classificação e as avaliações são automatizadas.
- Permitir que os usuários postem uma avaliação classificada como tóxica, mas faça uma segunda verificação no servidor. Isso evita uma experiência frustrante em que uma avaliação não tóxica é classificada erroneamente como tóxica (um falso positivo). Isso também se aplica a casos em que um usuário malicioso consegue contornar a verificação do lado do cliente.
- Uma verificação de toxicidade do lado do cliente é útil, mas pode ser contornada. Verifique também do lado do servidor.
Analisar toxicidade com o TensorFlow.js
É rápido começar a analisar a toxicidade de uma avaliação do usuário com o TensorFlow.js.
- Instale e import a biblioteca TensorFlow.js e o modelo de toxicidade.
- Defina um nível mínimo de confiança da previsão. O padrão é 0,85, e no nosso exemplo, definimos como 0,9.
- Carregue o modelo de maneira assíncrona.
- Classifique a avaliação de forma assíncrona. Nosso código identifica previsões que excedem um limite de 0,9 para qualquer categoria.
Esse modelo pode categorizar a toxicidade em ataques de identidade, insultos, obscenidades e muito mais.
Exemplo:
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
);
Determinar o sentimento com o Transformers.js
Instale e importe a biblioteca Transformers.js.
Configure a tarefa de análise de sentimento com um pipeline dedicado. Quando um pipeline é usado pela primeira vez, o modelo é transferido por download e armazenado em cache. A partir daí, a análise de sentimento será muito mais rápida.
Classifique a avaliação de forma assíncrona. Use um limite personalizado para definir o nível de confiança que você considera utilizável para seu aplicativo.
Exemplo:
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
}
Sugerir uma nota com o Gemma e o MediaPipe
Com a API de inferência de LLM, é possível executar modelos de linguagem grandes (LLMs) completamente no navegador.
Esse novo recurso é especialmente transformador, considerando a memória e as demandas de computação de LLMs, que são mais de cem vezes maiores que modelos do lado do cliente. As otimizações em toda a pilha da Web tornam isso possível, incluindo novas operações, quantização, armazenamento em cache e compartilhamento de peso. Fonte: "Large Language Models On-Device with MediaPipe and TensorFlow Lite".
- Instale e importe a API de inferência LLM do MediaPipe.
- Fazer o download de um modelo. Aqui, usamos a Gemma 2B, que foi baixada do Kaggle. O Gemma 2B é o menor dos modelos de peso aberto do Google.
- Aponte o código para os arquivos de modelo corretos com o
FilesetResolver. Isso é importante porque os modelos de IA generativa podem ter uma estrutura de diretório específica para os recursos. - Carregue e configure o modelo com a interface LLM do MediaPipe. Prepare o modelo para uso: especifique a localização do modelo, a duração preferida das respostas e o nível de criatividade preferido com a temperatura.
- Dê um comando ao modelo (confira um exemplo).
- Aguarde a resposta do modelo.
- Analisar a classificação: extrair a classificação por estrelas da resposta do modelo.
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);
Exemplo de comando
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`;
Aprendizados
Não é necessário ter experiência em IA/ML. Projetar uma solicitação exige iterações, mas o restante do código é o desenvolvimento da Web padrão.
Os modelos do cliente são bastante precisos. Se você executar os snippets deste documento, vai notar que a análise de toxicidade e de sentimento fornecem resultados precisos. As classificações do Gemma, na maioria das vezes, correspondiam às classificações do modelo Gemini para algumas avaliações de referência testadas. Para validar essa precisão, mais testes são necessários.
No entanto, projetar o comando para o Gemma 2B exige trabalho. Como o Gemma 2B é um LLM pequeno, ele precisa de uma solicitação detalhada para produzir resultados satisfatórios, mais detalhada do que a necessária com a API Gemini.
A inferência pode ser muito rápida. Se você executar os snippets deste documento, observe que a inferência pode ser rápida, potencialmente mais rápida do que as ida e volta do servidor, em vários dispositivos. No entanto, a velocidade de inferência pode variar muito. É necessário fazer uma comparação detalhada nos dispositivos de destino. Esperamos que a inferência do navegador continue ficando mais rápida com as atualizações do WebGPU, do WebAssembly e da biblioteca. Por exemplo, o Transformers.js adiciona suporte à GPU da Web na v3, que pode acelerar a inferência no dispositivo.
Os tamanhos de download podem ser muito grandes. A inferência no navegador é rápida, mas carregar modelos de IA pode ser um desafio. Para executar a IA no navegador, normalmente é necessário ter uma biblioteca e um modelo, que aumentam o tamanho de download do seu app da Web.
Enquanto o modelo de toxicidade do Tensorflow (um modelo clássico de processamento de linguagem natural) é de apenas alguns kilobytes, modelos de IA generativa, como o modelo de análise de sentimento padrão do Transformers.js, chegam a 60 MB. Modelos de linguagem grandes, como o Gemma, podem ter até 1,3 GB. Isso excede a média de 2, 2 MB de tamanho da página da Web, que já é muito maior do que o recomendado para melhor desempenho. A IA generativa do lado do cliente é viável em cenários específicos.
O campo da IA generativa na Web está evoluindo rapidamente. Modelos menores e otimizados para a Web devem surgir no futuro.
Próximas etapas
O Chrome está testando outra maneira de executar a IA generativa no navegador. Faça sua inscrição no programa de pré-lançamento para testar.