- Criar um novo repositório no github com um nome a sua preferência;
- Criar uma pasta chamada 'inputs' e crie um documento de texto com algumas sentenças;
- Criar um arquivo chamado readme.md, deixe alguns prints descreva o processo, alguns insights e possibilidades que você aprendeu durante o conteúdo após a IA analisar suas sentenças;
- Compartilhar conosco o link desse repositório através do botão 'entregar projeto'.
Na maquina local foi crido o diretório 'language-studio'
$ mkdir language-studioDepois, entrei no diretório criado e iniciei o diretório como um repositório no Git.
$ CD language-studio
$ git initNo GItHub foi criado o repositório 'language-studio'
Comandos/configurações:
- "Novo repositório".
- Nome para o repositório: 'language-studio'.
- Descrição: "Desafio: conhecendo o Language Studio do Azure".
- Visibilidade: "pública".
- Opção: README.
- Cliquei em "Criar repositório".
No GItHub foi criado o diretório 'inputs' no repositório 'language-studio'
Comandos/configurações:
- Botão: "Add File".
- Opção: + Create new file.
- Preenchi: inputs/algumas-sentences.txt
- Opção: Commit changes.
3. Crie um arquivo chamado readme.md, deixe alguns prints descreva o processo, alguns insights e possibilidades que você aprendeu durante o conteúdo após a IA analisar suas sentenças
No GitHub na raiz do repositório 'language-studio', foi crido o arquivo 'readme.md', no ato da criação do repositório (Ver etapa 1. Criar um novo repositório no github).
Nesta etapa, o procedimento foi o de editar o arquivo "readme.md". E, para isso:
No repositório 'language-studio', no GitHub:
- Botão: ✏️ "lápis"
- Abre o editor de texto no GitHub.
O arquivo foi editado no editor do GitHub.
Após a edição do arquivo, para atualizar o repositório local foi dado o comando git pull <endereço do repositório remoto>
- No repositório local;
Clica no botão direito do mouse; e- Opção: "Open Git Bash here" No terminal digita o comando Git Pull <endereço do repositório remoto>
$ git pull https://github.com/z3mafra/language-studio.gitNo GitHub foi criado o diretório 'contents' no repositório language-studio, para armazenar os prints dos resultados das análises.
Comandos/configurações:
- Botão: "Add File".
- Opção: + Create new file.
- Preenchi: contents/image-list.txt
- Opção: Commit changes.
- Dentro do diretório 'inputs': "Add File".
- Opção: Upload files
- Cliquei em "Choose your files".
- Carregou o conjunto de imagens.
O primeiro passo é criar um recurso de linguagem (Create a Language resource), no Azure AI services, com sua inscrição Azure.
- Entrar no portal Azure https://portal.azure.com.
- Clicar no botão ＋Create a resource e procure por serviço de idiomas (Language Service). Selecionei "create a Language service plan". Direcionado a uma página para Select additional features. Mantenha a seleção padrão e clique em Continue to create your resource.
- Na página Create Language (Criar Idioma), configure-o com as seguintes configurações:
- Subscription: Azure subscription 1.
- Resource group: LabLang.
- Region: East US.
- Name: DioFalaLab.
- Pricing tier: Standard S0.
- Selecinei o check box: "I acknowledge that I have read and understood all the terms below.
- Selecionei Review + create then Create e aguardei a implantação se completar.
Em outra aba do navegador, abra o Language Studio em https://language.cognitive.azure.com e faça login.
Quando solicitado com Select an Azure resource, faça as seguintes configurações:
- Azure directory: Default Directory, the directory you are using
- Azure subscription: Select the subscription you are using
- Resource type: Language
- Resource name: select the Language service resource you just created
- Em seguida, selecione Done.
- Em um navegador da web, navegue até Language Studio em https://language.cognitive.azure.com.
- Na página inicial Welcome to Language Studio, selecione a guia Classify text e, em seguida, selecione o bloco Analyze sentiment and mine opinions.
- Em Selecionar idioma do texto, selecione English.
- Em Select your Azure resource, selecione o seu recurso.
- Em Enter your own text, carregue o arquivo (LabFala-texto-fiat-uno.txt), com o seguinte comentário:
Porque o Fiat Uno é tão bom?
É um carro simples e robusto, com bom valor de revenda e liquidez, mesmo já fora de linha. Tem no acabamento simples sua maior fragilidade, mas no geral não apresenta falhas graves e custosas de reparar. E deve permanecer ainda “bom de mercado” por um bom tempo pela frente. É uma opção a ser considerada.
- Marque a caixa para reconhecer que a demonstração incorrerá em uso e poderá incorrer em custos e, em seguida, selecione Run.
- Revise a saída. Observe que o documento é analisado quanto ao sentimento, assim como cada frase. Selecione a frase 1 para mostrar a análise de sentimento dessa frase.
[Note]
É interessante notar como a análise liga emtdades e enunciados à intensões, criando um sentido ponderado de uma avaliação. Com o Language Studio pode-se fazer mineração de sentimentos e opiniões, com três trechos de texto...
3.3. Alguns insights e possibilidades que você aprendeu durante o conteúdo após a IA analisar suas sentenças;
O Processamento de Linguagem Natural (PNL) é fundamental para compreender e interagir com a linguagem escrita e falada, possibilitando a extração de significado semântico e a formulação de respostas em linguagem natural.
Agências de Viagens, entre outros serviçoes, podem usar o Azure Language Studio para analisar avaliações de hotéis, identificando sentimentos e entidades mencionadas, melhorando a experiência do cliente.
O Azure Language Studio é uma ferramenta poderosa oferecida pela Microsoft para análise de texto e compreensão de linguagem natural. Uma das aplicações mais significativas do Language Studio é a análise de sentimentos, onde ele pode ser utilizado para determinar se as avaliações de produtos, serviços ou qualquer outro tipo de conteúdo são predominantemente positivas ou negativas. Isso é essencial para empresas que desejam entender o feedback dos clientes e a reputação de sua marca. Ao empregar técnicas de processamento de linguagem natural avançadas, o Language Studio é capaz de identificar nuances no texto, capturando não apenas palavras-chave, mas também o contexto e o tom geral das avaliações.
Através do uso de algoritmos de aprendizado de máquina e modelos de linguagem pré-treinados, o Language Studio é capaz de analisar grandes volumes de avaliações de forma rápida e eficiente. Ele pode detectar palavras e frases que indicam sentimentos positivos ou negativos, levando em consideração aspectos como sarcasmo, ironia e ambiguidade. Isso permite uma avaliação mais precisa e detalhada do sentimento expresso no texto, proporcionando insights valiosos para as empresas.
Uma das vantagens do Azure Language Studio é sua capacidade de personalização. As empresas podem ajustar os modelos de análise de sentimento de acordo com suas necessidades específicas e o domínio de seu negócio. Isso permite uma análise mais precisa e relevante das avaliações, levando em consideração termos e expressões específicas da indústria ou do público-alvo. Além disso, o Language Studio oferece integração com outras ferramentas e serviços do Azure, permitindo uma implementação suave em diferentes sistemas e plataformas.
No entanto, é importante reconhecer que nenhuma ferramenta de análise de sentimento é perfeita. O Azure Language Studio pode enfrentar desafios ao lidar com textos complexos ou ambíguos, onde o contexto pode influenciar significativamente o sentimento expresso. Além disso, como qualquer tecnologia baseada em machine learning, o desempenho do Language Studio pode variar dependendo da qualidade dos dados de treinamento e das configurações específicas utilizadas. Portanto, é fundamental complementar a análise automatizada com revisão humana e outras formas de feedback para obter uma compreensão abrangente das avaliações.
Um outro aspecto importante, que também deve ser consdierado, é a integração dessas ferramentas com os ambientes de navegação na internet, tais como plataformas, sites e aplicativos.
Antes de finalizar o desafio, uma providência importate é limpar (Clean up) o Language Studio, deletando os recrusos para não gerar custos desnecessários.
Como é recomendado na documentção, senão se pretende fazer mais exercícios, excluir todos os recursos que não precisa mais. Isso evita acumular custos desnecessários.
‑
- Abra o portal do Azure (https://portal.azure.com/) e selecione o grupo de recursos que contém o recurso que você criou.
- Selecione o recurso e selecione Excluir e depois Sim para confirmar. O recurso é então excluído.
- Observação: Uma curiosidade que, nesta etapa, a plataforma informou que não houve consumo de recursos, restando ainda um crédito de R$ 988,18, na assinatura gratuita. Foi a mesma posição do último desafio no Azura, Vision Studio: Detect faces; Read text; e, Analyze images.
Após completar o Desafio, fiz a atualização no repositório local com o comando git pull.
- No repositório local;
Clica no botão direito do mouse; e- Opção: "Open Git Bash here" No terminal digita o comando Git Pull <endereço do repositório remoto>
$ git pull https://github.com/z3mafra/language-studio.gitComo é solicitado no enunciado do desafio, o link do GitHub deve ser compartilhado na plataforma da DIO. Para isso, segui os seguintes passos:
- Abra o portal da DIO (https://www.dio.me/), com as credenciais e selecione o Bootcamp Microsoft AZure AI Fundamentals.
- Entra na Atividade Desafio de projeto: "Reconhecimento Facial e transformação de imagens em Dados no Azure ML"
- Clica no botão "ENTREGAR PROJETO"
- Cola o link do projeto na caixa de texto "Repositório do Projeto"; Cola a descrição do repositório; Ler e marcar o Check box "Termos de uso", concordando com os termos o recurso; e,
- Selecione Entregar. O Desafio é então entregue.