🈳 💢 🚌 आर्टिफिशियल इंटेलिजेंस वॉच कम्प्लेंट्स 🌅 🏜️ 🐿️

कोई भी वित्तीय संगठन एक जीवित जीव है और इसमें होने वाली प्रक्रियाएं अपूर्ण हैं। प्रक्रिया की खामियां ग्राहक के असंतोष को जन्म देती हैं, जो शिकायतों में भी तब्दील हो सकती हैं। इस लेख में, हम एक छोटी मशीन लर्निंग परियोजना को लागू करके स्वचालन प्रक्रिया में हमारे योगदान के बारे में बात करेंगे।

आप सरल तरीकों का उपयोग करके किसी भी मुश्किल काम को हल करने की कोशिश कर सकते हैं, और मशीन लर्निंग कोई अपवाद नहीं है।

प्रतिक्रिया सबसे मूल्यवान जानकारी है, इसलिए आपको इसके हर बिट का यथासंभव अध्ययन करना चाहिए। ग्राहकों की शिकायतों का विश्लेषण करते हुए, हम उद्देश्यपूर्ण रूप से देखते हैं कि व्यावसायिक प्रक्रियाएँ किस तरह की समस्याएं पैदा करती हैं। चूंकि प्रक्रियाएं अक्सर परस्पर जुड़ी होती हैं, उन्हें समूहबद्ध किया जा सकता है और समूह के रूप में माना जा सकता है। तदनुसार, हम मानक मशीन लर्निंग (एमएल) कार्य के लिए आते हैं - "मल्टीस्कलैस वर्गीकरण"। इस विश्लेषण के परिणामस्वरूप, कार्य हल हो गया है - संगठन के लिए समेकित विश्लेषिकी का संग्रह।

वर्गीकरण कार्य एक ऐसा कार्य है जिसमें कई वस्तुओं को एक निश्चित तरीके से कक्षाओं में विभाजित किया जाता है। बहुस्तरीय वर्गीकरण के मामले में, कक्षाओं की संख्या 2 से अधिक होनी चाहिए और यहां तक कि कई हजारों तक भी पहुंच सकती है।

शिकायतों और उन पर प्रतिक्रियाओं का डेटा सर्वर पर संग्रहीत किया जाता है, उतराई और पूर्व प्रसंस्करण की प्रक्रिया डेटाबेस के लिए एक अनुरोध के माध्यम से मानक के रूप में की जाती है, आउटपुट पर हमें डेटा के साथ एक डेटा फ़्रेम मिलता है जिसे हम काम करेंगे। शिकायत और इसके जवाब काफी लम्बे दस्तावेज हैं। उदाहरण के लिए, एक शिकायत की प्रतिक्रिया सैकड़ों या हजारों शब्दों तक भी पहुंच सकती है। ऐसे पाठ को सीधे संसाधित करना बहुत महंगा (कम्प्यूटेशनल रूप से) है, यही कारण है कि पाठ पूर्वप्रयोग आवश्यक है।

def review_to_wordlist(review):
       		review_text = re.sub('[^--]',' ', review)
       		words = review_text.strip().lower().split()
       		words = [w for w in words if not w in stop_words] 
       		words = [morph.parse(w)[0].normal_form for w in words]
       		new_stop_words = find_names(words)
       		words = [w for w in words if not w in new_stop_words]
       		return words

मॉडल के अनुसार सटीकता काफी हद तक पाठ की विशिष्टता पर निर्भर करती है, इसलिए पाठ से ऐसे शब्दों को हटाना आवश्यक है जो अधिक अर्थ नहीं रखते हैं - "शब्दों को रोकें"। आमतौर पर शब्दों की रचना में प्रस्तावना, संयोजन और भाषण के अन्य महत्वहीन भाग शामिल होते हैं। हमने पहले और मध्य नामों के साथ स्टॉप शब्द शब्दकोश को भी पूरक बनाया।

def find_names(words, prob_thresh = 0.4):
    words = [w for w in words if 'str' in str(type(w))]
    add_stop_words = [w for w in words for p in morph.parse(w) if 'Name' in p.tag and
    p.score >= prob_thresh]
    stop_words.update(add_stop_words)
    return stop_words

परियोजना के कार्यान्वयन से पहले, वर्गीकरण मैन्युअल रूप से किया गया था, इसलिए, हमारे पास विशेषज्ञों द्वारा चिह्नित डेटा है। और यह एक शिक्षक के साथ एक क्लासिक एमएल शिक्षण कार्य है। पूर्व-संसाधित पाठ एक दृश्य के लिए कम हो जाता है जो मॉडल प्रक्रिया कर सकता है। ऐसा करने के लिए, हम फीचर वैक्टर में शिकायतों के जवाबों का अनुवाद करते हैं (कोड में प्रयुक्त स्वतंत्र चर, सुविधाओं पर निर्भर चर लेबल है)।

tfidf = TfidfVectorizer(sublinear_tf=True, min_df=5, norm='l2', encoding='utf8',  
    ngram_range=(1, 2), stop_words=stop_words)
features = tfidf.fit_transform(df_temp['Consumer_complaint_narrative'])
labels = df_temp['Num_bp']

रैखिक समर्थन वेक्टर वर्गीकरण वर्गीकरण के लिए चुना गया है। यह निम्नलिखित कारणों से किया गया था:

बड़े आयाम के माप के साथ काम करते समय उच्च दक्षता;
नमूनों की संख्या से अधिक आयाम के मामले में स्थिर काम।

इस परियोजना को प्रोम में कार्यान्वयन के लिए तैयार किया गया है। हर दिन, मॉडल कार्य दिवस के दौरान दर्ज किए गए डेटा का वर्गीकरण करेगा। प्रारंभिक चरण में, एक विशेषज्ञ द्वारा मॉडल के काम का एक अतिरिक्त मैनुअल सत्यापन माना जाता है। महीने में एक बार, मॉडल वापस लिया जाएगा। इस परियोजना के कार्यान्वयन ने हमें भविष्य के करीब एक कदम उठाने की अनुमति दी!

आर्टिफिशियल इंटेलिजेंस वॉच कम्प्लेंट्स

More articles: