Spring til hovedindhold
Dansk— Vælg et sprog
Menu

Workshop: Tekstanalyse

Lektion 14 af 16 Opdateret 28. juli 2026 Begynder
På denne side
  1. Workshop-mål
  2. Øvelse 1: Analyse af sentiment i kundeanmeldelser
  3. Øvelse 2: Udtrækning af strukturerede data
  4. Øvelse 3: Klassificering af supporttickets
  5. Tips til analyseopgaver
  6. Vigtige pointer

Workshop-mål

Efter at have arbejdet med skrivning, skifter vi nu gear: Denne workshop træner dig i at bruge Mistral til analyseopgaver – herunder analyse af tekstsentiment, udtrækning af nøgleinformation og klassificering af indhold. Disse færdigheder er centrale for at automatisere behandling af tekstdata i virksomheder. Når et menneske skal læse dusinvis af lignende tekster for at udtrække de samme oplysninger efter en fast skabelon, har du en kandidat til automatisering. Du vil bemærke en rød tråd på tværs af de tre øvelser: Temperaturen holdes lav, fordi konsistens vejer tungere end kreativitet ved analyse.

Øvelse 1: Analyse af sentiment i kundeanmeldelser

Forestil dig dette scenarie: Du styrer kundeservice for en markedsplads og modtager hundrevis af anmeldelser dagligt. Det er umuligt at læse dem alle; du skal analysere dem automatisk for at opdage tilbagevendende problemer og prioritere svar. System-prompten definerer en fast analyseskabelon – sentiment, temaer, hastegrad, handling – og kræver JSON-output, så dit ticketsystem kan behandle resultatet.

messages = [
    {
        "role": "system",
        "content": """You are a customer experience analyst.
For each review, provide:
1. Overall sentiment: positive / mixed / negative
2. Topics covered (max 3)
3. Urgency level: low / medium / high
4. Recommended action (1 sentence)

Respond in structured JSON."""
    },
    {
        "role": "user",
        "content": """Analyze these 3 customer reviews:

Review 1: "Order received in 2 days, careful packaging. However, the user
manual is only in English, which is a shame for a product sold in France.
The product itself works very well."

Review 2: "This is the THIRD time I've received a defective item. Support
has been giving me the runaround for 2 weeks. I will contact the DGCCRF if
nothing moves."

Review 3: "Good value for money. Nothing exceptional but does the job.
Standard delivery, no issues."

Return a JSON table with the analysis of each review."""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.1
)

Det forventede resultat ser sådan ud – bemærk, at anmeldelse 1, der generelt er tilfreds men med en forbehold, skal markeres som „mixed” og ikke „positive”, og at anmeldelse 2, med sin trussel om at kontakte DGCCRF (Frankrigs forbrugerbeskyttelsesmyndighed), skal udløse høj hastegrad:

[
  {
    "review": 1,
    "sentiment": "mixed",
    "themes": ["delivery", "documentation", "product quality"],
    "urgency": "low",
    "action": "Translate the user manual to French for future batches."
  },
  {
    "review": 2,
    "sentiment": "negative",
    "themes": ["product quality", "customer service", "recurrence"],
    "urgency": "high",
    "action": "Escalate to support manager for priority handling."
  },
  {
    "review": 3,
    "sentiment": "positive",
    "themes": ["value for money", "delivery"],
    "urgency": "low",
    "action": "No action required, standard satisfied review."
  }
]

Øvelse 2: Udtrækning af strukturerede data

Anden situation: Du modtager ansøgningsmails i fritext og skal udtrække nøgleoplysninger for at fodre dit ATS (Applicant Tracking System). Den største risiko ved udtrækning er opfindsomhed: En model uden instrukser vil gladeligt fylde huller ud med plausible slutninger. Derfor de to kardinalregler i system-prompten: „not provided” for manglende oplysninger og et absolut forbud mod at deducere.

messages = [
    {
        "role": "system",
        "content": """You extract structured data from free text.
Rules:
- If information is not mentioned, indicate "not provided"
- NEVER deduce information: stay strictly with the text
- Dates must be in YYYY-MM-DD format
- Skills must be normalized terms"""
    },
    {
        "role": "user",
        "content": """Extract information from this job application email:

"Hello,

I am submitting my application for the full-stack developer position
published on LinkedIn. My name is Sarah Benali and I have 6 years
of experience in web development. Currently a Lead Developer at DataViz (Paris),
I work primarily with React, Node.js, and PostgreSQL. I also have
strong experience with AWS and Docker. My current daily rate is
€650 and I am available starting May 15, 2026.

Best regards,
Sarah Benali"

Expected JSON format:
{
  "name": "",
  "target_role": "",
  "experience_years": 0,
  "current_role": "",
  "current_company": "",
  "location": "",
  "skills": [],
  "daily_rate": "",
  "availability": ""
}"""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0
)

Her er det output, du bør få:

{
  "name": "Sarah Benali",
  "target_role": "Full-stack developer",
  "experience_years": 6,
  "current_role": "Lead Developer",
  "current_company": "DataViz",
  "location": "Paris",
  "skills": ["React", "Node.js", "PostgreSQL", "AWS", "Docker"],
  "daily_rate": "€650",
  "availability": "2026-05-15"
}

Bemærk temperaturen på 0,0: Ved udtrækning ønsker du et deterministisk svar, der er tro mod kildeteksten. Bemærk også konverteringen af dato til ISO-format, som eksplicit kræves i reglerne – uden denne instruktion ville modellen have kopieret „May 15, 2026” som den stod.

Øvelse 3: Klassificering af supporttickets

Sidste situation: Dit supportteam modtager ukategoriserede tickets, der skal routings automatisk til den rigtige afdeling. Nøglen til denne øvelse er den udtømmende definition af kategorier og prioriteter i system-prompten. Hvis du lader modellen opfinde sin egen taksonomi, vil hver batch af tickets komme ud med forskellige kategorier, og din routing bliver uhåndterbar.

messages = [
    {
        "role": "system",
        "content": """You classify technical support tickets.

Available categories:
- BILLING: payment issues, invoices, subscriptions, refunds
- TECHNICAL: bugs, errors, functionality issues, slowness
- ACCOUNT: login, password, settings, account deletion
- FEATURE: requests for new features, suggestions
- OTHER: anything that doesn't fit the categories above

Priorities:
- P1: service inaccessible, data loss, direct financial impact
- P2: degraded functionality, workaround possible
- P3: question, information request, suggestion

Respond ONLY in JSON, no text before or after."""
    },
    {
        "role": "user",
        "content": """Classify these 4 tickets:

Ticket A: "Unable to log in since this morning. I tried to
reset my password but I'm not receiving the email."

Ticket B: "Would it be possible to add an Excel export in addition to CSV?"

Ticket C: "I was charged twice for my March subscription."

Ticket D: "The app crashes when I import a file larger than 50 MB.
Error message: MEMORY_EXCEEDED."

Format:
[{"ticket": "A", "category": "", "priority": "", "service": "", "summary": ""}]"""
    }
]

response = client.chat.complete(
    model="mistral-large-latest",
    messages=messages,
    temperature=0.0
)

Det forventede resultat – bemærk, at ticket C, med sin direkte økonomiske påvirkning, går til P1, mens det tekniske crash i ticket D bliver på P2, da der findes en løsning:

[
  {
    "ticket": "A",
    "category": "ACCOUNT",
    "priority": "P2",
    "service": "Level 1 Support",
    "summary": "Unable to log in, reset email not received"
  },
  {
    "ticket": "B",
    "category": "FEATURE",
    "priority": "P3",
    "service": "Product",
    "summary": "Request for Excel export in addition to CSV"
  },
  {
    "ticket": "C",
    "category": "BILLING",
    "priority": "P1",
    "service": "Accounting",
    "summary": "Double charge March subscription, refund request"
  },
  {
    "ticket": "D",
    "category": "TECHNICAL",
    "priority": "P2",
    "service": "Development",
    "summary": "Crash importing large files (MEMORY_EXCEEDED)"
  }
]

Tips til analyseopgaver

Fire bedste praksis opsummerer denne workshops metode. Arbejd ved temperatur 0 til klassificering og udtrækning: Du ønsker konsistens, ikke inspiration. Definer kategorier eksplicit i system-prompten, ellers vil modellen opfinde sine egne. Inkluder altid instruktionen „not provided” for manglende data, ellers vil modellen fylde huller ud med plausible opfindelser. Og før enhver implementering skal du teste på grænsetilfælde: tvetydige tekster, tickets der falder ind under to kategorier, ufuldstændige data – det er her, din skabelon vil vise svagheder, ikke ved lærebogseksempler.

Vigtige pointer

  • Tekstanalyse med Mistral fungerer bedst ved lav temperatur (0–0,2)
  • Definer altid kategorier og outputformat i prompten
  • Håndhæv reglen „not provided” for at undgå hallucinationer
  • Few-shot forbedrer konsistensen ved klassificering
  • Test på repræsentative rigtige tilfælde før driftsætning