Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Radionica: Analiza teksta

Lekcija 14 od 16 Ažurirano 28. srpnja 2026. Početnik
Na ovoj stranici
  1. Cilj radionice
  2. Vježba 1: Analiza sentimenta korisničkih recenzija
  3. Vježba 2: Izvlačenje strukturiranih podataka
  4. Vježba 3: Klasifikacija tiketa podrške
  5. Savjeti za zadatke analize
  6. Ključne točke

Cilj radionice

Nakon pisanja, mijenjamo fokus: ova te radionica osposobljava za korištenje Mistrala u zadacima analize—analizi sentimenta teksta, izvlačenju ključnih informacija i klasifikaciji sadržaja. Ove su vještine temelj automatizacije obrade tekstualnih podataka u poslovanju. Kad god čovjek čita desetke sličnih tekstova kako bi izvukao istu mrežu informacija, imaš kandidata za automatizaciju. Primijetit ćeš zajedničku nit kroz sve tri vježbe: temperatura ostaje niska jer je u analizi dosljednost važnija od kreativnosti.

Vježba 1: Analiza sentimenta korisničkih recenzija

Zamisli ovaj scenarij: upravljaš korisničkom podrškom za tržište i svakodnevno primaš stotine recenzija. Čitanje svih njih je nemoguće; moraš ih automatski analizirati kako bi otkrio ponavljajuće probleme i odredio prioritete odgovora. Sistemska poruka definira fiksnu mrežu analize—sentiment, teme, hitnost, akcija—i nameće JSON izlaz kako bi tvoj alat za upravljanje tikovima mogao obraditi rezultat.

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
)

Očekivani rezultat izgleda ovako—imaj na umu da recenzija 1, općenito zadovoljna ali s rezervom, mora izaći kao „mješovita“, a ne „pozitivna“, dok recenzija 2, s prijetnjom kontakta s DGCCRF-om (francuska agencija za zaštitu potrošača), mora okinuti visoku hitnost:

[
  {
    "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."
  }
]

Vježba 2: Izvlačenje strukturiranih podataka

Druga situacija: primaš e-poruke s prijavama za posao u slobodnom tekstu i moraš izvući ključne informacije za napajanje svog ATS-a (Applicant Tracking System). Glavni rizik kod izvlačenja je izmišljanje: model ostavljen bez uputa rado će popuniti praznine uvjerljivim dedukcijama. Otuda dva kardinalna pravila sistemske poruke—„nije navedeno“ za sve nedostajuće informacije i apsolutna zabrana dedukcije.

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
)

Evo izlaza koji bi trebao dobiti:

{
  "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"
}

Primijeti temperaturu na 0,0: za izvlačenje želiš deterministički odgovor vjeran izvornom tekstu. Također primijeti pretvorbu datuma u ISO format, eksplicitno zatraženu u pravilima—bez ove upute, model bi bio kopirao „May 15, 2026“ kakav jest.

Vježba 3: Klasifikacija tiketa podrške

Posljednja situacija: tvoj tim za podršku prima nekategorizirane tikete koje treba automatski usmjeriti u pravi odjel. Ključ ove vježbe je iscrpna definicija kategorija i prioriteta u sistemskoj poruci. Ako dopustiš modelu da izmisli vlastitu taksonomiju, svaka serija tiketa izaći će s različitim kategorijama i tvoje usmjeravanje postat će neupravljivo.

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
)

Očekivani rezultat—primijeti da tiket C, sa svojim izravnim financijskim utjecajem, ide na P1, dok tehnički rušenje u tiketu D ostaje na P2 jer postoji zaobilazno rješenje:

[
  {
    "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)"
  }
]

Savjeti za zadatke analize

Četiri najbolje prakse sažimaju metodu ove radionice. Radi na temperaturi 0 za klasifikaciju i izvlačenje: želiš dosljednost, a ne nadahnuće. Eksplicitno definiraj kategorije u sistemskoj poruci, inače će model izmisliti vlastite. Uvijek uključi uputu „nije navedeno“ za nedostajuće podatke, inače će model popuniti praznine uvjerljivim izmišljotinama. I prije bilo kakve implementacije, testiraj na rubnim slučajevima: dvosmisleni tekstovi, tiketi koji spadaju u dvije kategorije, djelomični podaci—tu će tvoja mreža pokazati slabosti, a ne na školskim primjerima.

Ključne točke

  • Analiza teksta s Mistralom najbolje radi s niskom temperaturom (0–0,2)
  • Uvijek definiraj kategorije i format izlaza u promptu
  • Nametni pravilo „nije navedeno“ kako bi izbjegao halucinacije
  • Few-shot poboljšava dosljednost klasifikacije
  • Testiraj na reprezentativnim stvarnim slučajevima prije puštanja u proizvodnju