Pāriet uz galveno saturu
Latviešu— Izvēlēties valodu
Izvēlne

Darbnīca: Teksta analīze

Nodarbība 14 no 16 Atjaunota 2026. gada 28. jūlijs Iesācējs
Šajā lapā
  1. Darbnīcas mērķis
  2. 1. uzdevums: Klientu atsauksmju noskaņojuma analīze
  3. 2. uzdevums: Strukturētu datu ieguve
  4. 3. uzdevums: Atbalsta biļešu klasificēšana
  5. Padomi analīzes uzdevumiem
  6. Galvenās atziņas

Darbnīcas mērķis

Pēc rakstīšanas nomainīsim pārnesumu: šī darbnīca iemācīs tev izmantot Mistral analīzes uzdevumiem — teksta noskaņojuma analīzei, galvenās informācijas ieguvei un satura klasificēšanai. Šīs prasmes ir kodols, lai automatizētu teksta datu apstrādi uzņēmējdarbībā. Kad vien cilvēks lasa desmitiem līdzīgu tekstu, lai iegūtu vienu un to pašu informācijas režģi, tev ir kandidāts automatizācijai. Tu pamanīsi kopēju pavedienu visos trīs uzdevumos: temperatūra paliek zema, jo analīzē konsekvence ir svarīgāka par radošumu.

1. uzdevums: Klientu atsauksmju noskaņojuma analīze

Iedomājies šādu scenāriju: tu pārvaldi klientu apkalpošanu tirgus laukumā un katru dienu saņem simtiem atsauksmju. Lasīt tās visas nav iespējams; tev tās ir jāanalizē automātiski, lai noteiktu atkārtojošās problēmas un noteiktu atbilžu prioritātes. Sistēmas prompts definē fiksētu analīzes režģi — noskaņojums, tēmas, steidzamība, darbība — un piespiež JSON izvadi, lai tavs biļešu rīks varētu apstrādāt rezultātu.

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
)

Paredzamais rezultāts izskatās šādi — ņem vērā, ka 1. atsauksmei, kas ir kopumā apmierināta, bet ar iebildi, jābūt „mixed” (jaukts), nevis „positive” (pozitīvs), un 2. atsauksmei, kurā ir draudi sazināties ar DGCCRF (Francijas patērētāju tiesību aizsardzības aģentūra), jāizraisa augsta steidzamība:

[
  {
    "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."
  }
]

2. uzdevums: Strukturētu datu ieguve

Otrā situācija: tu saņem darba pieteikuma e-pastus brīvā tekstā un tev ir jāiegūst galvenā informācija, lai barotu savu ATS (Pretendentu izsekošanas sistēmu). Galvenais risks ieguves procesā ir izdomājumi: modelis bez instrukcijām ar prieku aizpildīs tukšumus ar ticamiem secinājumiem. Tādēļ sistēmas prompta divi kardinālie noteikumi — „not provided” (nav norādīts) jebkurai trūkstošai informācijai un absolūts aizliegums veikt secinājumus.

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
)

Lūk, izvade, kas tev būtu jāsaņem:

{
  "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"
}

Ņem vērā temperatūru 0,0: ieguvei tev ir nepieciešama deterministiska atbilde, kas ir uzticīga avota tekstam. Ņem vērā arī datuma konvertēšanu uz ISO formātu, kas ir tieši pieprasīts noteikumos — bez šīs instrukcijas modelis būtu nokopējis „May 15, 2026” tādu, kāds tas ir.

3. uzdevums: Atbalsta biļešu klasificēšana

Pēdējā situācija: tava atbalsta komanda saņem neklasificētas biļetes, kas ir automātiski jānovirza uz pareizo nodaļu. Šī uzdevuma atslēga ir kategoriju un prioritāšu visaptveroša definīcija sistēmas promptā. Ja ļausi modelim izgudrot savu taksonomiju, katra biļešu partija iznāks ar dažādām kategorijām, un tava maršrutēšana kļūs nepārvaldāma.

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
)

Paredzamais rezultāts — ņem vērā, ka C biļete ar tiešo finanšu ietekmi nonāk P1, savukārt tehniskā kļūme D biļetē paliek P2 līmenī, jo pastāv risinājums:

[
  {
    "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)"
  }
]

Padomi analīzes uzdevumiem

Četras labākās prakses apkopo šīs darbnīcas metodi. Strādā ar temperatūru 0 klasificēšanai un ieguvei: tev ir nepieciešama konsekvence, nevis iedvesma. Definē kategorijas eksplicīti sistēmas promptā, pretējā gadījumā modelis izgudros savas. Vienmēr iekļauj instrukciju „not provided” trūkstošajiem datiem, pretējā gadījumā modelis aizpildīs tukšumus ar ticamiem izgudrojumiem. Un pirms jebkādas izvēršanas testē uz robežgadījumiem: neskaidri teksti, biļetes, kas ietilpst divās kategorijās, daļēji dati — tieši šeit tavs režģis parādīs vājās vietas, nevis mācību grāmatu gadījumos.

Galvenās atziņas

  • Teksta analīze ar Mistral vislabāk darbojas ar zemu temperatūru (0–0,2)
  • Vienmēr definē kategorijas un izvades formātu promptā
  • Piespied „not provided” noteikumu, lai izvairītos no halucinācijām
  • Daži piemēri (few-shot) uzlabo klasificēšanas konsekvenci
  • Pirms izvēršanas ražošanā testē uz reprezentatīviem reāliem gadījumiem