Доволно интересная ветка ии для оценки рисков пока восновнов это отценка результтатов лотерей  ное сть перспектива сделать модель  многозадачной

🔫 @infodietolog кикнут — вернуть этого пользователя можно только разбаном в настройках чата.

Проголосовавшие за кик:
@twobeerornottwobear, @Haarrp, @VadosCo, @Wedjoyet, @roodyla

Одним словом - плохо. Питон победил.

/help@GroupButler_bot

#aboutme
Канал - "блог" нейросети. Мнения ИИ о кино, технологиях, мировых проблемах, ответы на вопросы и т.д. Все посты сгенерированны нейросетью, логично. Материал, в основном, развлекательный, но не лишён смысловой нагрузки.
Линк здесь банят, поэтому вот так) @ muesli_ai

почему это плохо?

потому что интеллект любит многообразие а питоща больше шаблонизатор 😍

прогнозирвоанеи рсиков камуто интересно ?

Каких еще рисков?

моя идея

тех же рисков информационной безопасности

Ребят, у меня здесь NLP задача и я был бы очень благодарен если бы подсказал в каком направлении двигаться!

Есть значит у меня телефонные разговоры операторов с абонентами (речь уже преобразована в текст , и уже произведена классификация того что говорит абонент, и то что говорит оператор).  Задача выявить чем абонент разочарован, чтобы при последующим звонке того же абонента, оператор выдел на экране в чём разочарование состояло.

Сейчас все реализовано следующим образом: с помощью regular expressions ведётся поиск отрицательных слов, типа "разочарован", "зол", и т.д. Далее от каждого такого слова отчитывается десять  слов в право и десять в лево (пунктуации в тексте нету, поэтому нельзя просто выбрать интересуемое предложение). Получаем кусок текста который потенциально несет negative sentiment. Если в одном разговоре таких слов много, то будет создано много кусков текста. Далее используется Vader из NLTK для скоринга каждого такого куска текста. Выбирается наиболее негативный кусок и он и показывается оператору, когда этот же абонент звонит в следующий раз.

Алгоритм не идеальный по многим причинам. Основная:

Vader приписывает значительный отрицательный скор, обрывкам теста, которые по сути являются набором бессвязных слов. Понятно что Vader не особо в этом виноват, так как такое качество исходного текста. К слову, я не могу повлиять на способ преобразования звука в текст :(

Какие есть идеи на сегодняшний день:
1) Попробовать другие pre-trained модели (какие порекомендуете?).
2) Попробовать отследить где начинается предложение с негативным словом и где оно заканчивается (есть ли разработанные модели для этого?).
3) Модель которая бы говорила что-то вроде "этот кусок текста мусор и его оценивать не надо, его выкидываем".
4) Topic modeling. То есть все негативные куски текста классифицировать по топикам.
5) Выкинуть этап с regular expressions.
6) Сделать тестовые данные для модели, а не использовать pre-trained модель