Stimmungs- und Emotionserkennung

Tisane Labs liest einen Textabschnitt und gibt die darin ausgedrückte Stimmung und Emotion zurück. Wenn eine neue Bewertung oder ein Ticket eingeht, sendet ein Beam-Agent den Text zur Analyse, liest das Polaritätsergebnis und wendet Ihre Regel für das an, was als negativ eingestuft wird. Datensätze, die den Schwellenwert überschreiten, werden markiert und das zuständige Team wird benachrichtigt, während positive und neutrale Datensätze geräuschlos abgelegt werden. Nachrichten mit gemischten oder grenzwertigen Ergebnissen oder Texte, bei denen das Modell eine geringe Zuverlässigkeit zurückgibt, werden an eine Person weitergeleitet, damit der Tonfall von einem Menschen beurteilt wird, bevor eine Antwort entworfen wird.

Missbrauchs- und Inhaltsmoderation

Die Moderationsfunktion prüft Texte auf Hassrede, Obszönitäten und andere Richtlinienverstöße und liefert eine Erklärung dafür, warum der jeweilige Verstoß gemeldet wurde. Ein Beam-Agent lässt eingehende Kommentare das System durchlaufen, liest die zurückgegebenen Kategorien und wendet Ihre Community-Regel bezüglich der zulässigen Inhalte an. Eindeutige Verstöße werden ausgeblendet oder in eine Warteschlange gestellt und der Moderationskanal wird benachrichtigt, während einwandfreie Beiträge freigegeben werden. Alles, was sich nahe an der Richtliniengrenze bewegt, Sarkasmus oder Inhalte in einem Dialekt, bei dem das Modell unsicher ist, wird an einen menschlichen Prüfer weitergeleitet, der die endgültige Entscheidung trifft und den Kontodatensatz korrekt hält.

Entitäts- und Spracherextraktion

Die Spracherkennung und Entitätsextraktion identifizieren die Sprache eines Textabschnitts und filtern die darin erwähnten Namen, Orte und Organisationen heraus. Bei einem neuen Dokument erkennt ein Beam-Agent zuerst die Sprache, liest dann die Entitäten und schreibt sie als strukturierte Felder für die Suche und Weiterleitung in den Datensatz. Ihre Regel entscheidet, welche Entitätstypen wichtig sind und wo sie jeweils gespeichert werden. Textabschnitte, in denen mehrere Sprachen gemischt sind oder bei denen eine Entität zwischen einer Person und einem Ort mehrdeutig ist, werden an eine Person übergeben, um sie korrekt zu kennzeichnen, bevor der Datensatz als vollständig eingestuft wird.