Dorong ulasan produk yang bermanfaat dengan AI web sisi klien

Maud Nalpas

Kenji Baheux

Alexandra Klepper

Dipublikasikan: 16 Mei 2024

Ulasan positif dan negatif dapat menginformasikan keputusan pembelian pembeli.

Menurut riset eksternal, 82% pembeli online secara aktif mencari ulasan negatif sebelum melakukan pembelian. Ulasan negatif ini berguna bagi pelanggan dan bisnis, karena ketersediaan ulasan negatif dapat membantu mengurangi rasio pengembalian dan membantu pembuat meningkatkan kualitas produk mereka.

Berikut beberapa cara untuk meningkatkan kualitas ulasan:

• Periksa setiap ulasan untuk mengetahui apakah mengandung konten beracun sebelum dikirimkan. Kami dapat mendorong pengguna untuk menghapus kata-kata yang menyinggung, serta komentar tidak membantu lainnya, sehingga ulasan mereka dapat membantu pengguna lain membuat keputusan pembelian yang lebih baik.
  • Negatif: Tas ini jelek, dan saya tidak suka.
  • Negatif dengan masukan yang berguna Ritsletingnya sangat kaku dan bahannya terasa murah. Saya mengembalikan tas ini.
• Membuat rating secara otomatis berdasarkan bahasa yang digunakan dalam ulasan.
• Menentukan apakah ulasan bersifat negatif atau positif.

Pada akhirnya, pengguna harus memiliki keputusan akhir terkait rating produk.

Codelab berikut menawarkan solusi sisi klien, di perangkat, dan di browser. Tidak diperlukan pengetahuan pengembangan AI, server, atau kunci API.

Prasyarat

Meskipun AI sisi server dengan solusi (seperti Gemini API atau OpenAI API) menawarkan solusi yang andal untuk banyak aplikasi, dalam panduan ini kita berfokus pada AI web sisi klien. Inferensi AI sisi klien terjadi di browser, untuk meningkatkan pengalaman bagi pengguna web dengan menghapus perjalanan bolak-balik server.

Dalam codelab ini, kami menggunakan campuran teknik untuk menunjukkan apa yang ada di kotak alat Anda untuk AI sisi klien.

Kita menggunakan library dan model berikut:

• TensforFlow.js untuk analisis toksisitas. TensorFlow.js adalah library machine learning open source untuk inferensi dan pelatihan di web.
• transformers.js untuk analisis sentimen. Transformers.js adalah library AI web dari Hugging Face.
• Gemma 2B untuk rating bintang. Gemma adalah sekumpulan model terbuka yang ringan dan dibangun dari riset dan teknologi yang digunakan Google untuk membuat model Gemini. Untuk menjalankan Gemma di browser, kita menggunakannya dengan LLM Inference API eksperimental MediaPipe.

Pertimbangan UX dan keselamatan

Ada beberapa pertimbangan untuk memastikan pengalaman dan keamanan pengguna yang optimal:

• Izinkan pengguna mengedit rating. Pada akhirnya, pengguna harus memiliki kata akhir tentang rating produk.
• Jelaskan kepada pengguna bahwa rating dan ulasan bersifat otomatis.
• Izinkan pengguna memposting ulasan yang diklasifikasikan sebagai beracun, tetapi jalankan pemeriksaan kedua di server. Hal ini mencegah pengalaman yang menjengkelkan saat ulasan yang tidak beracun salah diklasifikasikan sebagai beracun (positif palsu). Hal ini juga mencakup kasus saat pengguna berbahaya berhasil mengabaikan pemeriksaan sisi klien.
• Pemeriksaan toksisitas sisi klien sangat membantu, tetapi dapat diabaikan. Pastikan Anda juga menjalankan pemeriksaan sisi server.

Menganalisis toksisitas dengan TensorFlow.js

Anda dapat dengan cepat mulai menganalisis toksisitas ulasan pengguna dengan TensorFlow.js.

1. Instal dan import library TensorFlow.js dan model toksisitas.
2. Tetapkan keyakinan prediksi minimum. Nilai defaultnya adalah 0,85, dan dalam contoh ini, kita telah menetapkannya ke 0,9.
3. Muat model secara asinkron.
4. Klasifikasikan ulasan secara asinkron. Kode kami mengidentifikasi prediksi yang melebihi nilai minimum 0,9 untuk kategori apa pun.

Model ini dapat mengategorikan toksisitas di seluruh serangan identitas, penghinaan, kata-kata tidak sopan, dan lainnya.

Contoh:

import * as toxicity from '@tensorflow-models/toxicity';

// Minimum prediction confidence allowed
const TOXICITY_COMMENT_THRESHOLD = 0.9;

const toxicityModel = await toxicity.load(TOXICITY_COMMENT_THRESHOLD);
const toxicityPredictions = await toxicityModel.classify([review]);
// `predictions` is an array with the raw toxicity probabilities
const isToxic = toxicityPredictions.some(
    (prediction) => prediction.results[0].match
);

Menentukan sentimen dengan Transformers.js

1. Instal dan impor library Transformers.js.

2. Siapkan tugas analisis sentimen dengan pipeline khusus. Saat pipeline digunakan untuk pertama kalinya, model akan didownload dan di-cache. Mulai saat itu, analisis sentimen akan jauh lebih cepat.

3. Klasifikasikan ulasan secara asinkron. Gunakan nilai minimum kustom untuk menetapkan tingkat kepercayaan yang Anda anggap dapat digunakan untuk aplikasi.

Contoh:

import { pipeline } from '@xenova/transformers';

const SENTIMENT_THRESHOLD = 0.9;
// Create a pipeline (don't block rendering on this function)
const transformersjsClassifierSentiment = await pipeline(
  'sentiment-analysis'
);

// When the user finishes typing
const sentimentResult = await transformersjsClassifierSentiment(review);
const { label, score } = sentimentResult[0];
if (score > SENTIMENT_THRESHOLD) {
  // The sentiment is `label`
} else {
  // Classification is not conclusive
}

Menyarankan rating bintang dengan Gemma dan MediaPipe

Dengan LLM Inference API, Anda dapat menjalankan model bahasa besar (LLM) sepenuhnya di browser.

Kemampuan baru ini sangat transformatif mengingat permintaan memori dan komputasi LLM, yang lebih dari seratus kali lebih besar daripada model sisi klien. Pengoptimalan di seluruh stack web memungkinkan hal ini, termasuk operasi baru, kuantisasi, penyimpanan dalam cache, dan pembagian bobot. Sumber: "Large Language Models On-Device with MediaPipe and TensorFlow Lite".

1. Instal dan impor inferensi API MediaPipe LLM.
2. Download model. Di sini, kita menggunakan Gemma 2B, yang didownload dari Kaggle. Gemma 2B adalah model open-weight Google yang terkecil.
3. Arahkan kode ke file model yang tepat, dengan FilesetResolver. Hal ini penting karena model AI generatif mungkin memiliki struktur direktori tertentu untuk asetnya.
4. Muat dan konfigurasikan model dengan antarmuka LLM MediaPipe. Siapkan model untuk digunakan: tentukan lokasi model, panjang respons yang diinginkan, dan tingkat kreativitas yang diinginkan dengan suhu.
5. Berikan perintah ke model (lihat contoh).
6. Tunggu respons model.
7. Mengurai rating: Mengekstrak rating bintang dari respons model.

import { FilesetResolver, LlmInference } from '@mediapipe/tasks-genai';

const mediaPipeGenAi = await FilesetResolver.forGenAiTasks();
const llmInference = await LlmInference.createFromOptions(mediaPipeGenAi, {
    baseOptions: {
        modelAssetPath: '/gemma-2b-it-gpu-int4.bin',
    },
    maxTokens: 1000,
    topK: 40,
    temperature: 0.5,
    randomSeed: 101,
});

const prompt = …
const output = await llmInference.generateResponse(prompt);

const int = /\d/;
const ratingAsString = output.match(int)[0];
rating = parseInt(ratingAsString);

Contoh perintah

const prompt = `Analyze a product review, and then based on your analysis give me the
corresponding rating (integer). The rating should be an integer between 1 and 5.
1 is the worst rating, and 5 is the best rating. A strongly dissatisfied review
that only mentions issues should have a rating of 1 (worst). A strongly
satisfied review that only mentions positives and upsides should have a rating
of 5 (best). Be opinionated. Use the full range of possible ratings (1 to 5). \n\n
  \n\n
  Here are some examples of reviews and their corresponding analyses and ratings:
  \n\n
  Review: 'Stylish and functional. Not sure how it'll handle rugged outdoor use,
  but it's perfect for urban exploring.'
  Analysis: The reviewer appreciates the product's style and basic
  functionality. They express some uncertainty about its ruggedness but overall
  find it suitable for their intended use, resulting in a positive, but not
  top-tier rating.
  Rating (integer): 4
  \n\n
  Review: 'It's a solid backpack at a decent price. Does the job, but nothing
  particularly amazing about it.'
  Analysis: This reflects an average opinion. The backpack is functional and
  fulfills its essential purpose. However, the reviewer finds it unremarkable
  and lacking any standout features deserving of higher praise.
  Rating (integer): 3
  \n\n
  Review: 'The waist belt broke on my first trip! Customer service was
  unresponsive too. Would not recommend.'
  Analysis: A serious product defect and poor customer service experience
  naturally warrants the lowest possible rating. The reviewer is extremely
  unsatisfied with both the product and the company.
  Rating (integer): 1
  \n\n
  Review: 'Love how many pockets and compartments it has. Keeps everything
  organized on long trips. Durable too!'
  Analysis: The enthusiastic review highlights specific features the user loves
  (organization and durability), indicating great satisfaction with the product.
  This justifies the highest rating.
  Rating (integer): 5
  \n\n
  Review: 'The straps are a bit flimsy, and they started digging into my
  shoulders under heavy loads.'
  Analysis: While not a totally negative review, a significant comfort issue
  leads the reviewer to rate the product poorly. The straps are a key component
  of a backpack, and their failure to perform well under load is a major flaw.
  Rating (integer): 1
  \n\n
  Now, here is the review you need to assess:
  \n
  Review: "${review}" \n`;

Poin-poin penting

Tidak diperlukan keahlian AI/ML. Desain perintah memerlukan iterasi, tetapi kode lainnya adalah pengembangan web standar.

Model sisi klien cukup akurat. Jika menjalankan cuplikan dari dokumen ini, Anda akan mengamati bahwa analisis toksisitas dan sentimen memberikan hasil yang akurat. Rating Gemma, sebagian besar, cocok dengan rating model Gemini untuk beberapa ulasan referensi yang diuji. Untuk memvalidasi akurasi tersebut, pengujian lebih lanjut diperlukan.

Meskipun demikian, mendesain perintah untuk Gemma 2B memerlukan kerja keras. Karena Gemma 2B adalah LLM kecil, Gemma 2B memerlukan perintah mendetail untuk menghasilkan hasil yang memuaskan—terutama lebih mendetail daripada yang diperlukan dengan Gemini API.

Inferensi dapat dilakukan dengan sangat cepat. Jika menjalankan cuplikan dari dokumen ini, Anda akan mengamati bahwa inferensi dapat menjadi cepat, berpotensi lebih cepat daripada perjalanan bolak-balik server, di sejumlah perangkat. Meskipun demikian, kecepatan inferensi dapat bervariasi secara signifikan. Benchmarking menyeluruh pada perangkat target diperlukan. Kami berharap inferensi browser akan terus menjadi lebih cepat dengan update WebGPU, WebAssembly, dan library. Misalnya, Transformers.js menambahkan dukungan GPU Web di v3, yang dapat mempercepat inferensi di perangkat berkali-kali lipat.

Ukuran download dapat sangat besar. Inferensi di browser cepat, tetapi memuat model AI dapat menjadi tantangan. Untuk menjalankan AI dalam browser, Anda biasanya memerlukan library dan model, yang menambah ukuran download aplikasi web Anda.

Meskipun model toksisitas Tensorflow (model natural language processing klasik) hanya berukuran beberapa kilobyte, model AI generatif seperti model analisis sentimen default Transformers.js mencapai 60 MB. Model bahasa besar seperti Gemma dapat sebesar 1,3 GB. Ukuran ini melebihi median ukuran halaman web 2, 2 mb, yang jauh lebih besar dari yang direkomendasikan untuk performa terbaik. AI generatif sisi klien dapat digunakan dalam skenario tertentu.

Bidang AI generatif di web berkembang dengan cepat. Model yang lebih kecil dan dioptimalkan untuk web diperkirakan akan muncul di masa mendatang.

Langkah berikutnya

Chrome sedang bereksperimen dengan cara lain untuk menjalankan AI generatif di browser. Anda dapat mendaftar ke program pratinjau awal untuk mengujinya.