Incentive avaliações úteis de produtos com a IA da Web no dispositivo

Maud Nalpas

Kenji Baheux

Alexandra Klepper

As avaliações positivas e negativas podem influenciar a decisão de compra do comprador.

De acordo com uma pesquisa externa, 82% dos compradores on-line buscam avaliações negativas antes de fazer uma compra. Essas avaliações negativas são úteis para clientes e empresas, porque a disponibilidade de avaliações negativas pode ajudar a reduzir as taxas de devolução e ajudar os fabricantes a melhorar os produtos.

Veja algumas maneiras de melhorar a qualidade das avaliações:

• Verifique a toxicidade de cada avaliação antes do envio. Podemos incentivar os usuários a remover linguagem ofensiva e outros comentários inúteis, para que a avaliação ajude outros usuários a tomar uma decisão de compra melhor.
  • Negativo: essa mochila é uma porcaria, e eu odeio.
  • Ponto negativo com feedback útil: os zíperes são muito rígidos e o material parece barato. Devolvi esta bolsa.
• Gerar automaticamente uma classificação com base no idioma usado na avaliação.
• Determine se a avaliação é negativa ou positiva.

Em última análise, o usuário deve ter a palavra final sobre a classificação do produto.

O codelab a seguir oferece soluções no dispositivo, no navegador. Não é necessário ter conhecimento de desenvolvimento de IA, servidores ou chaves de API.

Pré-requisitos

Embora a IA do lado do servidor com soluções (como a API Genmini ou a API OpenAI) ofereça soluções robustas para muitos aplicativos, neste guia nos concentramos na IA da Web no dispositivo. A IA da Web no dispositivo é quando modelos de IA são executados no navegador para melhorar a experiência dos usuários da Web sem precisar de ida e volta no servidor.

Neste codelab, usamos uma combinação de técnicas para mostrar o que está na sua caixa de ferramentas para IA da Web no dispositivo.

Usamos as seguintes bibliotecas e modelos:

• TensforFlow.js para análise de toxicidade. O TensorFlow.js é uma biblioteca de machine learning de código aberto para inferência e treinamento na Web.
• transformers.js para análise de sentimento. Transformers.js é uma biblioteca de IA da Web da Hugging Face.
• Gemma 2B para avaliações com estrelas. A Gemma é uma família de modelos leves e abertos criados a partir da pesquisa e da tecnologia que o Google usou para criar os modelos do Gemini. Para executar o Gemma no navegador, o usamos com a API LLM Inference experimental do MediaPipe.

Considerações sobre UX e segurança

Há algumas considerações para garantir a melhor experiência e segurança do usuário:

• Permitir que o usuário edite a avaliação. Em última análise, o usuário deve ter a palavra final na classificação do produto.
• Deixe claro para o usuário que a classificação e as avaliações são automatizadas.
• Permitir que os usuários postem uma avaliação classificada como tóxica, mas executar uma segunda verificação no servidor. Isso evita uma experiência frustrante em que uma avaliação não tóxica é classificada erroneamente como tóxica (falso positivo). Isso também abrange casos em que um usuário mal-intencionado consegue burlar a verificação do lado do cliente.
• Uma verificação de toxicidade do lado do cliente é útil, mas pode ser contornada. Certifique-se também de executar uma verificação no lado do servidor.

Analisar a toxicidade com o TensorFlow.js

É rápido começar a analisar a toxicidade da avaliação de um usuário com o TensorFlow.js.

1. Instale e import a biblioteca do TensorFlow.js e o modelo de toxicidade.
2. Defina uma confiança mínima de previsão. O padrão é 0,85 e, em nosso exemplo, o definimos como 0,9.
3. Carregue o modelo de forma assíncrona.
4. Classificar a avaliação de forma assíncrona. Nosso código identifica previsões que excedem um limite de 0,9 para qualquer categoria.

Esse modelo pode categorizar a toxicidade em ataques de identidade, insultos, obscenidade e muito mais.

Exemplo:

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
);

Determinar sentimentos com o Transformers.js

1. Instale e importe a biblioteca Transformers.js.

2. Configurar a tarefa de análise de sentimento com um pipeline dedicado. Quando um pipeline é usado pela primeira vez, o modelo é transferido por download e armazenado em cache. A partir de então, a análise de sentimento será muito mais rápida.

3. Classificar a avaliação de forma assíncrona. Use um limite personalizado para definir o nível de confiança que você considera utilizável para seu aplicativo.

Exemplo:

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
}

Sugerir uma nota com Gemma e MediaPipe

Com a API LLM Inference, você pode executar modelos de linguagem grandes (LLMs) completamente no navegador.

Esse novo recurso é particularmente transformador, considerando as demandas de memória e computação dos LLMs, que são mais de cem vezes maiores do que os modelos tradicionais no dispositivo. As otimizações na pilha no dispositivo tornam isso possível, incluindo novas operações, quantização, armazenamento em cache e compartilhamento de peso. Fonte: "Large Language Models On-Device with MediaPipe and TensorFlow Lite".

1. Instale e importe a API de inferência do MediaPipe LLM.
2. Faça o download de um modelo. Aqui, usamos a Gemma 2B, transferida por download da Kaggle (link em inglês). A Gemma 2B é o menor dos modelos de peso aberto do Google.
3. Direcione o código para os arquivos de modelo certos, com FilesetResolver. Isso é importante porque os modelos de IA generativa podem ter uma estrutura de diretórios específica para os recursos.
4. Carregar e configurar o modelo com a interface LLM do MediaPipe. Prepare o modelo para uso: especifique o local do modelo, o comprimento preferido das respostas e o nível de criatividade preferido com a temperatura.
5. Dê um comando ao modelo (confira um exemplo).
6. Aguarde a resposta do modelo.
7. Analise a avaliação: extraia a avaliação com estrelas da resposta do modelo.

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);

Exemplo de comando

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`;

Pontos principais

Nenhuma experiência em IA/ML é necessária. Projetar um comando requer iterações, mas o restante do código é desenvolvimento Web padrão.

Os modelos no dispositivo são bastante precisos. Se você executar os snippets deste documento, vai observar que a toxicidade e a análise de sentimento fornecem resultados precisos. As classificações da Gemma, em sua maioria, corresponderam às classificações do modelo Gemini para algumas avaliações de referência testadas. Para validar essa precisão, são necessários mais testes.

Dito isso, criar o comando para o Gemma 2B exige trabalho. Como o Gemma 2B é um LLM pequeno, ele precisa de um comando detalhado para produzir resultados satisfatórios, especialmente mais detalhados do que o necessário com a API Gemini.

A inferência pode ser muito rápida. Se você executar os snippets deste documento, observe que a inferência pode ser mais rápida e potencialmente mais rápida do que as idas e voltas do servidor em vários dispositivos. Por isso, a velocidade de inferência pode variar bastante. É necessário fazer uma comparação detalhada dos dispositivos de destino. Esperamos que a inferência no dispositivo fique mais rápida com as atualizações de GPU da Web, WebAssembly e biblioteca. Por exemplo, o Transformers.js adiciona suporte a GPUs da Web na v3 o que pode acelerar muitas vezes a inferência no dispositivo.

Os tamanhos de download podem ser muito grandes. A inferência no navegador é rápida, mas carregar modelos de IA pode ser um desafio. Para executar a IA no navegador, você normalmente precisa de uma biblioteca e um modelo, que aumentam o tamanho de download do app da Web.

Enquanto o modelo de toxicidade do TensorFlow (um modelo clássico de processamento de linguagem natural) tem apenas alguns kilobytes, os modelos de IA generativa, como o modelo de análise de sentimento padrão do Transformers.js, atingem 60 MB. Modelos de linguagem grandes como o Gemma podem ter até 1,3 GB. Isso excede a média de tamanho de página da Web de 2, 2 MB, que já é muito maior do que o recomendado para ter o melhor desempenho. A IA generativa no dispositivo é viável em cenários específicos.

O campo da IA generativa na Web está evoluindo rapidamente! Espera-se que modelos menores e otimizados para a Web surjam (link em inglês) no futuro.

Próximas etapas

O Chrome está testando outra forma de executar a IA generativa no navegador. Você pode se inscrever no programa de pré-lançamento antecipado para testar.