Amazon Comprehend 기능

사용자 지정 엔터티 인식

• 예: 이 예에서 보험 회사는 해당 비즈니스와 관련된 엔터티, 정책 번호에 대한 텍스트 문서를 분석하려고 합니다.
  

  샘플 텍스트: 안녕하세요, 저는 Sam Ford라고 하는데 자동차 사고 보험금 청구서를 작성 중입니다. 제 정책 코드는 456-YQT이고요.
  

  개체	범주	개수	신뢰도
  456-YQT	Policy_ID	1	0.95

사용자 지정 분류

• 예: 어떤 항공사에서 고객 지원 피드백을 정리하려 한다고 가정하겠습니다. 각각의 피드백을 계정 관련 질문, 항공권 환불, 비행 불만으로 분류하고 싶습니다. 이 서비스를 훈련시키기 위해 사안별 예제 텍스트가 들어 있는 CSV 파일을 만들고, 각각의 샘플에 해당하는 세 가지 레이블 중 하나를 지정합니다. 그러면 사용자 대신 이 서비스가 사용자 지정 모델을 자동으로 훈련시킵니다. 다음 날, 이 모델을 사용하여 모든 통화를 분석하기 위해 각 텍스트 파일을 서비스에 제출했더니 레이블 지정된 결과와 함께 레이블 일치 신뢰도가 돌아왔습니다.
  

  텍스트	레이블	신뢰도 점수
  행 0	계정 관련 질문	0.92
  행 1	항공권 환불	1
  행 2	비행 불만	1
  행 3	비행 불만	0.91
  Doc5.csv	항공권 환불	1

엔터티 인식

• 예시: 이 예에서는 회사 설명을 볼 수 있습니다. API는 조직, 날짜, 위치와 같은 엔터티를 식별하고 신뢰도 점수를 반환합니다.
  

  샘플 텍스트: 1994년 7월 5일 Jeff Bezos가 설립한 Amazon.com, Inc.는 워싱턴주 시애틀에 있으며, 책에서 블렌더까지 모든 품목을 판매합니다. 시애틀은 포틀랜드의 북쪽, BC 밴쿠버의 남쪽에 있습니다. 시애틀에 위치한 다른 회사로는 Starbucks와 Boeing이 있습니다.
  

  개체	범주	신뢰도
  Amazon.com, Inc.	조직	0.96
  워싱턴 시애틀	위치	0.96
  1994년 7월 5일	날짜	0.99
  제프 베조스	사람	0.99
  Seattle	위치	0.98
  포틀랜드	위치	0.99
  브리티시 컬럼비아주 밴쿠버	위치	0.97
  Starbucks	조직	0.91
  Boeing	조직	0.99

감정 분석

• 예시: 이 예에서 고객은 신발에 대한 의견을 게시하고 있습니다. API는 신뢰도 점수와 함께 고객이 표현하는 감성을 파악합니다.
  

  샘플 텍스트: 스몰 사이즈를 주문하면 딱 맞을 줄 알았는데 미디엄-라지 사이즈에 가까운 것 같아요. 품질은 매우 좋아요. 사진보다 밝은 브라운 컬러이긴 하지만 거의 비슷하고요. 내피를 면이나 울 소재로 했으면 10배는 더 좋았을 것 같아요.
  

  감성	점수
  혼합	0.89
  긍정	0.09
  부정	0.01
  보통	0.00

표적 감정

• 예제: 이 예제에서, 레스토랑은 비즈니스를 개선할 수 있는 여지를 파악하기 위해 고객 리뷰를 검토하려고 합니다.
  

  샘플 텍스트: 햄버거를 좋아하지만, 서비스가 너무 느립니다.
  

  텍스트	엔터티 유형	엔터티 신뢰도 점수	감정	점수
  I	사람	0.99	중립	0.99
  햄버거	기타	0.99	긍정	0.99
  서비스	속성	0.99	부정	0.99

PII 식별 및 수정

• 예제: 이 예제에서는 은행 입출금 내역서에서 개인 데이터 및 금융 데이터를 편집하려고 합니다. PII 편집 API는 신뢰도 점수와 함께 PII를 식별하고 편집합니다.
  

  샘플 텍스트: John Smith 님, 안녕하세요. 귀하가 보유한 AnyCompany Financial Services, LLC 신용카드 계좌 1111-0000-1111-0008의 최소 결제 금액은 24.53 USD이고 결제 날짜는 7월 31일입니다. 귀하의 자동 결제 설정에 따라 결제 날짜에 은행 계좌 XXXXXX1111에서 식별 번호 XXXXX0000번으로 결제 금액이 인출됩니다.
  

  엔터티	유형	점수
  John Smith	이름	0.99+
  1111-0000-111-0008	신용카드 번호	0.99+
  7월 31일	날짜 및 시간	0.99+
  XXXXXX111	은행 계좌 번호	0.99+
  XXXXX0000	은행 식별 번호	0.99+

유해성 검출

프롬프트 안전 분류

핵심 문구 추출

• 예시: 이 예에서 고객은 DSLR 카메라를 즉석 필름 카메라와 비교합니다. API가 핵심 문구를 추출하고 결과에 대한 신뢰도 점수를 반환합니다.
  

  샘플 텍스트: 저는 열성적인 사진 작가로서, 취미용으로 들고 다니는 DSLR이나 즉석 필름 카메라로 사진을 찍곤 합니다. 성능과 편의성은 DSLR이 최고이지만 즉석 필름 카메라에는 마술처럼 신비한 면이 있습니다. 실제 필름에 사진을 찍기 때문이거나, 촬영하는 모든 사진이 하나뿐인 물리적 실체로 남기 때문이겠죠(온갖 사진이 넘쳐나는 Instagram과 Facebook 세상에서 더욱 각별한 느낌을 주죠). 한 가지 확실한 것은, 사용하는 과정 자체가 매우 재미있고 파티에서 사람들의 눈길을 끌 수 있다는 것입니다.
  

  핵심 문구	신뢰도
  열성적인 사진 작가	0.99
  DSLR	0.97
  즉석 필름 카메라	0.99
  취미용	0.99
  성능과 편의성	0.94
  실제 필름	0.99
  모든 사진	0.92
  하나뿐인 물리적 아티팩트	0.99
  오늘	0.91
  세상	0.99
  Instagram과 Facebook	0.99

이벤트 감지

언어 감지

• 예시:이 예에서 API는 텍스트를 구문 분석하고, 텍스트의 우세 언어가 이탈리아어임을 신뢰도와 함께 식별할 수 있습니다.

  샘플 텍스트: Amazon Elastic Compute Cloud (Amazon EC2) è un servizio Web che fornisce capacità di elaborazione sicura e scalabile nel cloud. È concepito per rendere più semplice il cloud computing su scala Web per gli sviluppatori.
  

  ISO-639-1 언어 코드	언어	신뢰도
  it	이탈리아어	1.0

구문 분석

• 예시: 이 예시에서는 Comprehend 구문 API를 사용하여 간단한 문서를 분석합니다. 구문 API는 텍스트를 토큰화(단어 경계 정의)하고 명사 및 동사와 같은 스피치 일부와 연관된 각 단어를 레이블 처리합니다. 시작 및 종료 오프셋(텍스트 내 단어 위치를 알 수 있음)을 확인하는 기능 외에 신뢰도 점수도 제공합니다.

  샘플 텍스트: 빠르고, 새로운 저의 Kindle Fire가 좋아요!

  텍스트	태그
  I	대명사
  좋다	동사
  저의	대명사
  신속함	형용사
  ,	구두점
  신규	형용사
  Kindle	대명사
  Fire	대명사
  !	구두점

주제 모델링

• 예시: 문서(Doc1.txt, Doc2.txt, Doc3.txt 및 Doc4.txt)가 Amazon S3에 저장되어 있고 Amazon Comprehend에 문서의 위치를 지시하면 Comprehend가 문서를 분석하고 다음 두 가지 보기를 반환합니다.
  

  1. 주제 키워드 그룹화

  각 키워드 그룹은 주제 그룹과 연결됩니다. 가중치는 그룹 내에서 해당 키워드의 사용 빈도를 나타냅니다. 키워드의 가중치가 1에 가까울수록 주제 그룹의 컨텍스트를 가장 잘 나타냅니다.

  주제 그룹	키워드	무게
  1	Amazon	0.87
  1	Seattle	0.65
  2	공휴일	0.78
  2	쇼핑	0.67

  각 키워드 그룹은 주제 그룹과 연결됩니다. 가중치는 그룹 내에서 해당 키워드의 사용 빈도를 나타냅니다. 키워드의 가중치가 1에 가까울수록 주제 그룹의 컨텍스트를 가장 잘 나타냅니다.

  2. 주제별 문서 그룹화

  문서 이름	주제 그룹	비율
  Doc1.txt	1	0.87
  Doc2.txt	1	0.65
  Doc3.txt	2	0.78
  Doc4.txt	2	0.67

  문서에서 주제 그룹의 가중치를 적용한 키워드의 비율에 따라 주제 그룹에 각 문서가 매핑됩니다.

다중 언어 지원