Analyse de Sentiment avec MindsDB et OpenAI en utilisant SQL

Introduction

Dans cet article, nous allons explorer comment créer des modèles OpenAI au sein de MindsDB pour réaliser une analyse de sentiment. L'exemple que nous allons suivre utilise des données d'un échantillon de base de données MySQL.

Prérequis

Pour suivre ce tutoriel, installez MindsDB localement via Docker ou Docker Desktop.

Tutoriel

Nous allons créer un modèle prédictif pour inférer les émotions derrière un texte, une tâche également connue sous le nom d'analyse de sentiment. Nous allons utiliser une table de notre base de données publique MySQL. Commençons par connecter MindsDB à celle-ci :

CREATE DATABASE mysql_demo_db WITH ENGINE = 'mysql', PARAMETERS = { "user": "user", "password": "MindsDBUser123!", "host": "samples.mindsdb.com", "port": "3306", "database": "public" };

Une fois que nous avons connecté notre base de données à MindsDB, interrogeons les données à utiliser dans l'exemple :

SELECT * FROM mysql_demo_db.amazon_reviews LIMIT 3;

Résultat de la requête

Création du modèle

Créons maintenant une table de modèle pour identifier le sentiment de tous les avis :

Avant de créer un modèle OpenAI, veuillez créer un moteur en fournissant votre clé API OpenAI :

CREATE ML_ENGINE openai_engine FROM openai USING openai_api_key = 'your-openai-api-key';
CREATE MODEL sentiment_classifier_model PREDICT sentiment USING engine = 'openai_engine', prompt_template = 'décrivez le sentiment des avis strictement comme "positif", "neutre" ou "négatif". "J'adore le produit":positif "C'est une arnaque":négatif "{{review}}.":';

En pratique, l'instruction CREATE MODEL déclenche MindsDB pour générer une table AI appelée sentiment_classifier_model qui utilise l'intégration OpenAI pour prédire une colonne nommée sentiment. Le modèle vit à l'intérieur du projet par défaut de MindsDB.

Vérification de l'état du modèle

Une fois l'instruction CREATE MODEL exécutée, nous pouvons vérifier l'état du processus de création avec la requête suivante :

DESCRIBE sentiment_classifier_model;

Cela peut prendre un certain temps pour s'enregistrer comme complet en fonction de la connexion Internet.

Interrogation du modèle

Une fois la création terminée, le comportement est le même que pour toute autre table AI – vous pouvez l'interroger soit en spécifiant des données synthétiques dans la requête réelle :

SELECT review, sentiment FROM sentiment_classifier_model WHERE review = 'C'est correct.';

Résultat de l'interrogation

Ou en rejoignant une autre table pour des prédictions en lot :

SELECT input.review, output.sentiment FROM mysql_demo_db.amazon_reviews AS input JOIN sentiment_classifier_model AS output LIMIT 3;

Résultat de la jointure

Conclusion

En intégrant des bases de données et OpenAI via MindsDB, les développeurs peuvent facilement extraire des informations à partir de données textuelles avec quelques commandes SQL. Ces puissants modèles de traitement du langage naturel (NLP) sont capables de répondre à des questions avec ou sans contexte et de compléter des invites générales.

MindsDB est désormais la plateforme de machine learning appliqué open-source à la croissance la plus rapide au monde. Si la vision de MindsDB de démocratiser le ML vous passionne, rejoignez notre communauté sur Slack pour obtenir de l'aide et échanger sur l'utilisation d'autres sources de données, frameworks ML, ou pour écrire un gestionnaire pour apporter le vôtre !

Appel à l'action

Essayez MindsDB et débloquez la capacité ML sur vos données en quelques minutes !