Fazer análise de sentimento com o Azure Stream Analytics e o Estúdio do Machine Learning (clássico)

Importante

O suporte para o Estúdio do Azure Machine Learning (clássico) terminará em 31 de agosto de 2024. Recomendamos que você faça a transição para o Azure Machine Learning até essa data.

A partir de 1º de dezembro de 2021, não é possível criar novos recursos do Estúdio do Machine Learning (clássico) (workspace e plano de serviço Web). Até 31 de agosto de 2024, você pode continuar a usar os experimentos e serviços Web existentes do Estúdio do Machine Learning (clássico). Para saber mais, veja:

• Migrar para o Azure Machine Learning do Estúdio do Machine Learning (clássico)
• O que é Azure Machine Learning?

A documentação do Estúdio do Machine Learning (clássico) está sendo desativada e pode não ser atualizada no futuro.

Este artigo mostra como configurar um trabalho simples do Azure Stream Analytics que usa o Estúdio do Machine Learning (clássico) para análise de sentimento. Você usa um modelo de análise de sentimento do Estúdio (clássico) na Galeria do Cortana Intelligence para analisar dados de texto de streaming e determinar a pontuação de sentimento.

Dica

É altamente recomendado usar UDFs do Azure Machine Learning em vez de UDFs do Estúdio do Machine Learning (clássico) para melhorar o desempenho e a confiabilidade.

Você pode aplicar o que aprendeu com este artigo a cenários como estes:

• Analisando sentimento em tempo real em dados de streaming X.
• Analisar registros de conversas do cliente com a equipe de suporte.
• Avaliar comentários em fóruns, blogs e vídeos.
• Muitos outros cenários de pontuação preditiva em tempo real.

O trabalho de Stream Analytics que você cria aplica o modelo de análise de sentimento como uma UDF (função definida pelo usuário) nos dados de texto de exemplo do repositório de blob. A saída (o resultado da análise de sentimento) é gravada no mesmo repositório de blob em um arquivo CSV diferente.

Pré-requisitos

Antes de começar, verifique se você tem:

• Uma assinatura ativa do Azure.

• Um arquivo CSV com alguns dados X nele. Baixe o arquivo de exemplo do GitHub ou crie seu próprio arquivo. Em um cenário do mundo real, você obteria os dados diretamente de um fluxo de dados X.

Criar um contêiner de armazenamento e carregar o arquivo de entrada CSV

Nesta etapa, você carrega um arquivo CSV no contêiner de armazenamento.

1. No portal do Azure, selecione Criar um recurso>Armazenamento>Conta de armazenamento.

2. Preencha a guia Básico com os seguintes detalhes e deixe os valores padrão nos outros campos:

   Campo	Valor
   Subscription	Escolha sua assinatura.
   Resource group	Escolha seu grupo de recursos.
   Nome da conta de armazenamento	Insira um nome para a conta de armazenamento. O nome deve ser exclusivo em todo o Azure.
   Location	Escolha um local. Todos os recursos devem usar o mesmo local.
   Tipo de conta	BlobStorage

   

3. Selecione Examinar + criar. Em seguida, selecione Criar para implantar sua conta de armazenamento.

4. Após a conclusão da implantação, navegue até sua conta de armazenamento. Em Serviço Blob, selecione Contêineres. Então, selecione Contêiner para criar um novo contêiner.

   

5. Forneça um nome para o contêiner e verifique se o Nível de acesso público está definido como Privado. Quando terminar, selecione Criar.

   

6. Navegue até o contêiner recém-criado e selecione Carregar. Carregue o arquivo sampleinput.csv baixado anteriormente.

   

Adicione o modelo de análise de sentimento da Galeria do Cortana Intelligence

Agora que os dados de exemplo estão em um blob, você pode habilitar o modelo de análise de sentimento na Galeria do Cortana Intelligence.

1. Acesse a página modelo preditivo de análise de sentimento da Galeria do Cortana Intelligence.

2. Selecione Abrir no Studio (clássico) .

   

3. Entre para acessar o workspace. Selecione uma localização.

4. Selecione Executar na parte inferior da página. O processo é executado, o que leva cerca de um minuto.

   

5. Depois que o processo tiver sido executado com êxito, selecione Implantar serviço Web na parte inferior da página.

   

6. Para validar que o modelo de análise de sentimento está pronto para uso, selecione o botão Testar. Forneça entrada de texto, como "Eu amo a Microsoft".

   

   Se o teste funcionar, você verá um resultado semelhante ao exemplo a seguir:

   

7. Na coluna Aplicativos, selecione o link Excel 2010 ou pasta de trabalho anterior para baixar uma pasta de trabalho do Excel. A pasta de trabalho contém a chave de API e a URL de que você precisará mais tarde para configurar o trabalho do Stream Analytics.

   

Criar um trabalho do Stream Analytics que usa o modelo do Estúdio (clássico)

Agora você pode criar um trabalho do Stream Analytics que leia os tweets de exemplo do arquivo CSV no armazenamento de blobs.

Criar o trabalho

Acesse o portal do Azure e crie um trabalho do Stream Analytics. Se você não estiver familiarizado com esse processo, confira Criar um trabalho do Stream Analytics usando o portal do Azure.

Configurar a entrada do trabalho

O trabalho obtém sua entrada do arquivo CSV que você carregou anteriormente para o armazenamento de blobs.

1. Navegue até o trabalho do Stream Analytics. Em Topologia do Trabalho, selecione a opção Entradas. Selecione Adicionar Entrada de Fluxo>Armazenamento de Blobs.

2. Preencha os detalhes de Armazenamento de Blobs com estes valores:

   Campo	Valor
   Alias de entrada	Dê um nome à sua entrada. Lembre-se desse alias ao escrever sua consulta.
   Subscription	Selecione sua assinatura.
   Conta de armazenamento	Escolha a conta de armazenamento criada na etapa anterior.
   Contêiner	Selecione o contêiner que você criou na etapa anterior.
   Formato de serialização do evento	CSV

3. Selecione Salvar.

Configurar a saída do trabalho

O trabalho envia resultados para o mesmo armazenamento de blobs do qual ele obtém a entrada.

1. Navegue até o trabalho do Stream Analytics. Em Topologia do Trabalho, selecione a opção Saídas. Selecione Adicionar>Armazenamento de Blobs.

2. Preencha o formulário Armazenamento de Blobs com estes valores:

   Campo	Valor
   Alias de entrada	Dê um nome à sua entrada. Lembre-se desse alias ao escrever sua consulta.
   Subscription	Selecione sua assinatura.
   Conta de armazenamento	Escolha a conta de armazenamento criada na etapa anterior.
   Contêiner	Selecione o contêiner que você criou na etapa anterior.
   Formato de serialização do evento	CSV

3. Selecione Salvar.

Adicionar a função Estúdio (clássico)

Anteriormente, você publicou um modelo de Estúdio (clássico) em um serviço Web. Nesse cenário, quando o trabalho de Stream Analysis é executado, ele envia cada tweet de exemplo da entrada para o serviço Web para análise de sentimento. O serviço Web do Estúdio (clássico) retorna um sentimento (positive, neutral ou negative) e uma probabilidade de o tweet ser positivo.

Nesta seção, você define uma função no trabalho do Stream Analysis. A função pode ser invocada para enviar um tweet ao serviço Web e retornar a resposta.

1. Verifique se que você tem a URL do serviço Web e a chave de API baixada anteriormente na pasta de trabalho do Excel.

2. Navegue até o trabalho do Stream Analytics. Em seguida, selecione Funções>+ Adicionar>Estúdio do Azure ML

3. Preencha o formulário Função do Azure Machine Learning com estes valores:

   Campo	Valor
   Alias da função	Use o nome sentiment e selecione a opção Fornecer as configurações de função do Azure Machine Learning manualmente, que oferece uma opção para inserir a URL e a chave.
   URL	Cole a URL do serviço Web.
   Chave	Cole a chave de API.

4. Selecione Salvar.

Criar uma consulta para transformar os dados

O Stream Analytics usa uma consulta declarativa baseada em SQL para examinar a entrada e processá-la. Nesta seção, você cria uma consulta que lê cada tweet da entrada e, em seguida, invoca a função de Estúdio (clássico) para executar a análise de sentimento. A consulta então envia o resultado para a saída definida (armazenamento de blobs).

1. Retorne para a visão geral do trabalho do Stream Analytics.

2. Em Topologia do trabalho, selecione Consulta.

3. Insira a consulta a seguir:

   WITH sentiment AS (  
   SELECT text, sentiment1(text) as result 
   FROM <input>  
   )  
   
   SELECT text, result.[Score]  
   INTO <output>
   FROM sentiment  
   

   A consulta invoca a função que você criou anteriormente (sentiment) para executar a análise de sentimento em cada tweet na entrada.

4. Selecione Salvar para salvar a consulta.

Iniciar o trabalho do Stream Analytics e verificar a saída

Agora você pode iniciar o trabalho do Stream Analytics.

Iniciar o trabalho

1. Retorne para a visão geral do trabalho do Stream Analytics.

2. Na parte superior da página, selecione Iniciar.

3. Em Iniciar trabalho, selecione Personalizado e, em seguida, selecione um dia antes de quando você carregou o arquivo CSV para o armazenamento de blobs. Quando terminar, selecione Iniciar.

Verifique a saída

1. Deixe o trabalho ser executado por alguns minutos até ver a atividade na caixa Monitoramento.

2. Se você tiver uma ferramenta que use normalmente para examinar o conteúdo do armazenamento de blobs, use essa ferramenta para examinar o contêiner. Como alternativa, siga estas etapas no portal do Azure:

   1. No portal do Azure, localize a conta de armazenamento e, dentro da conta, localize o contêiner. Você ver dois arquivos no contêiner: o arquivo que contém os tweets de exemplo e um arquivo CSV gerado pelo trabalho do Stream Analytics.
   2. Clique com o botão direito do mouse no arquivo gerado e, em seguida, selecione Baixar.

3. Abra o arquivo CSV gerado. Você verá algo parecido com o exemplo a seguir:

   

Métricas de exibição

Você também pode exibir as métricas relacionadas à função do Estúdio (clássico). As métricas a seguir relacionados à função são exibidas na caixa Monitoramento da visão geral do trabalho:

• Solicitações de Função indica o número de solicitações enviadas a um serviço Web do Estúdio (clássico).
• Eventos de função indica o número de eventos na solicitação. Por padrão, cada solicitação para um serviço Web do Estúdio (clássico) contém até mil eventos.

Próximas etapas

• Introdução ao Stream Analytics do Azure
• Referência de Linguagem de Consulta do Stream Analytics do Azure
• Integrar a API REST e o Estúdio do Machine Learning (clássico)
• Referência da API REST do Gerenciamento do Azure Stream Analytics