AI สามารถแก้ปัญหา COBOL Challenge ได้หรือไม่?

AI สามารถแก้ปัญหา COBOL Challenge ได้หรือไม่?

เว็บไซต์

COBOLหรือที่รู้จักกันในชื่อภาษาเชิงธุรกิจทั่วไป ดูเหมือนจะกลับมาอีกครั้ง แต่ความจริงมันไม่เคยหายไป
ภาษาโคบอลไม่ใช่ภาษาที่รู้จักกันดีในหมู่นักพัฒนาสมัยใหม่ และมีมหาวิทยาลัยเพียงไม่กี่แห่งที่ยังคงสอนภาษานี้ในหลักสูตรวิทยาการคอมพิวเตอร์แต่ภาษาโปรแกรมที่มีอายุมากกว่า 60 ปีกำลังกลายเป็นหนึ่งในทักษะที่เป็นที่ต้องการมากที่สุดอย่างรวดเร็วสำหรับนักพัฒนาซอฟต์แวร์ในอนาคต

การออกแบบเว็บไซต์

ตัวอย่างเช่น ในช่วงเริ่มต้นของการระบาดใหญ่ ระบบของรัฐมีปัญหาในการจัดการกับผลประโยชน์การว่างงานเนื่องจากซอฟต์แวร์ที่ล้าสมัย พลัสระบบเมนเฟรมมรดกยังคงใช้โดย71 เปอร์เซ็นต์ของ Fortune 500 บริษัท และร้อยละ 92 ของร้านค้าปลีกที่ใหญ่ที่สุด 25 ในสหรัฐอเมริกาและทั่วโลกที่พวกเขากำลังใช้โดยร้อยละ 96 ของ 100 ธนาคารที่ใหญ่ที่สุดและร้อยละ 90 ของ10 บริษัท ประกันภัยที่ใหญ่ที่สุด.
ด้วยเหตุนี้องค์กรจำนวนมากจึงพยายามค้นหาและฝึกอบรมโปรแกรมเมอร์ภาษาโคบอลมากขึ้นเพื่อบำรุงรักษา สนับสนุน และพยายามปรับปรุงระบบของตนให้ทันสมัย
โคบอลคืออะไร?
COBOL ซึ่งย่อมาจาก Common Business-Oriented Language เป็นภาษาการเขียนโปรแกรมที่พัฒนาขึ้นในปี 1959 ซึ่งไม่เป็นที่รู้จักกันดีในหมู่นักพัฒนาสมัยใหม่อีกต่อไป ทำให้หลายบริษัทต้องดิ้นรนเพื่อค้นหาและฝึกอบรมโปรแกรมเมอร์ภาษาโคบอลมากขึ้น
ความท้าทายของโคบอล
เนื่องจากนักพัฒนาที่มีทักษะภาษาโคบอล์จะเกษียณหรือเดินหน้าต่อไป บางองค์กรพยายามแก้ปัญหาด้วยการสร้าง (หรือรอบๆ) โค้ดที่มีอยู่หรือย้ายโค้ดไปยังแพลตฟอร์มอื่น น่าเสียดายที่วิธีแก้ปัญหาสายตาสั้นเหล่านี้มักส่งผลให้แอปพลิเคชันยุ่งยากซึ่งเป็นไปไม่ได้สำหรับนักพัฒนาที่เชี่ยวชาญที่สุดที่จะเข้าใจหรือในระบบที่หยุดทำงานเมื่อถูกย้ายโดยเครื่องบิน
ด้วยจำนวนนักพัฒนาที่ลดน้อยลงที่สามารถเข้าใจภาษาโคบอลได้ชุมชนเมนเฟรมและองค์กรที่ใช้ภาษาโคบอลจึงลงทุนเวลาและพลังงานจำนวนมากในการจ้างคนหนุ่มสาวออกจากวิทยาลัย สอนวิธีเขียนภาษาโคบอลให้พวกเขาแล้วนำไปเป็นแนวหน้าเพื่อเปลี่ยนแปลง ระบบองค์กร
แต่ความท้าทายของภาษาโคบอลไม่ได้เป็นเพียงการขาดแคลนทักษะเท่านั้น การทำความเข้าใจวิธีเขียนภาษา COBOL นั้นไม่เพียงพอ — นักพัฒนาซอฟต์แวร์ต้องเข้าใจว่าแอปพลิเคชันทำอะไรจริง ๆ และการเปลี่ยนแปลงโค้ดจะส่งผลต่อระบบโดยรวมอย่างไรเพื่อหลีกเลี่ยงความผิดพลาดที่สำคัญ
สิ่งนี้เกี่ยวข้องกับการทำให้โปรแกรมเมอร์ใหม่อ่านโค้ดหลายล้านบรรทัดในระบบ และใช้เครื่องมือวิเคราะห์แบบสถิตและไดนามิกที่วาดภาพเป็นหลักเพื่อแสดงสิ่งที่โค้ดทำ หรือบางครั้ง ก็ต้องทำงานร่วมกับผู้เชี่ยวชาญเฉพาะด้านที่ยังพร้อมตอบคำถามเกี่ยวกับขอบเขตของโค้ดที่เป็นปัญหา น่าเสียดายที่แนวทางการถ่ายทอดความรู้จึงทำให้พื้นที่ปัญหาผิดเพี้ยนไป
นั่นคือสิ่งที่AI เข้ามา แต่แนวทางร่วมสมัยที่เป็นที่นิยมสำหรับ AI จะไม่เพียงพอในการแก้ปัญหา
AI ในการกู้ภัย
ตั้งแต่การรวบรวมความต้องการไปจนถึงการทดสอบอัตโนมัติและการแก้ไขปัญหา AI ร่วมสมัยสามารถช่วยในการพัฒนาซอฟต์แวร์ได้ และในขณะที่เครื่องมือ AI ที่ทันสมัยบางอย่างสามารถช่วยในไวยากรณ์ของการเขียนโค้ดได้ — ลองนึกถึงฟีเจอร์Smart Compose ของ Gmail ซึ่งขับเคลื่อนโดยการเรียนรู้ของเครื่องเพื่อให้คำแนะนำในขณะที่คุณพิมพ์ — การแก้ไขดังกล่าวจะให้ค่าที่เพิ่มขึ้นเท่านั้น
วันนี้ นักพัฒนาใช้เวลาประมาณ75 เปอร์เซ็นต์ของเวลาของพวกเขาในขั้นตอนแรก: พยายามค้นหาพื้นที่ในซอร์สโค้ดที่พวกเขาจำเป็นต้องทำการเปลี่ยนแปลง การทำความเข้าใจโค้ดในระบบที่ซับซ้อนเหล่านี้ต้องใช้เวลานานสำหรับนักพัฒนารายใหม่ เนื่องจากระบบอาจใช้งานไม่ได้ ไม่ได้รับการจัดทำเป็นเอกสาร จัดระเบียบหรือมีโครงสร้างที่ดี หรือฟังก์ชันการทำงานมีการกระจายอย่างมากมาย
แม้ว่าเครื่องมือวิเคราะห์แบบสถิตและไดนามิกจะแสดงให้เห็นสิ่งที่โค้ดทำ แต่ก็มีข้อจำกัดเนื่องจากคุณต้องรู้ว่าจะดูที่ใดก่อน F หรือตัวอย่าง ตัวแปรสามารถมีชื่อที่ไม่มีความหมายหรืออักขระต่างกันได้ ดังนั้น นักพัฒนาจึงอาจไม่รู้ด้วยซ้ำว่าต้องค้นหาอะไร
โชคดีที่การใช้แนวทางแบบเก่ากับ AI และนำไปใช้กับขอบเขตที่แตกต่างกันของปัญหาสามารถประหยัดเวลาของนักพัฒนาในการค้นหาโค้ดโดยทำให้กระบวนการระบุรหัสที่ต้องการความสนใจเป็นไปโดยอัตโนมัติ ไม่ว่ามันจะกระจายออกไปแค่ไหนก็ตาม เหมือนกับที่เครื่องมือ AI ในปัจจุบันไม่สามารถเข้าใจหนังสือในแบบที่มนุษย์เข้าใจได้ นักพัฒนาที่เป็นมนุษย์พยายามทำความเข้าใจความตั้งใจของนักพัฒนาซอฟต์แวร์คนก่อนๆ ที่เข้ารหัสไว้ในซอฟต์แวร์
ด้วยการอธิบายพฤติกรรมที่ต้องเปลี่ยนเป็นเครื่องมือ AI นักพัฒนาจึงไม่ต้องทำงานหนักในการค้นหาและทำความเข้าใจโค้ดเพื่อไปยังบรรทัดเฉพาะที่ใช้พฤติกรรมนั้น แต่นักพัฒนาได้อย่างรวดเร็วและมีประสิทธิภาพสามารถพบข้อบกพร่องที่อาจเกิดขึ้น แทนที่จะต้องจัดการกับโค้ดจำนวนมากและใช้เวลาหลายสัปดาห์ในการค้นหาฟังก์ชันการทำงาน นักพัฒนาสามารถทำงานร่วมกับเครื่องมือ AI เพื่อเข้าถึงโค้ดที่ต้องการทำงานได้อย่างรวดเร็ว
แนวทางนี้ต้องการ AI แบบอื่น ซึ่งไม่ได้เน้นที่การช่วยเหลือนักพัฒนาด้วยไวยากรณ์ ในทางกลับกัน AI ที่เน้นการทำความเข้าใจจุดประสงค์ของโค้ดนั้นสามารถ “จินตนาการใหม่” ว่าการคำนวณแสดงถึงแนวคิดใด ดังนั้นจึงทำในสิ่งที่นักพัฒนาซอฟต์แวร์ทำเมื่อเขียนโค้ด — แต่ด้วยความเร็วของเครื่อง
ซึ่งช่วยปรับปรุงความเร็วได้อย่างมาก โดยสามารถระบุฟังก์ชันการทำงานที่ต้องเปลี่ยนได้โดยไม่ต้องมีความเชี่ยวชาญเฉพาะด้าน ตัวอย่างเช่นโค้ดที่ควบคุมและจัดการข้อมูลโดยรอบการตรวจสอบสิ่งเร้าในระบบเมนเฟรมของ Internal Revenue Service สามารถระบุได้อย่างรวดเร็วและแม่นยำโดยใช้ AI และเปลี่ยนแปลงด้วยความมั่นใจ
จากแนวคิดสู่โซลูชั่นสร้างสรรค์
การพัฒนาซอฟต์แวร์และการเขียนโค้ดนั้นเป็นกระบวนการที่สร้างสรรค์ เช่นเดียวกับการเขียนย่อหน้า นักพัฒนาซอฟต์แวร์มีส่วนร่วมในกิจกรรมการเรียนรู้เพื่อรวบรวมการสะท้อนแนวคิดของสิ่งที่พวกเขาพยายามสร้าง
ดังนั้น ความคิดสร้างสรรค์จึงจำเป็นในการสร้างชุดอัลกอริธึมและคำสั่งที่ถูกต้องซึ่งบอกคอมพิวเตอร์ว่าต้องทำอะไรและต้องทำอย่างไร ความคิดสร้างสรรค์นั้น รวมกับความรู้เฉพาะด้านของอุตสาหกรรมและสถาบัน หมายความว่าในปัจจุบัน AI ไม่สามารถรวมความรู้ทั่วไปของโลกธุรกิจเข้ากับความเชี่ยวชาญเฉพาะด้านของนักพัฒนาภาษาโคบอล
อย่างไรก็ตาม AI สามารถลดความพยายามความรู้ความเข้าใจลำบากที่จะต้องมีความมั่นใจที่เข้าใจในรหัสที่จะทำให้เกิดการเปลี่ยนแปลง สิ่งนี้ทำให้นักพัฒนาสามารถใช้ความคิดสร้างสรรค์ — แทนที่จะเป็นกำลังเดรัจฉาน — เมื่อเขียนโค้ด ท้ายที่สุดแล้วจะเร่งประสิทธิภาพการพัฒนาและทำให้งานของพวกเขาสนุกและน่าพอใจมากขึ้นในกระบวนการ
การค้นหาว่าผู้คนคิดอย่างไรเกี่ยวกับผลิตภัณฑ์นั้นง่ายกว่าที่เป็นอยู่ในปัจจุบัน ผู้ใช้บนแพลตฟอร์มโซเชียลมีเดีย เช่น Twitter และ Facebook ให้ข้อมูลมากมายที่บริษัทต่างๆ สามารถใช้เพื่อกำหนดความคิดเห็นของประชาชนเกี่ยวกับผลิตภัณฑ์ของตน Twitter เป็นแพลตฟอร์มที่ดีเป็นพิเศษในการรับข้อมูลนี้ เนื่องจากผู้คนมักแบ่งปันความคิดเห็นในหัวข้อและอุตสาหกรรมที่หลากหลาย เมื่อรวบรวมข้อมูลนี้ บริษัทต่างๆ สามารถทำการวิเคราะห์ความรู้สึกเพื่อตัดสินใจเกี่ยวกับวิธีการปรับปรุงผลิตภัณฑ์และบริการของตน
การวิเคราะห์ความรู้สึกเป็นงานที่ใช้ AI เป็นหลักซึ่งใช้การประมวลผลภาษาธรรมชาติเพื่อทำความเข้าใจความรู้สึก อารมณ์ หรือน้ำเสียงที่แสดงออกในข้อความ มีแอพพลิเคชั่นหลากหลายรวมถึงการทำนายตลาดหุ้น การวิเคราะห์ผลิตภัณฑ์ การติดตามโซเชียลมีเดีย และอื่นๆ อีกมากมาย

เว็บแอพพลิเคชั่น

การรวบรวมข้อมูลข้อความจาก Twitter โดยใช้ Python นั้นค่อนข้างตรงไปตรงมาด้วยตัวห่อหุ้ม Twitter ที่เรียกว่า Tweepy เมื่อสร้างบัญชีนักพัฒนาผู้ใช้ ผู้ใช้ Twitter สามารถดึงข้อมูล เช่น ทวีตของตนเอง ทวีตของผู้ติดตาม/ผู้ใช้ที่ติดตาม และทวีตอื่นๆ ที่เปิดเผยต่อสาธารณะ เมื่อคุณทำเสร็จแล้ว TextBlob ไลบรารีความรู้สึกข้อความของ Python จะช่วยให้คุณสร้างคะแนนความเชื่อมั่นจากทวีตเหล่านี้ได้อย่างง่ายดาย
การประยุกต์ใช้การวิเคราะห์ความเชื่อมั่นที่น่าสนใจคือการพิจารณาทวีตที่เกี่ยวข้องกับวัคซีนโควิดที่ผลิตโดยไฟเซอร์ โมเดอร์นา และจอห์นสัน แอนด์ จอห์นสัน เราสามารถวิเคราะห์อย่างง่ายเพื่อเปรียบเทียบความรู้สึกเชิงลบของแบรนด์ทั้งสามนี้
การวิเคราะห์ความเชื่อมั่น
การวิเคราะห์ความรู้สึกเป็นงานที่ใช้ AI เป็นหลักซึ่งใช้การประมวลผลภาษาธรรมชาติเพื่อทำความเข้าใจความรู้สึก อารมณ์ หรือน้ำเสียงที่แสดงออกในข้อความ มีแอพพลิเคชั่นหลากหลายรวมถึงการทำนายตลาดหุ้น การวิเคราะห์ผลิตภัณฑ์ การติดตามโซเชียลมีเดีย และอื่นๆ อีกมากมาย
การสร้างแอปพลิเคชัน Twitter
ในการเริ่มต้นใช้งาน Tweepy สิ่งแรกที่คุณต้องทำคือสร้างบัญชี Twitter หากคุณยังไม่มี เมื่อคุณได้ตั้งค่าบัญชีของคุณจะต้องใช้สำหรับบัญชีนักพัฒนาซอฟต์แวร์ผู้ใช้ซึ่งคุณสามารถทำที่นี่ คุณควรเห็นหน้าต่อไปนี้:
เมื่อคุณกรอกใบสมัครและได้รับการอนุมัติแล้ว คุณต้องสร้างแอปพลิเคชัน Twitter ขั้นตอนในการทำเช่นนั้นมีการระบุไว้ที่นี่
เมื่อคุณสร้างแอปพลิเคชันแล้ว คุณควรได้สร้างคีย์ผู้บริโภคและโทเค็นการเข้าถึง นี่คือชุดตัวเลขและตัวอักษรแบบสุ่มที่คุณจะใช้เพื่อให้ Twitter ตรวจสอบคำขอทวีตของคุณ โดยไม่ต้องใช้ชื่อผู้ใช้และรหัสผ่านของ Twitter เก็บไว้เป็นความลับ คุณสามารถค้นหาขั้นตอนสำหรับการเข้าถึงปุ่มและโทเค็นของคุณที่นี่ คุณควรเห็นหน้าต่อไปนี้:
กำลังตรวจสอบสิทธิ์การเข้าถึง Twitter
สิ่งต่อไปที่คุณต้องทำคือติดตั้งแพ็คเกจ Tweepy ในบรรทัดคำสั่ง คุณสามารถเรียกใช้คำสั่งต่อไปนี้สำหรับการติดตั้ง:
ถัดไป เปิดสคริปต์ Python และนำเข้าแพ็คเกจสองสามตัวที่จะเป็นประโยชน์ตลอดบทช่วยสอน แพ็คเกจ Tweepy จะดึงทวีต TextBlob จะทำการวิเคราะห์ความรู้สึก ห้องสมุด Pandas จะจัดเก็บผลลัพธ์ใน data frame และ Seaborn และ Matplotlib จะอนุญาตให้แสดงข้อมูล:
ถัดไป เก็บคีย์และโทเค็นของคุณในตัวแปร โปรดทราบว่าที่นี่ฉันใช้กุญแจและโทเค็นปลอม คุณควรใช้คีย์และโทเค็นจริงของคุณ อย่างไรก็ตาม:
ขณะนี้การเข้าถึงของคุณได้รับการตรวจสอบสิทธิ์แล้ว คุณสามารถกำหนดอินสแตนซ์ที่ตรวจสอบความถูกต้องของวัตถุ Tweepy ได้ โดยการส่งผ่านอ็อบเจ็กต์ auth ไปยังเมธอด API ของอ็อบเจ็กต์ Tweepy คุณควรจะสามารถเข้าถึงทวีตได้:

Web​ application

ดึงทวีตโดยใช้ Tweepy
ตอนนี้คุณอยู่ในเกณฑ์ดีแล้วที่จะเริ่มดึงทวีต ในการทำเช่นนั้น คุณจะต้องใช้วิธีเคอร์เซอร์ของวัตถุ Tweepy คุณต้องส่งพารามิเตอร์ api.search (เพื่อระบุว่าคุณกำลังค้นหาด้วยคีย์เวิร์ด) คีย์เวิร์ดสตริงและจำนวนผลลัพธ์ที่คุณต้องการดึง
วนซ้ำวัตถุที่วิธีการเคอร์เซอร์ส่งคืนและแสดงผลโดยใช้คำสั่งพิมพ์ ดึงผลลัพธ์ 1,000 รายการสำหรับคำหลัก “Pfizer” และจำกัดผลลัพธ์ไว้ที่ทวีตเป็นภาษาอังกฤษและลบรีทวีตออก (ภาพหน้าจอที่ตัดทอนของผลลัพธ์จะปรากฏด้านล่าง):
แม้ว่าผลลัพธ์นี้จะมีข้อมูลที่เป็นประโยชน์ แต่ก็มีรายละเอียดมากมายที่คุณจะไม่ได้ใช้ หากต้องการดึงเฉพาะข้อความทวีต คุณสามารถใช้แอตทริบิวต์ข้อความของวัตถุทวีตแต่ละรายการได้:
คุณยังสามารถใช้แอตทริบิวต์ created_at และ user.name เพื่อเข้าถึงวันที่และเวลาของทวีตและชื่อผู้ใช้ตามลำดับ:
ถัดไป เริ่มต้นรายการที่จะเก็บค่าสำหรับวันที่ ชื่อผู้ใช้ และทวีต จากนั้นผนวกค่าลงในแต่ละรายการ:
สุดท้าย เก็บตรรกะนี้ไว้ในฟังก์ชันที่ใช้คีย์เวิร์ดเป็นอินพุตและส่งคืนกรอบข้อมูลของทวีต วันที่ และชื่อผู้ใช้ จากนั้นคุณสามารถเขียน dataframe นั้นไปยังไฟล์ csv โดยใช้วิธี Pandas to_csv:
การวิเคราะห์ความเชื่อมั่นของทวีต
แพ็คเกจ Python TextBlob จะสร้างคะแนนความเชื่อมั่นจากข้อความนี้ เป็นแพ็คเกจที่ยอดเยี่ยมสำหรับนักวิทยาศาสตร์ด้านข้อมูลที่เพิ่งเริ่มต้นการประมวลผลภาษาธรรมชาติและการวิเคราะห์ความรู้สึก คุณสามารถสร้างคะแนนความเชื่อมั่นด้วยรหัสสองสามบรรทัด ทำให้แพ็คเกจใช้งานง่าย ยิ่งไปกว่านั้น TextBlob ไม่ต้องการความเข้าใจเชิงลึกเกี่ยวกับคณิตศาสตร์เบื้องหลังการสร้างคะแนนเหล่านี้ คุณจึงสามารถเริ่มต้นได้อย่างง่ายดาย ติดตั้งแพ็คเกจโดยรันคำสั่งต่อไปนี้ในบรรทัดคำสั่ง:
TextBlob มีวิธีการที่เรียกว่า Sentiment.polarity ซึ่งสร้างคะแนนความเชื่อมั่นจากค่าลบหนึ่งไปเป็นค่าบวก ค่าลบสอดคล้องกับอารมณ์เชิงลบ ค่าบวกสอดคล้องกับอารมณ์เชิงบวก และค่าศูนย์จะเป็นกลาง
เราสามารถใช้วิธี Sentiment.polarity จากวัตถุ TextBlob กับคอลัมน์ทวีตในกรอบข้อมูลของเราและเก็บผลลัพธ์ไว้ในคอลัมน์ใหม่ที่เรียกว่าความรู้สึก:
ทั้งสามแบรนด์มีทวีตเกี่ยวกับความรู้สึกเชิงบวกมากกว่าเชิงลบ โมเดอร์นามีทัศนคติเชิงลบ 43 เปอร์เซ็นต์ ไฟเซอร์มีความคิดเห็นเชิงลบ 28.8 เปอร์เซ็นต์ และจอห์นสันและจอห์นสันมีความคิดเห็นเชิงลบ 28.5 เปอร์เซ็นต์
ฉันจะเน้นว่าผลลัพธ์เหล่านี้ยังไม่เป็นที่แน่ชัด เนื่องจากได้มาจากกลุ่มตัวอย่างที่มีขนาดค่อนข้างเล็ก คอลเลกชันของทวีตที่ใหญ่ขึ้นสำหรับแต่ละแบรนด์จะสร้างผลลัพธ์ที่มีนัยสำคัญทางสถิติมากขึ้นอย่างแน่นอน กล่าวคือ เราต้องเพิ่มขนาดกลุ่มตัวอย่างเพื่อรับประกันว่าผลลัพธ์เหล่านี้ไม่ได้เกิดจากความบังเอิญ ถึงกระนั้น เราสามารถเริ่มเข้าใจทัศนคติผ่านการวิเคราะห์นี้
เริ่มวิเคราะห์วันนี้
ตอนนี้คุณมีทักษะในการเริ่มวิเคราะห์ความรู้สึกแล้ว คุณสามารถติดตามและปรับปรุงผลลัพธ์ของคุณต่อไปได้ในขณะที่ทัศนคติต่อวัคซีนพัฒนาขึ้น การวิเคราะห์ที่น่าสนใจคือการรวบรวมทวีตในช่วงหลายวัน หลายสัปดาห์ หรือหลายเดือน เพื่อดูว่าอารมณ์เปลี่ยนแปลงไปอย่างไรเมื่อเวลาผ่านไป
การวิเคราะห์ความรู้สึกเป็นวิธีที่มีประโยชน์ในการดึงข้อมูลที่มีความหมายเกี่ยวกับอารมณ์และน้ำเสียงในข้อความ แม้ว่าในส่วนนี้เราจะพิจารณาเฉพาะคำหลักที่เกี่ยวข้องกับวัคซีนโควิด แต่วิธีการที่ระบุไว้ในที่นี้สามารถนำไปใช้กับอุตสาหกรรมทุกประเภทที่ความคิดเห็นของผู้บริโภคมีคุณค่า ตัวอย่างเช่น ใครก็ตามที่สนใจในการวิเคราะห์ตลาดหุ้นสามารถดึงทวีตเกี่ยวกับหุ้นของเทสลาได้อย่างง่ายดาย แล้วสร้างคะแนนความเชื่อมั่น คะแนนเหล่านี้สามารถใช้เป็นข้อมูลสำหรับแบบจำลองทางสถิติที่ทำนายทิศทางของราคาหุ้นได้
แพ็คเกจ Tweepy ช่วยให้ผู้ใช้ Twitter ที่มีความชำนาญด้าน Python สามารถดึงข้อความเกี่ยวกับหัวข้อที่น่าสนใจได้อย่างง่ายดาย ข้อมูลนี้สามารถจัดโครงสร้างได้อย่างง่ายดายในกรอบข้อมูลและเก็บไว้ใช้ในภายหลัง นอกจากนี้ แพ็คเกจ TextBlob ยังให้ผู้ใช้ทำการวิเคราะห์ความรู้สึกบนข้อความได้อย่างรวดเร็ว ไม่ว่าจะเป็นทวีตหรืออย่างอื่น โดยไม่ต้องมีความรู้เกี่ยวกับการประมวลผลภาษาที่เป็นธรรมชาติมากนัก วิธีอื่นๆ ในการสร้างคะแนนความเชื่อมั่นนั้นเกี่ยวข้องกับคณิตศาสตร์อย่างมาก และมักจะไม่สามารถเข้าถึงได้สำหรับผู้ที่ไม่คุ้นเคยกับวิธี NLP

Robot Auto process

การรวมกันของแพ็คเกจ Tweepy และ TextBlob ช่วยให้นักพัฒนา python ที่เพิ่งเริ่มต้นการประมวลผลภาษาธรรมชาติสามารถดึงข้อมูลเชิงลึกจากข้อความในลักษณะที่รวดเร็วและเข้าใจง่าย นอกเหนือจากการวิเคราะห์ที่เราทำแล้ว ผู้ใช้สามารถทำการวิเคราะห์ความคิดเห็นระดับรัฐของคำหลักแต่ละคำเหล่านี้ การวิเคราะห์เหล่านี้สามารถเปิดเผยอคติทางอารมณ์ที่น่าสนใจในระดับรัฐได้หากมีอยู่
นอกจากนี้ ผู้ใช้สามารถรวบรวมข้อมูลสำหรับคำหลักในช่วงเวลาหนึ่งและวิเคราะห์ว่าอารมณ์เปลี่ยนแปลงไปอย่างไรเมื่อเวลาผ่านไป ปัญหาที่น่าสนใจมากมายสามารถกำหนดกรอบและแก้ไขได้โดยใช้เครื่องมือเหล่านี้ Tweepy และ TextBlob เป็นสิ่งล้ำค่าสำหรับนักวิทยาศาสตร์ด้านข้อมูลที่ต้องเปียกด้วยการประมวลผลภาษาธรรมชาติและการวิเคราะห์ข้อความ