Automatisk etikettering

Automatisk etikettering med regler ni skriver själva

Beskriv i vanlig text vad som ska märkas. AI:n sätter etiketten på varje omnämnande som matchar.

Se era egna regler märka omnämnanden på riktigt

Slipp märka för hand: skriv regeln med egna ord och se AI:n tillämpa den på era omnämnanden.

Testa gratis

Skriv regeln som ni skulle säga den

Med automatisk etikettering formulerar ni en regel med vanligt språk. Till exempel: "Märk när någon uttrycker direkt kritik mot vårt varumärke." Sedan går AI:n igenom varje inkommande omnämnande och avgör om etiketten ska sättas eller utelämnas.

Det ersätter komplicerade filterregler. Ni behöver inte tänka i kod, utan i det ni redan vet: vad som är viktigt för ert team. Det fungerar på samma sätt för sponsringsmarkeringar eller andra situationer ni vill hålla koll på. Regeln skrivs en gång och gäller sedan alla nya träffar i era poddar, radio och övriga ljudmedier.

Därför blir etiketten rätt

En regel i klartext är bara värd något om förståelsen håller. Tonars AI-modeller är tränade på nordiska språk, dialekter och verkliga sändningar, och de läser hela samtalet, inte enstaka ord. Det är skillnaden mellan en träff som nämner ert varumärke och en träff där någon faktiskt kritiserar det.

Modellerna tolkar namn, varumärken och förkortningar i sitt sammanhang, så SCB och SEB blandas inte ihop. Underlaget kommer från transkriptioner med en ordfelsfrekvens på 3 procent, och sentimentet analyseras på entitetsnivå utifrån tonen. Det ger etiketter ni kan lita på i en riktig analys.

Vad teamet får tillbaka

Morgonen går inte längre åt till att sortera. Omnämnandena kommer redan märkta, så teamet kan börja med det som är viktigt: kritik som växer, konkurrenters rörelser, sponsrat innehåll som ska redovisas.

Reglerna tillämpas på samma sätt hela tiden, oavsett vem som har pass eller hur många träffar som kommer in. Det gör bevakningen jämnare och rapporteringen till ledningen enklare att stå för. Tiden ni sparar går till analys och beslut, inte till att föra in data. Vill ni gå vidare och lyssna på själva samtalet hittar ni det med sökning på naturligt språk.

Så sätter ni upp en regel i tre steg

  1. 1

    Formulera regeln i klartext

    Skriv vad etiketten ska fånga, med era egna ord. Exempel: "Märk när någon uttrycker direkt kritik mot vårt varumärke." Ingen kod och inga filterträd, bara en tydlig instruktion som en kollega skulle förstå.

  2. 2

    AI:n tillämpar etiketten på alla träffar

    Tonar tillämpar regeln på varje inkommande omnämnande. AI:n sätter eller utelämnar etiketten utifrån er instruktion och läser hela samtalet, byggt på transkriptioner som hanterar nordiska språk och namn.

  3. 3

    Granska, finjustera och lita på resultatet

    Titta på vilka träffar som fick etiketten och lyssna på samtalet med ett klick. Stämmer inte urvalet fullt ut kan ni skriva om regeln med tydligare ord. Då slipper ni bygga om något i efterhand.

Fördelar

Slut på manuell triagering

Ni slipper läsa och flagga omnämnande för omnämnande. AI:n märker varje träff som matchar regeln, så teamet börjar dagen med sorterat material.

Samma bedömning varje gång

En regel ger samma tolkning på morgonen som på kvällen, och oavsett vem i teamet som tittar. Det tar bort inkonsekvensen som uppstår när flera personer märker för hand.

Fångar det som annars drunknar

Kritik och andra viktiga träffar försvinner inte bland rutinmässiga omnämnanden. Eftersom varje inkommande träff bedöms mot regeln minskar risken att missa en tidig signal.

Tid till analys, inte datainmatning

Timmarna som gick åt till att sortera kan läggas på att förstå vad som händer och vad ni ska göra åt det. Regler skrivs i vanlig text, utan hjälp från utvecklare.

Tre regler som team skriver först

Kommunikationsteam som märker direkt varumärkeskritik

Ett kommunikationsteam på ett medelstort varumärke skriver regeln "Märk när någon uttrycker direkt kritik mot vårt varumärke." Därefter får varje träff som matchar etiketten automatiskt, och teamet ser en produktfråga växa i stället för att upptäcka den i efterhand. Eftersom sentimentet bedöms på entitetsnivå skiljer AI:n kritik mot varumärket från kritik som gäller något annat.

Team för sociala medier som flaggar sponsringsmarkeringar

Sponsringsmarkeringar tar tid att leta upp för hand. Teamet beskriver i klartext vad en sådan markering är, och etiketten sätts på varje träff som matchar. Rutinmaterialet är redan sorterat, så uppmärksamheten räcker till det som kräver ett beslut.

Konkurrensbevakning i ett avgränsat sammanhang

Ett konkurrensbevakningsteam vill inte ha alla omnämnanden av en konkurrent, bara de som rör ett visst ämne. De skriver regeln med den avgränsningen, och modellerna tolkar namn och förkortningar rätt med hjälp av entitetsigenkänning. Resultatet är en etikett för just det sammanhanget, utan brus från resten.

Automatisk etikettering: vanliga frågor

Låt reglerna göra sorteringen, så ni kan analysera

Berätta vilka omnämnanden ni märker för hand idag. Vi visar hur regeln skrivs i vanlig text och hur AI:n tillämpar den på era träffar.

Testa gratis

Utforska