在这篇博文中，我们探讨了大型语言模型 (LLM) 如何从客户反馈中提取有价值的见解。通过分析反馈，企业可以做出以客户为中心的决策，最终提高满意度。这篇文章重点介绍了与一家领先零售商的合作中收集到的见解，其中 LLM 用于从购物者反馈中提取信息。我们深入研究了如何提取主题、情绪和竞争对手比较，以及如何从 LLM 中设计有效的提示以获得最佳结果。
问题
组织采用各种策略来提高客户满意度。收集客户反馈并对其进行分析以解决问题是这些做法中的常见做法。但是，手动审查大量反馈可能非常耗时，尤其是当每天收到数以万计的反馈时。传统的 NLP 模型被 人力资源总监电子邮件列表 发现无效，尤其是在处理大量评论时。在这篇文章中，我们提供了一种使用 LLM 从反馈中生成可操作见解的方法，以改进零售商的产品和服务，从而帮助企业保持领先于竞争对手。
客观的
提示工程是一种开发和优化提示的实践，以便有效地将大型语言模型用于各种应用。本博客的主要目的是引导您完成使用迭代方法制作有效提示并对其进行改进以获得所需输出的过程。我们将讨论如何设计提示以从购物者对零售店的反馈中提取主题、情绪和竞争对手比较。本文还将简要介绍一种主要使用带有 GPT 模型的 Azure OpenAI 的高级架构。虽然我们在本博客中讨论的架构与从购物者对实体店购物体验的评论中生成洞察有关，但它可以应用于任何接收客户反馈以了解情绪并根据这些情绪采取行动以改进产品和服务的行业。
建筑学
高级架构如下所示。客户（购物者）的反馈可从数据源获得。可以构建数据管道以从数据存储中提取数据，以进行任何数据处理活动，例如数据清理和数据丰富，然后再利用大型语言模型从反馈中生成见解。主题提取和情绪生成器模块负责调用 OpenAI 从每个评论中生成主题。对于每个主题，OpenAI 还会生成适当的情绪和竞争对手比较。我们不会在本博客中介绍详细的架构，因为本博客的主要目的是通过最大限度地减少 LLM 的幻觉来设计从反馈中生成所需见解的提示。