Kendi yapay zekanızı yazın .Net ile metinden duygu analizi nasıl yapılır?

Bu kodda, önce MLContext ile ML.NET ortamımızı oluşturuyoruz ve CSV dosyamızdan verileri SentimentData sınıfına yüklüyoruz. Daha sonra pipeline ile etiketler sayısal değerlere çevriliyor, kullanıcı yorumları sayısal özellik vektörüne dönüştürülüyor ve SdcaMaximumEntropy algoritmasıyla çok sınıflı sınıflandırma yapılıyor. Son olarak modelin tahmin ettiği sayısal değerler tekrar okunabilir etiketlere çevriliyor ve eğitim tamamlanıyor. PredictionEngine sayesinde tek bir örnek üzerinden tahmin yapabiliyoruz; Predict metodu, kullanıcıdan gelen yorumu alıyor ve modeli kullanarak tahmin sonucunu olumlu, olumsuz veya nötr olarak döndürüyor.

Not olarak belirtmek gerekir ki, PredictionEngine thread-safe değildir. Bu nedenle yüksek trafikli bir Web API’de tek bir instance ile kullanmak riskli olabilir. Küçük ve deneme amaçlı projelerde sorun yaşanmayabilir; gerçek üretim senaryolarında ise PredictionEnginePool kullanmak, birden fazla thread’in güvenle tahmin yapmasını ve performansın korunmasını sağlayabilir.

Web API ile ML’i Açmak

Artık eğittiğimiz modeli dış dünyaya açabiliriz. Bunun için bir Web API controller oluşturuyoruz. SentimentController ile kullanıcıdan gelen yorumları alıyor ve SentimentService aracılığıyla tahmin yapıyoruz:

using Microsoft.AspNetCore.Mvc;
using MLSentimentAPI.Services;

[ApiController]
[Route("api/[controller]")]
public class SentimentController : ControllerBase
{
    private readonly SentimentService _sentimentService;

    public SentimentController(SentimentService sentimentService)
    {
        _sentimentService = sentimentService;
    }

    [HttpPost("predict")]
    public IActionResult Predict([FromBody] SentimentRequest request)
    {
        var prediction = _sentimentService.Predict(request.Text);

        return Ok(new
        {
            sonuc = prediction
        });
    }
}

public class SentimentRequest
{
    public string Text { get; set; }
}

Burada Predict endpoint’i bir POST isteği olarak tasarlandı ve body’den bir SentimentRequest nesnesi alıyor. Kullanıcının girdiği metin SentimentService tarafından işleniyor ve modelin tahmini olumlu, olumsuz veya nötr olarak JSON formatında döndürülüyor

{
  "text": "Bu ürünü çok sevdim"
}

API, SentimentService aracılığıyla tahmini gerçekleştiriyor ve sonucu JSON olarak geri döndürüyor:

{
  "sonuc": "olumlu"
}

Böylece modelimiz artık bir Web API üzerinden erişilebilir hâle geldi ve diğer uygulamalar veya istemciler tarafından kullanılabilir. Bu yapı, ML.NET ile eğitilen modelleri gerçek dünya senaryolarına entegre etmenin basit ve etkili bir yoludur.

Projeden Öğrenilenler ve Sonuç

ML.NET ile geliştirdiğimiz bu Web API sayesinde kullanıcı yorumlarını otomatik olarak olumlu, olumsuz veya nötr olarak sınıflandırabiliyoruz. Küçük veri setiyle temel bir model oluşturduk ve bunu bir Web API üzerinden erişilebilir hâle getirdik. Bu yöntem, yorumları hızlı şekilde analiz etmeyi, uygulamalara kolayca entegre etmeyi ve ölçeklenebilir tahminler yapmayı mümkün kılıyor. Tabii dürüst olayım: bu model production-ready değil. Küçük veri seti ve basit pipeline ile sınırlı doğruluk elde ediliyor. Gerçek projelerde daha büyük ve çeşitli veri setleriyle modelin doğruluğu artırılabilir.

Github: https://github.com/Sinantosun/MLSentimentAPI

Diğer Bloglarda Görüşmek Üzere 👋