Als wir beschlossen, einen Sentiment-Analyser zu bauen, kam die Anfrage von Menschen, die den Ton von Bewertungen oder Kundenmeldungen schnell verstehen wollten – ohne externe Dienste. Das wichtigste Ziel war der Datenschutz: Jede Auswertung sollte auf dem Gerät der Nutzerinnen und Nutzer bleiben.
Von der Idee zum Prototyp
Wir starteten mit öffentlichen Datensätzen, in denen Sätze als positiv, neutral oder negativ markiert sind. Es ging nicht darum, ein Paper zu schreiben: Wir suchten ein leichtgewichtiges, vortrainiertes Modell, das sich einfach im Browser laden lässt. TensorFlow.js war die naheliegende Wahl, denn damit nutzen wir die GPU ohne zusätzliche Installation.
Um Fehler durch Sprachunterschiede zu minimieren, haben wir eine kleine Text-Pipeline aufgebaut (doppelte Emojis entfernen, Sonderzeichen normalisieren, Großschreibung behandeln). Erst danach erreicht der Text das Modell, das die Wahrscheinlichkeit für jede Tonalität liefert.
So arbeitet die App heute
Im Text Classifier kannst du dich nur auf das Sentiment konzentrieren oder zusätzlich die Hauptsprache der Nachricht erkennen lassen. Alles läuft lokal: Der Browser lädt das Modell beim ersten Mal herunter und nutzt es dann wieder, sodass spätere Analysen nahezu sofort fertig sind.
Wenn du Text einfügst, zeigt die Oberfläche:
- ein qualitatives Label (positiv, neutral, negativ) basierend auf der höchsten Wahrscheinlichkeit,
- einen Score zwischen 0 und 1, der die Sicherheit der Vorhersage einschätzt,
- ein Balkendiagramm, das die drei Werte gegenüberstellt.
Diese Informationen helfen bei schnellen Entscheidungen im Alltag: auf Beschwerden reagieren, begeisterte Stimmen hervorheben, Tickets nach Dringlichkeit sortieren.
Grenzen, die man kennen sollte
Trotz aller Sorgfalt kann ein generisches Modell nicht jede Nuance erfassen. Ironische Wendungen oder kulturelle Anspielungen werden leicht falsch verstanden. Sehr kurze Texte (etwa „ok“) liefern wenig Kontext und werden schnell als neutral eingeordnet.
Das Modell wurde mit mehrsprachigen Daten trainiert, bevorzugt aber Italienisch und Englisch: Für Sprachen, die im Datensatz seltener vorkommen, sinkt die Sicherheit. In stark regulierten Bereichen (Finanzen, Gesundheitswesen) empfehlen wir deshalb weiterhin eine menschliche Prüfung, bevor man sich auf das Ergebnis verlässt.
Außerdem setzen wir auf öffentliche JavaScript-Bibliotheken, die lokal auf deinem Rechner oder Smartphone laufen – inklusive der bekannten Grenzen bei der Rechenleistung.
Wohin wir wollen
Wir testen bereits drei Weiterentwicklungen:
- Fine Tuning mit eigenen Daten: Unternehmen können Beispiele hochladen, um ein sprachliches Profil zu trainieren, das zur Marke passt.
- Erkennung spezifischer Emotionen: über das einfache Positiv/Negativ hinausgehen und Ärger, Freude oder Frustration unterscheiden.
- Integration in Workflows: Ergebnisse per Webhook oder CSV in CRM- und Helpdesk-Systeme exportieren.
Solange das Modell leichtgewichtig bleibt und seine Grenzen offenlegt, ist es ein hilfreiches Werkzeug für alle, die eine erste Stimmungsanalyse brauchen, ohne externe Plattformen zu nutzen. Wichtig ist, es als Verbündeten zu sehen – nicht als alleinige Instanz.