L'analyse de sentiments traditionnelle utilisait des classifieurs à caractéristiques manuelles (bag-of-words + régression logistique, approches par lexique). Ça fonctionnait pour les cas simples mais échouait sur le sarcasme (« Oh génial, encore un retard »), le sentiment implicite (« La batterie a tenu deux heures »), et le vocabulaire spécifique à un domaine. Les approches modernes utilisent du BERT fine-tuné ou de la classification par LLM, qui gèrent ces nuances beaucoup mieux en comprenant le contexte.
Les vrais avis contiennent souvent un sentiment mixte : « L'appareil photo est excellent mais la batterie est décevante. » L'analyse de sentiments par aspect identifie les aspects (appareil photo, batterie) et attribue un sentiment à chacun indépendamment. C'est plus utile pour les équipes produit qu'un sentiment global parce que ça cible précisément ce qui a besoin d'être amélioré. Les LLM modernes gèrent ça naturellement via la sortie structurée — « extrais les aspects et leurs sentiments de cet avis. »
Pour l'analyse de sentiments, tu as trois options : (1) un petit modèle fine-tuné (rapide, pas cher, bon pour les gros volumes), (2) un prompt LLM en zero-shot (flexible, gère les cas limites, plus cher), ou (3) un service d'API (Google NLP, AWS Comprehend). Pour la plupart des nouveaux projets, commencer avec un prompt LLM et passer à un modèle fine-tuné quand le volume le justifie est l'approche pratique.