> ## Documentation Index
> Fetch the complete documentation index at: https://pearsdb.mintlify.site/llms.txt
> Use this file to discover all available pages before exploring further.

# Sentiment analysis inside mongodb with openai

## Introducción

En esta publicación de blog, presentamos cómo crear modelos de OpenAI dentro de MindsDB. Este ejemplo es un análisis de sentimientos donde inferimos las emociones detrás de un texto. Los datos de entrada se toman de nuestra base de datos de muestra de MongoDB.

## Prerrequisitos

Para seguir el tutorial, puedes registrarte para obtener una cuenta en [cloud.mindsdb.com](https://cloud.mindsdb.com/register/nlp). Alternativamente, dirígete a la [documentación de MindsDB](https://docs.mindsdb.com/) y sigue las instrucciones para configurar manualmente una instancia local de MindsDB a través de [Docker](/setup/self-hosted/docker) o [pip](/setup/self-hosted/pip/source).

## Cómo Conectar MindsDB a una Base de Datos

Utilizamos una colección de nuestra base de datos de demostración pública de MongoDB, así que comencemos conectando MindsDB a ella.

Puedes usar [Mongo Compass](/es/connect/mongo-compass) o [Mongo Shell](/es/connect/mongo-shell) para conectar nuestra base de datos de muestra de esta manera:

```bash theme={null}
test> use mindsdb
mindsdb> db.databases.insertOne({
            'name': 'mongo_demo_db',
            'engine': 'mongodb',
            'connection_args': {
                "host": "mongodb+srv://user:MindsDBUser123!@demo-data-mdb.trzfwvb.mongodb.net/",
                "database": "public"
            }
        })
```

## Tutorial

En este tutorial, creamos un modelo predictivo para inferir emociones detrás de un texto, una tarea también conocida como análisis de sentimientos.

Ahora que hemos conectado nuestra base de datos a MindsDB, consultemos los datos que se utilizarán en el ejemplo:

```bash theme={null}
mindsdb> use mongo_demo_db
mongo_demo_db> db.amazon_reviews.find({}).limit(3)
```

Aquí está la salida:

```bash theme={null}
{
  _id: '63d013b5bbca62e9c7774b1d',
  product_name: 'All-New Fire HD 8 Tablet, 8 HD Display, Wi-Fi, 16 GB - Includes Special Offers, Magenta',
  review: 'Late gift for my grandson. He is very happy with it. Easy for him (9yo ).'
}
{
  _id: '63d013b5bbca62e9c7774b1e',
  product_name: 'All-New Fire HD 8 Tablet, 8 HD Display, Wi-Fi, 16 GB - Includes Special Offers, Magenta',
  review: "I'm not super thrilled with the proprietary OS on this unit, but it does work okay and does what I need it to do. Appearance is very nice, price is very good and I can't complain too much - just wish it were easier (or at least more obvious) to port new apps onto it. For now, it helps me see things that are too small on my phone while I'm traveling. I'm a happy buyer."
}
{
  _id: '63d013b5bbca62e9c7774b1f',
  product_name: 'All-New Fire HD 8 Tablet, 8 HD Display, Wi-Fi, 16 GB - Includes Special Offers, Magenta',
  review: 'I purchased this Kindle Fire HD 8 was purchased for use by 5 and 8 yer old grandchildren. They basically use it to play Amazon games that you download.'
}
```

Creemos una colección de modelos para identificar el sentimiento de todas las reseñas:

```bash theme={null}
mongo_demo_db> use mindsdb
mindsdb> db.models.insertOne({
            name: 'sentiment_classifier',
            predict: 'sentiment',
            training_options: {
                        engine: 'openai',
                        prompt_template: 'describe the sentiment of the reviews strictly as "positive", "neutral", or "negative". "I love the product":positive "It is a scam":negative "{{review}}.":'
                }
        })
```

En la práctica, el `insertOne` método desencadena que MindsDB genere una colección de IA llamada `sentiment_classifier` que utiliza la integración de OpenAI para predecir un campo llamado `sentiment`. El modelo se crea dentro del `mindsdb` proyecto predeterminado. En MindsDB, los proyectos son una forma natural de mantener separados los artefactos, como modelos o vistas, según la tarea predictiva que resuelven. Puedes aprender más sobre los proyectos de MindsDB [aquí](/sql/project).

La clave `training_options` especifica los parámetros que requiere este manejador.

* El parámetro `engine` define que usamos el motor `openai`.
* El parámetro `prompt_template` transmite la estructura de un mensaje que se completará con texto adicional generado por el modelo.

<Note>
  Sigue [esta instrucción](/integrations/ai-engines/openai#setup) para configurar la integración de OpenAI en MindsDB.
</Note>

Una vez que el método `insertOne` ha comenzado la ejecución, podemos verificar el estado del proceso de creación con la siguiente consulta:

```bash theme={null}
mindsdb> db.getCollection('models').find({
            'name': 'sentiment_classifier'
        })
```

Puede tomar un tiempo registrarse como completo dependiendo de la conexión a internet. Una vez que la creación esté completa, el comportamiento es el mismo que con cualquier otra colección de IA: puedes consultarla ya sea especificando datos sintéticos en la consulta real:

```bash theme={null}
mindsdb> db.sentiment_classifier.find({
            review: 'It is ok.'
        })
```

Aquí están los datos de salida:

```bash theme={null}
{
  sentiment: 'neutral',
  review: 'It is ok.'
}
```

O uniéndola con una colección para predicciones por lotes:

```bash theme={null}
mindsdb> db.sentiment_classifier.find(
            {
                'collection': 'mongo_demo_db.amazon_reviews'
            },
            {
                'sentiment_classifier.sentiment': 'sentiment',
                'amazon_reviews.review': 'review'
            }
        ).limit(3)
```

Aquí están los datos de salida:

```bash theme={null}
{
  sentiment: 'positive',
  review: 'Late gift for my grandson. He is very happy with it. Easy for him (9yo ).'
}
{
  sentiment: 'positive',
  review: "I'm not super thrilled with the proprietary OS on this unit, but it does work okay and does what I need it to do. Appearance is very nice, price is very good and I can't complain too much - just wish it were easier (or at least more obvious) to port new apps onto it. For now, it helps me see things that are too small on my phone while I'm traveling. I'm a happy buyer."
}
{
  sentiment: 'positive',
  review: 'I purchased this Kindle Fire HD 8 was purchased for use by 5 and 8 yer old grandchildren. They basically use it to play Amazon games that you download.'
}
```

La colección `amazon_reviews` se utiliza para hacer predicciones por lotes. Al unir el modelo `sentiment_classifier` con la colección `amazon_reviews`, el modelo utiliza todos los valores del campo `review`.

## Aprovecha las Capacidades de NLP con MindsDB

Al integrar bases de datos y OpenAI utilizando MindsDB, los desarrolladores pueden extraer fácilmente información de datos de texto con solo unos pocos comandos SQL. Estos potentes modelos de procesamiento de lenguaje natural (NLP) son capaces de responder preguntas con o sin contexto y completar indicaciones generales.

Además, estos modelos están impulsados por grandes modelos de lenguaje pre-entrenados de OpenAI, por lo que no hay necesidad de trabajo de desarrollo manual. En última instancia, esto proporciona a los desarrolladores una forma fácil de incorporar potentes capacidades de NLP en sus aplicaciones, ahorrando tiempo y recursos en comparación con los métodos y pipelines de desarrollo de ML tradicionales. En resumen, ¡MindsDB hace posible que los desarrolladores aprovechen el poder de OpenAI de manera eficiente!

MindsDB es ahora la plataforma de aprendizaje automático aplicado de código abierto de más rápido crecimiento en el mundo. Su comunidad continúa contribuyendo a más de 70 integraciones de fuentes de datos y marcos de ML. ¡Mantente atento a las próximas características, incluyendo más control sobre los parámetros de interfaz y el ajuste fino de modelos directamente desde MindsDB!

Experimenta con los modelos de OpenAI dentro de MindsDB y desbloquea la capacidad de ML sobre tus datos en minutos. Recuerda [registrarte para obtener una cuenta de demostración gratuita](https://cloud.mindsdb.com/register/nlp) y seguir los tutoriales, quizás esta vez utilizando tus propios datos.

Finalmente, si la visión de MindsDB de democratizar el ML te parece emocionante, dirígete a nuestro [Slack de la comunidad](https://mindsdb.com/joincommunity), donde puedes obtener ayuda y encontrar personas para charlar sobre el uso de otras fuentes de datos disponibles, marcos de ML, o escribir un manejador para traer el tuyo propio!

Sigue nuestra introducción a la integración de OpenAI de MindsDB [aquí](https://mindsdb.com/blog/extract-insights-from-text-inside-databases-using-openai-gpt3-and-mindsdb-integration). Además, tenemos una variedad de tutoriales que utilizan MySQL y MongoDB:

* [Análisis de Sentimientos en MySQL](/es/nlp/sentiment-analysis-inside-mysql-with-openai)
* [Respuesta a Preguntas en MySQL](/es/nlp/question-answering-inside-mysql-with-openai)
* [Resumen de Texto en MySQL](/es/nlp/text-summarization-inside-mysql-with-openai)
* [Respuesta a Preguntas en MongoDB](/es/nlp/question-answering-inside-mongodb-with-openai)
* [Resumen de Texto en MongoDB](/es/nlp/text-summarization-inside-mongodb-with-openai)

## ¿Qué sigue?

¡Diviértete mientras lo pruebas tú mismo!

* Marca como favorito el [repositorio de MindsDB en GitHub](https://github.com/mindsdb/mindsdb).
* Regístrate para obtener una [cuenta gratuita de MindsDB](https://cloud.mindsdb.com/register/nlp).
* Participa con la comunidad de MindsDB en [Slack](https://mindsdb.com/joincommunity) o [GitHub](https://github.com/mindsdb/mindsdb/discussions) para hacer preguntas y compartir tus ideas y pensamientos.

Si este tutorial fue útil, por favor danos una estrella en GitHub [aquí](https://github.com/mindsdb/mindsdb).