El procesamiento del lenguaje natural da voz a los procesos digitales

El mayor cambio en el procesamiento del lenguaje natural en los últimos diez años ha sido el alejamiento del reconocimiento de patrones más tradicional en palabras y avanzar hacia enfoques automáticos y de aprendizaje profundo

El procesamiento del lenguaje natural (NLP) hace posible que las computadoras lean texto, escuchen el habla, lo interpreten, midan el sentimiento y determinen qué partes son importantes. Las máquinas de hoy pueden analizar más datos basados ​​en el lenguaje que los humanos, sin fatiga y de manera consistente e imparcial.

“NLP es importante porque ayuda a resolver la ambigüedad en el lenguaje y agrega una estructura numérica útil a los datos para muchas aplicaciones posteriores, como el reconocimiento de voz o el análisis de texto”, dice Kayne Putman, consultor de análisis de SAS Reino Unido e Irlanda. “Eso significa que se puede aplicar en una amplia variedad de casos de uso empresarial, como el análisis de fraude y riesgo o la extracción de información sobre el comportamiento del cliente. Fundamentalmente, es esencial contar con un buen análisis de datos y saber qué se quiere lograr antes de introducir la PNL en el entorno”.

Desarrollo del procesamiento del lenguaje natural

El mayor cambio en el procesamiento del lenguaje natural en los últimos diez años ha sido el alejamiento del reconocimiento de patrones más tradicional en las palabras y el cambio hacia enfoques de aprendizaje automático y profundo. Ha habido avances recientes en términos de la técnica de "incrustación de palabras" que permite atribuir cierto grado de significado semántico a palabras individuales o grupos de palabras.

“El resultado es un vector numérico de alta dimensionalidad que permite que ocurra un mayor entrenamiento y análisis del modelo”, dice Jos Martin, gerente senior de ingeniería de MathWorks. "Una vez que parte del significado semántico se ha transferido al espacio numérico, muchas otras técnicas de aprendizaje profundo desarrolladas recientemente estarán disponibles para los diseñadores de sistemas de PNL".

Por ejemplo, muchos sistemas han aprovechado los tipos de redes neuronales recurrentes de memoria a corto plazo (LSTM), útiles para aprender más sobre las relaciones entre palabras en oraciones, párrafos y otros bloques lingüísticos. Estos tipos de red permiten al diseñador predecir cuál podría ser la siguiente palabra en una secuencia o asignar probabilidades a las próximas palabras.

Más que un bot conversacional

En el procesamiento tradicional del lenguaje natural, las palabras eran solo palabras, frases algo sin sentido que carecen del significado establecido por un contexto más amplio. Así es como normalmente categorizaríamos un chatbot, que está limitado por la información que recibe en tiempo real.

“Para el procesamiento avanzado del lenguaje natural, podemos mejorar la comprensión contextual al representar las palabras como vectores de números”, dice Johan Toll, director ejecutivo de transformaciones de IPsoft. "En lugar de solo entender palabras como palabras, esto permite que la máquina entienda similitudes de palabras y similitudes de frases de formas muy flexibles".

Por ejemplo, entender que la palabra 'contrato' tiene un significado muy diferente en un contexto legal que en una película de gánsteres. A diferencia de un chatbot que comprende solo un flujo único de información e idioma, esto permite una conversación multifacética que se adapta según el contexto requerido, además del tipo de idioma utilizado.

Según Toll, la PNL avanzada es un facilitador. “De hecho, la mayoría de los desarrollos de IA y las innovaciones digitales incluyen alguna forma de automatización de procesos inteligente (IPA), y McKinsey estima que entre el 50 y el 70 por ciento de las tareas dentro de las empresas están automatizadas”, agrega. “Es esta automatización, facilitada por NLP, la que permite el desarrollo de nuevas aplicaciones de IA, lo que permite a las organizaciones obtener, organizar e identificar con precisión grandes cantidades de información valiosa. “

Mejorar la experiencia del cliente

Con el crecimiento del comercio electrónico y el mercado global en expansión, más consumidores compran en línea que nunca. Para satisfacer esta creciente demanda, las organizaciones están adoptando una combinación de tecnologías de próxima generación, incluida la PNL, para aumentar la experiencia del cliente, mejorar la reputación de la marca y aumentar las ventas. La investigación realizada en Aspect encontró que el 92 por ciento de los encuestados reconoce el valor del procesamiento del lenguaje natural en el servicio al cliente moderno.

"Un requisito clave para cualquier organización con visión de futuro es ofrecer una experiencia omnicanal versátil en la que los clientes tengan la opción de utilizar capacidades de autoservicio automatizadas, incluidos asistentes virtuales y chatbots móviles o de escritorio, junto con los medios tradicionales de comunicación", Stephen Ball, vicepresidente sénior. Europa y África en Aspect explica. “Las verdaderas recompensas del autoservicio automatizado solo se pueden obtener si las organizaciones implementan estas nuevas tecnologías correctamente, y obtener una comprensión integral de la tecnología de procesamiento de lenguaje natural (NLP) es clave para esto.

“Es extremadamente importante darse cuenta de que la integración exitosa del procesamiento del lenguaje natural es un proceso que requiere tiempo y esfuerzo y requiere invertir en inteligencia artificial y tecnologías asociadas que se pueden adaptar fácilmente para satisfacer las necesidades de la empresa y, lo que es más importante, que sean lo suficientemente avanzadas para satisfacer las demandas complejas y cambiantes del cliente moderno. Para que esto suceda, es crucial que las empresas ofrezcan capacitación en PNL y tecnología para mejorar las habilidades del personal, así como trabajar con socios externos para obtener esta experiencia de IA relevante a corto y mediano plazo”.

Agregar emoción al procesamiento del lenguaje natural

La capacidad de comprender si alguien está frustrado o enojado a partir de la inclinación tonal, las palabras que elige y las pausas entre oraciones se consideraba hasta hace poco una habilidad exclusivamente humana. Un área floreciente de investigación es el análisis de emociones.

El análisis de emociones es una forma de procesamiento del lenguaje natural que busca determinar las emociones del escritor a partir del texto, las emociones pueden ser miedo, ira, disgusto, frustración, agitación o incluso tristeza. “Una de esas aplicaciones de esta tecnología fascinante será en los centros de llamadas:un operador de línea de ayuda podría adaptar su consejo y lenguaje para satisfacer mejor las necesidades de un cliente, sin que la persona que llama tenga que indicar explícitamente su nivel de frustración”, Sally Epstein, ingeniera de aprendizaje automático, Comentarios de Cambridge Consultants.

Un área más amplia de innovación es el análisis de sentimientos, que se utiliza para determinar si una parte del texto de forma libre es positiva, neutra o negativa. “Usando Sentiment Analysis, es posible buscar de manera eficiente grandes cantidades de documentos de texto, publicaciones en redes sociales o reseñas de productos para extraer tendencias significativas”, agrega Epstein. "Las empresas ya están utilizando esta información para evaluar la satisfacción del consumidor con su marca".
Lo más importante es que estas técnicas se pueden escalar rápidamente para obtener información de diferentes dialectos e idiomas regionales.

¿Qué sigue para el procesamiento del lenguaje natural?

En cuanto al futuro, un mejor control de voz y reconocimiento de voz será un área importante para el procesamiento del lenguaje natural. Si bien el reconocimiento de voz ha mejorado significativamente en los últimos años, todavía queda mucho camino por recorrer antes de que sea lo suficientemente bueno para ser utilizado de manera más amplia. Parte de los avances en esta área vendrán con mejores modelos.

Otra gran área será la aplicación exitosa del aprendizaje por transferencia al procesamiento del lenguaje natural. Solo en el último año fue posible tener modelos preentrenados de aprendizaje profundo para el aprendizaje por transferencia en el procesamiento del lenguaje natural, lo cual es significativo porque el aprendizaje por transferencia ha existido por más tiempo para la visión por computadora. Este es un gran avance porque permite que el usuario se beneficie del mismo modelo previamente entrenado, aunque con algunos ajustes, en todo tipo de tareas de análisis de texto, desde el análisis de sentimientos hasta la respuesta a preguntas.

Artículo de Mark Venables.