Cómo el Procesamiento del Lenguaje Natural está Moldeando el Futuro del Comercio Electrónico

«Es solo cuestión de tiempo antes de que empresas de todas las industrias utilicen tecnologías de aprendizaje profundo como el PLN para extraer insights ocultos y combinarlos con su experiencia y conocimientos específicos para innovar y diferenciarse.»

¿Qué tecnología hay detrás del procesamiento del lenguaje natural?

En términos simples, el PLN (Procesamiento del Lenguaje Natural) es la tecnología que permite que los datos del mundo real sean comprendidos y procesados por computadoras.

Comienza en los años 50, con el artículo de Alan Turing «Maquinaria Computacional e Inteligencia», donde preguntaba: ¿Pueden pensar las máquinas? Lo que quería decir es: ¿Pueden las máquinas pensar como humanos, por lo tanto, pueden entender hechos y datos de la realidad humana?

El PLN es una forma de inteligencia artificial que utiliza varias disciplinas, como la lingüística computacional, para intentar dar sentido estructurado a la comunicación humana no estructurada. En cierto sentido, convierte las palabras humanas (voz y texto) en código binario.

Hace setenta años, las tarjetas perforadas eran la única forma de que los humanos se comunicaran con una computadora. Hoy, las computadoras pueden «entender» muchos idiomas humanos, ejecutar órdenes habladas o escritas, inferir insights de ellas y aplicarlos al futuro. Por ejemplo, si viste un suéter rojo en línea una vez, la computadora entendería que te gustan los suéteres rojos y te mostraría todos los artículos que conoce correspondientes a «rojo» + «suéter».

El PLN funciona analizando componentes infinitesimales del lenguaje humano —lo que serían los «átomos de la comunicación humana». Estos podrían ser palabras, frases o descripciones de tu catálogo de productos. Estos «átomos» los compara luego con su propia base de datos de palabras y grabaciones, que categoriza y extrae significado usando análisis semántico —en efecto, entendiéndolos.

Esto significa que puede hacer conexiones que los humanos podrían no hacer. Hoy, con un poder de procesamiento masivo disponible a bajo costo, las inferencias que puede hacer sobre las preferencias individuales son asombrosas.

¿Por qué llega al mercado ahora?

El PLN ha estado en desarrollo durante muchos, muchos años. El mercado en general solo se da cuenta ahora, sin embargo, porque (1) las aplicaciones del mundo real de esta y otras tecnologías de IA son cada vez mejor comprendidas por los negocios, y (2) finalmente tenemos el poder computacional amplio para realmente hacer algo con ello. Tampoco perjudica que empresas como la nuestra hayan podido usar su conocimiento vertical de la industria, por ejemplo, para ir más allá de los modelos genéricos y crear algoritmos enfocados en la experiencia que generan resultados reales, como aumento de conversiones o ingresos.

Hasta hace poco, muy pocas organizaciones fuera de la academia o el gobierno tenían el poder computacional para ejecutar realmente los algoritmos de aprendizaje profundo necesarios para entender y extraer correlaciones del texto. Con los avances recientes, no solo podemos consumir y extraer significado rápidamente de grandes cantidades de datos textuales, sino que ahora también tenemos la tecnología en tiempo real (con el advenimiento de tecnologías como Flink y Kafka) para procesarlos junto con el comportamiento del usuario, extraer los insights requeridos y responder en tiempo real con la acción o decisión apropiada.

Como señala Gartner, el advenimiento de los datos de texto está despertando un amplio interés en una gama de potenciales aplicaciones avanzadas de IA. El uso del PLN en el campo de la experiencia del cliente, por ejemplo, para extraer sentimiento de mensajes de texto y chat, ha allanado el camino para una adopción más amplia en la industria y aplicaciones prácticas.

En el campo de la personalización de la experiencia, apenas estamos empezando a explorar las posibilidades y nos entusiasman los resultados que hemos visto con el uso del PLN, por ejemplo, para extraer insights de descripciones de catálogos de productos, reseñas, atributos y otros textos y obtener una comprensión más profunda de los productos de nuestros clientes y cómo se relacionan entre sí —hipoalergénico, 100% algodón, etc.

Es solo cuestión de tiempo antes de que empresas de todas las industrias utilicen tecnologías de aprendizaje profundo como el PLN para extraer insights ocultos y combinarlos con su experiencia y conocimientos específicos para innovar y diferenciarse.

¿Deberían las organizaciones aplicar PLN? ¿Puede proporcionar algunos casos de uso empresariales prácticos/ejemplos?

Un sector donde hemos visto claramente cómo funciona es el retail, donde pertenecen muchos de nuestros clientes. La moda rápida y los minoristas que tienen gran rotación de productos o introducen catálogos nuevos estacionalmente pueden beneficiarse especialmente del uso del PLN.

La personalización ha funcionado tradicionalmente mejor cuando tienes toneladas de datos de comportamiento para cada producto. Pero, ¿qué haces si una gran parte de tu catálogo es nueva o de nicho y simplemente no tiene datos que la acompañen? Hasta hace poco, lo mejor que se podía hacer era ofrecer recomendaciones de «más vendidos» como complemento.

Con el PLN, podemos tomar los datos textuales —como la descripción del producto, notas de estilo y ajuste, calificaciones y reseñas, etc.— extraer insights sobre ese producto y otros relacionados, y luego usar esa comprensión más profunda para proporcionar inmediatamente recomendaciones y ofertas complementarias al producto nuevo o de cola larga.

Esto cambia las reglas del juego para minoristas/marcas que introducen regularmente o ciclan rápidamente nuevos estilos o catálogos estacionales, permitiendo personalizar y exponer a los compradores a productos relevantes a través ofertas de venta cruzada desde el inicio.

¿Qué sigue para el PLN?

A medida que marcas y minoristas continúan adoptando el PLN, los casos de uso seguirán evolucionando. Lo que vemos a continuación es expandir la aplicación del PLN para incluir predicciones de viaje, extensiones basadas en voz, facetas para búsqueda, y más. El PLN con aprendizaje profundo es el futuro de las compras en comercio electrónico.

Respuestas proporcionadas por Raj Badarinath, VP Ecosistemas, RichRelevance