Procesamiento del Lenguaje Natural: Potenciando Procesos Digitales con Voz Inteligente

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

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

«El PLN es importante porque ayuda a resolver la ambigüedad en el lenguaje y añade una estructura numérica útil a los datos para muchas aplicaciones posteriores, como reconocimiento de voz o análisis de texto», dice Kayne Putman, consultor de analítica en SAS UK & Ireland. «Eso significa que se puede aplicar en una amplia variedad de casos de uso empresariales como análisis de fraude y riesgo o extracción de insights sobre comportamiento del cliente. Fundamentalmente, es esencial tener buena analítica de datos en su lugar y saber qué quieres lograr antes de introducir PLN 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 tradicional en palabras y el movimiento hacia enfoques de aprendizaje automático y profundo. Ha habido avances recientes en términos de la técnica de «incrustación de palabras» (word embedding) 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 ocurran más entrenamiento y análisis de modelos», dice Jos Martin, gerente senior de ingeniería en MathWorks. «Una vez que parte del significado semántico ha sido transferido al espacio numérico, muchas otras técnicas de aprendizaje profundo desarrolladas recientemente se vuelven disponibles para los diseñadores de sistemas de PLN».

Por ejemplo, muchos sistemas han aprovechado tipos de memoria a largo y corto plazo (LSTM) de redes neuronales recurrentes, 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 siguientes varias palabras.

Más que solo un chatbot

En el procesamiento del lenguaje natural tradicional, las palabras eran solo palabras —frases algo carentes de significado que carecen del significado establecido por el contexto más amplio. Así es como típicamente categorizaríamos un chatbot, que está limitado por la información que se le alimenta en tiempo real.

«Para el procesamiento del lenguaje natural avanzado, podemos mejorar la comprensión contextual representando palabras como vectores de números», dice Johan Toll, director ejecutivo de transformaciones en IPsoft. «En lugar de solo entender palabras como palabras, esto permite a la máquina entender similitudes de palabras y frases de maneras 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 entiende solo un flujo único de información y lenguaje, esto permite una conversación multifacética que se adapta según el contexto requerido, además del tipo de lenguaje usado.

Según Toll, el PLN avanzado es un facilitador. «De hecho, la mayoría de los desarrollos de IA e innovaciones digitales incluyen alguna forma de automatización inteligente de procesos (IPA), con McKinsey estimando que el 50 al 70 por ciento de las tareas dentro de las empresas están automatizadas», añade. «Es esta automatización, facilitada por el PLN, la que permite el desarrollo de nuevas aplicaciones de IA, permitiendo a las organizaciones obtener, organizar e identificar con precisión vastas cantidades de información valiosa».

Aumentando la experiencia del cliente

Con el crecimiento del eCommerce y el mercado global en expansión, más consumidores compran en línea que nunca. Para satisfacer esta demanda creciente, las organizaciones están adoptando una combinación de tecnologías de próxima generación incluyendo PLN para aumentar su experiencia del cliente, mejorar la reputación de marca e impulsar ventas. Una 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 donde los clientes tengan la opción de usar capacidades de autoservicio automatizadas incluyendo asistentes virtuales y chatbots de escritorio o móvil, junto con medios tradicionales de comunicación», explica Stephen Ball, VP senior Europa & África en Aspect. «Las verdaderas recompensas del autoservicio automatizado solo se pueden cosechar si las organizaciones implementan estas nuevas tecnologías correctamente, y obtener una comprensión integral de la tecnología de procesamiento del lenguaje natural (PLN) es clave para esto.

«Es extremadamente importante darse cuenta de que la integración exitosa del procesamiento del lenguaje natural es un proceso que lleva tiempo y esfuerzo y requiere invertir en IA y tecnologías asociadas que puedan adaptarse fácilmente a las necesidades de la empresa, y lo más importante, sean lo suficientemente avanzadas para satisfacer las demandas complejas y cambiantes del cliente moderno. Para que esto suceda, es crucial que las empresas ofrezcan formación en PLN y tecnología para capacitar al personal, así como trabajar con socios externos para ganar esta experiencia relevante de IA en el corto y mediano plazo».

Añadiendo emoción al procesamiento del lenguaje natural

La capacidad de entender si alguien está frustrado o enojado por la inclinación tonal, las palabras que eligen y por las pausas entre oraciones era hasta recientemente considerada una habilidad exclusivamente humana. Un área floreciente de investigación es el Análisis de Emoción.

El Análisis de Emoción es una forma de procesamiento del lenguaje natural que busca determinar las emociones del escritor a partir del texto, las emociones podrían ser miedo, ira, asco, frustración, agitación o incluso tristeza. «Una aplicación de esta fascinante tecnología será en centros de llamadas – un operador de ayuda podría adaptar su consejo y lenguaje para satisfacer mejor la necesidad de un cliente, sin que el llamante tenga que declarar explícitamente su nivel de frustración», comenta Sally Epstein, ingeniera de aprendizaje automático, Cambridge Consultants.

Un área más amplia de innovación es el Análisis de Sentimiento, esto se usa para determinar si una porción de texto libre es positiva, neutral o negativa. «Usando Análisis de Sentimiento es posible buscar eficientemente enormes cantidades de documentos de texto, publicaciones en redes sociales, o reseñas de productos para extraer tendencias significativas», añade Epstein. «Este insight ya está siendo usado por empresas para evaluar la satisfacción del consumidor por su marca.» Lo más importante, estas técnicas pueden escalar rápidamente para extraer insight de diferentes dialectos y lenguas regionales.

¿Qué sigue para el procesamiento del lenguaje natural?

En cuanto al futuro, un mejor control de voz y reconocimiento de voz será un gran área para el procesamiento del lenguaje natural. Mientras que el reconocimiento de voz ha mejorado significativamente en los últimos años, aún queda camino antes de que sea lo suficientemente bueno para usarse más ampliamente. 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 se ha vuelto posible tener modelos pre-entrenados de aprendizaje profundo para aprendizaje por transferencia en procesamiento del lenguaje natural, lo cual es significativo porque el aprendizaje por transferencia ha existido por más tiempo para visión por computadora. Este es un gran avance porque permite al usuario beneficiarse del mismo modelo pre-entrenado, aunque con algunos ajustes, en todo tipo de tareas de análisis de texto —desde análisis de sentimiento hasta respuesta a preguntas.

Artículo de Mark Venables.