Evolución del modelado del lenguaje en la vida moderna

¿Cómo el modelado del lenguaje, que fue concebido a mediados del siglo pasado, se convirtió en una parte integral de la inteligencia artificial con aplicaciones prácticas en la vida moderna? ¿Cómo esta combinación de inteligencia artificial y lingüística computacional se convirtió en el núcleo de nuestro mundo? Recorramos el concepto de procesamiento de lenguaje natural (NLP) y sus aplicaciones populares, como chatbots, comandos de voz y asistentes virtuales como Google Assistant, Siri, Cortana y Amazon's Alexa.

¿Qué es la PNL?

En palabras simples, la PNL ayuda a las computadoras a comprender, interpretar y utilizar la lengua humana y también permite una comunicación completa de una manera más matizada. La PNL se basa en varias disciplinas, incluidas la lingüística y la informática, y brinda a las computadoras la capacidad de leer texto, escuchar el habla e interpretar una gran cantidad de datos. Ha evolucionado mucho desde la década de 1950 y se ha convertido en parte de nuestra vida diaria. Es probable que continúe brindando soluciones estándar e innovadoras a problemas comunes, reduciendo tiempo, esfuerzo humano y costo.

Historia de la PNL

Alan Turing , experto en informática teórica e inteligencia artificial, concibió por primera vez la idea del procesamiento del lenguaje natural en la década de 1950. Escribió un artículo aclarando una prueba para una máquina, en el que afirmó que si una máquina puede ser parte de una conversación usando una teleimpresora, también se le puede enseñar cómo imitar a un humano. Los patrones repetidos permitirían que una máquina aprendiera este acto, después de lo cual podría considerarse capaz de pensar.

En 1954, un experimento de la Universidad de Georgetown e IBM se esforzó por traducir automáticamente seis oraciones del ruso al inglés, plantando la semilla de la esperanza de que la traducción automática sería posible en un corto período de tiempo. Sin embargo, no fue hasta finales de la década de 1980 que se desarrolló el primer sistema de traducción automática estadística (traducciones generadas a través de un modelo estadístico). Durante un período de 1950 a 1980, se avanzó en la construcción de otros programas de lenguaje natural.

De estos, ELIZA tomó el centro del escenario a mediados de la década de 1960. Este fue un programa de computadora desarrollado en el Laboratorio de Inteligencia Artificial del MIT por Joseph Weizenbaum para dilucidar la superficialidad de la comunicación entre humanos y máquinas. Reveló que la comunicación con las máquinas no implicaba contextualizar eventos y solo seguía un guión. Sin embargo, los usuarios atribuyeron sentimientos humanos al programa. ELIZA allanó el camino para lo que ahora conocemos como chatbots (también conocidos como chatterbots), que evolucionaron con el tiempo.

La década de 1970 fue la década de la creación de información estructurada del mundo real en datos comprensibles por computadora, y una serie de programas mejoraron la tecnología disponible. Los más destacados incluyeron PARRY (un chatbot de 1972 con respuestas emocionales), y más tarde, Racter (un chatbot irónico creado en 1984) y Jabberwacky (un chatbot concebido en 1988 que tenía como objetivo simular una conversación humana de una manera entretenida).

La década de 1980 fue revolucionaria en el procesamiento del lenguaje natural, cuando se utilizaron algoritmos de aprendizaje automático para el procesamiento del lenguaje. Hubo un aumento en el poder computacional y la simplificación gradual de la lingüística. Con árboles de decisión, etiquetado de voz y enfoque en modelos estadísticos, modelos de lenguaje de caché y reconocimiento de voz, los resultados se volvieron más confiables.

Los primeros éxitos del aprendizaje automático se pueden atribuir a IBM Research, donde se desarrollaron sucesivamente modelos estadísticos más complicados, incluida la traducción de todos los procedimientos gubernamentales a todos los idiomas oficiales de Canadá y la Unión Europea.

El siglo XXI introdujo el aprendizaje de representación (aprendizaje automático de características) y métodos de aprendizaje automático de estilo de redes neuronales profundas para lograr resultados de vanguardia. Esto incluye incrustaciones de palabras para capturar la semántica y preguntas y respuestas de alto nivel, lo que da origen a la traducción automática neuronal (NMT), que utiliza una red neuronal artificial para predecir una secuencia de palabras, modelando una oración completa en un único modelo integrado.

En las últimas dos décadas, la PNL ha explorado más modelos de lenguaje neuronal, aprendizaje multitarea, incrustaciones de palabras, redes neuronales más avanzadas, modelos de secuencia a secuencia, redes basadas en la memoria y modelos de lenguaje preentrenado. Este avance ha llevado a aplicaciones tales como teclados inteligentes y sugerencias de respuesta por correo electrónico a la asistencia habilitada por voz de las máquinas.

Ahora hay un movimiento constante del procesamiento del lenguaje natural (NLP) a la comprensión del lenguaje natural (NLU), donde un usuario que tenga una conexión emocional humana con las máquinas no será hereje.

Codificación versus PNL estadística

Inicialmente, los sistemas de procesamiento del lenguaje se diseñaron codificando a mano, esencialmente escribiendo gramática o ideando reglas heurísticas. Sin embargo, a mediados de la década de 1980, esto cambió al aprendizaje automático, que utilizaba la inferencia estadística para aprender automáticamente estas reglas a través del análisis de un gran conjunto de ejemplos del mundo real. Esto dio como resultado una diferencia palpable en la velocidad y la comprensión de los sistemas de procesamiento del lenguaje.

Los procedimientos de aprendizaje utilizados durante el aprendizaje automático se centraron automáticamente en los casos más comunes. Podrían señalar y corregir entradas erróneas, palabras mal escritas y manejar tareas más complejas a través de algoritmos. Esto fue un cambio de juego y alcanzó un escenario en el que la PNL podría usarse ampliamente y con éxito a escala global.

Fue un largo camino para llegar a un punto en el que la inducción gramatical, la lematización, la segmentación morfológica, el etiquetado del habla, el análisis, la división de oraciones, la lematización, la segmentación de palabras y la extracción de terminología pudieran usarse para crear plataformas sólidas para usar la PNL.

Aplicaciones de la PNL en la vida real

1. Traducción automática

La PNL ha desarrollado varios puntos de contacto en nuestras vidas, especialmente en la última década. Una de las aplicaciones más populares es la traducción automática , mejor conocida como Google Translate . Basado en SMT (traducción automática estadística, que se refiere a la traducción automática generada a partir de modelos estadísticos), Google Translate no realiza una traducción palabra por palabra, sino que asigna un valor semántico a las palabras para traducirlas de manera coherente.

Sin embargo, debido a la ambigüedad y flexibilidad inherentes al lenguaje humano, dicha traducción no es del todo precisa. Habiendo dicho eso, Google Translate sigue siendo la herramienta más popular utilizada para la traducción cuando se viaja, cerrando la brecha del idioma.

2. Reconocimiento de voz

Otro ejemplo ejemplar y relacionable de PNL. Los programas de software de reconocimiento de voz permiten la decodificación de la voz humana, que se puede utilizar en telefonía móvil, domótica, informática manos libres, asistencia virtual, videojuegos y más. El uso más popular de esto en nuestra vida diaria ha llegado con la llegada del Asistente de Google, Siri y Alexa de Amazon .

¿Como funciona esto? En el caso de Google Assistant, el habla se transforma en texto utilizando el sistema Hidden Markov Model (HMM). El sistema HMM escucha clips de 10 a 20 milisegundos de palabras habladas y busca fonemas y los compara con el habla pregrabada. El proceso de comprensión es seguido por la identificación del lenguaje y el contexto.

El sistema divide cada palabra en su parte del discurso (sustantivo, verbo, etc.) y luego determina el contexto de sus órdenes. Luego, categoriza este comando y ejecuta efectivamente una tarea. Alexa, por otro lado, funciona un poco diferente.

Cada vez que dices algo, las palabras vuelven al servidor de Amazon para ser descifradas. El sistema se basa en una base de datos masiva de palabras e instrucciones para evaluar y ejecutar un comando. Por ejemplo, si Alexa detecta palabras como 'pizza' o 'cena', abrirá una aplicación de comida, o si detecta la palabra 'reproducir', se conectará a las opciones de música.

3. Análisis de sentimiento

Cuando se habla de PNL, no se puede ignorar el análisis de sentimientos . Esto también se conoce como minería de opiniones o inteligencia artificial emocional, que mide la inclinación de las opiniones de las personas. Implica identificar información subjetiva en el texto y tiene una serie de aplicaciones. El monitoreo de marca y la gestión de la reputación es el uso más común del análisis de sentimientos en las industrias.

Permite a las empresas realizar un seguimiento de la percepción de una marca, identificar tendencias, estar atentos a las personas influyentes y su impacto, monitorear las revisiones de un producto o servicio, buscar nuevas ideas y variaciones y ajustar las estrategias de marketing en consecuencia. Además de la percepción de la marca y la opinión del cliente, la investigación de mercado es otro campo destacado de aplicación del análisis de sentimientos.

La creación y el seguimiento de contenido generado por el usuario (reseñas), artículos de noticias, contenido de la competencia y llenar el vacío en la inteligencia de mercado son a menudo los subconjuntos del análisis de sentimiento. La gestión de la reputación y el análisis de productos es otra aplicación más del análisis de sentimientos que se utiliza en todas las industrias. Con esto, las marcas pueden obtener comentarios matizados sobre sus productos.

El análisis de sentimientos basado en aspectos es otra forma en que las marcas pueden utilizar el análisis de sentimientos de manera productiva. El enfoque de análisis basado en aspectos permite extraer los puntos más viables con respecto a los comentarios de los clientes. Dada esta rica información y análisis, las marcas pueden modificar, actualizar y dirigir la comunicación y realizar cambios en el producto o servicio en consecuencia.

4. Asistentes virtuales

La asistencia virtual con la ayuda de chatbots más maduros es un enfoque moderno hacia una comunicación rápida y efectiva con los consumidores. Las tareas de baja prioridad pero de alta rotación, que no requieren habilidad, se pueden proporcionar fácilmente con la ayuda de chatbots. Ha habido una creciente confianza y popularidad entre los usuarios y desarrolladores a medida que avanzamos hacia la rápida evolución de los chatbots inteligentes que ofrecerán asistencia personalizada al cliente en un futuro próximo.

De hecho, la aplicación de chatbots también ha empujado a los profesionales de marketing a utilizar la asistencia virtual de manera más productiva, creando nuevos formatos de anuncios y comunicación que se ajustan a los programas de chatbot.

5. Salud

En el mundo médico, el servicio de atención primaria impulsado por IA implica resolver muchas tareas de PNL. Algunos de los casos de uso actuales de la PNL en medicina involucran la extracción de diferentes entidades médicas, incluidos síntomas, enfermedades o tratamientos a partir de una gran cantidad de información.

El descubrimiento de conocimientos a partir de textos médicos no estructurados para dibujar patrones y relaciones es extremadamente útil para los profesionales de la atención médica. Así como la PNL se puede usar para obtener información, también se puede usar para comunicar respuestas relevantes y crear una funcionalidad de autocompletado para un sistema de comunicación médicamente consciente.

6. Sistema de correo electrónico

En 2017, Google lanzó SmartReply , su destreza basada en el aprendizaje automático, para responder correos electrónicos con poco esfuerzo. La escritura más rápida, la escritura predictiva, la revisión ortográfica y la revisión gramatical son parte de esto. Smart Reply escanea el texto de un mensaje entrante y sugiere tres respuestas básicas que el usuario puede modificar y enviar, lo que reduce el tiempo dedicado a respuestas simples o mundanas.

Esto se basa completamente en redes neuronales entrenadas para analizar mensajes y convertirlos en códigos numéricos que representan su significado. Dentro del sistema de correo electrónico, la clasificación de correo electrónico y la detección de SPAM son otras formas en las que la PNL ha simplificado nuestras vidas.

7. Comportamiento de búsqueda

El comportamiento de búsqueda es otro aspecto respaldado por la PNL que encontramos a diario. Los motores de búsqueda usan NLP para mostrar resultados relevantes basados ​​en comportamientos de búsqueda similares o en la intención del usuario, de modo que el usuario promedio encuentre lo que necesita con facilidad. Por ejemplo, Google no solo predice qué búsquedas populares se pueden aplicar a la consulta de un individuo cuando comienza a escribir, sino que también analiza la imagen completa y muestra resultados tangenciales relevantes.

8. Llamadas telefónicas digitales

Las llamadas telefónicas digitales pueden parecer una parte intrusiva del día, cuando un mensaje de marketing grabado por voz le habla, pero este es un excelente medio para llegar a un gran número de personas y resolver problemas rápidamente. La PNL permite un lenguaje generado por computadora cercano a la voz de un ser humano, que puede recopilar información de un consumidor y realizar tareas simples como transmitir información y reservar una cita.

9. Casas inteligentes

Los comandos de voz en el automóvil, como cerrar las puertas, bajar las ventanas o reproducir cierta música, son solo algunas de las funciones que NLP ha habilitado en la industria automotriz . En el ámbito de la automatización, la automatización del hogar también está estrechamente relacionada con la PNL, donde los comandos de voz para cerrar o abrir persianas, luces y electrodomésticos son el núcleo de los ' hogares inteligentes'.

Estos son solo algunos de los muchos usos de la PNL que encontramos en nuestras vidas. Los puntos de contacto se encuentran en el mundo de los negocios, el desarrollo personal, los recursos humanos, las ventas, la enseñanza, la medicina, las telecomunicaciones, los automóviles, la infraestructura, el entrenamiento y muchos más.

¿Que sigue?

La PNL, aunque aún es incipiente en comparación con los grandes datos y el aprendizaje profundo, se considera ampliamente el futuro del servicio al cliente. Promete hacer que los datos sean más fáciles de usar y conversacionales, lo que los convierte en el eje de la tienda de análisis empresarial. Los chatbots, por ejemplo, serán aún más sofisticados y saludables con la capacidad de decodificar solicitudes complejas y largas en tiempo real.

Lo que probablemente cambie con respecto a las habilidades actuales de PNL es la comprensión matizada del lenguaje. La PNL del futuro permitirá comprender las sutilezas y el tono del lenguaje y brindará conocimientos e ideas útiles, que podrían estar en el ámbito de los informes anuales, transcripciones de llamadas, comunicaciones confidenciales para inversionistas o documentos legales y de cumplimiento.

El uso ampliado de NLP también se puede ver en las industrias de robótica, atención médica, servicios financieros, automóviles e infraestructura, con puntos de contacto en el uso diario. La PNL del futuro será el núcleo de la analítica para mejorar y hacer crecer los negocios en todo el mundo.

Si está interesado en obtener más información sobre el procesamiento del lenguaje natural, consulte nuestro programa PG Diploma in Machine Learning and AI, que está diseñado para profesionales que trabajan y proporciona más de 30 estudios de casos y asignaciones, más de 25 sesiones de tutoría de la industria, más de 5 prácticas. proyectos finales, más de 450 horas de capacitación rigurosa y asistencia para la colocación laboral con las mejores empresas.