Evoluzione della modellazione linguistica nella vita moderna

In che modo la modellazione del linguaggio, concepita a metà del secolo precedente, è diventata parte integrante dell'intelligenza artificiale con applicazioni pratiche nella vita moderna? In che modo questa miscela di intelligenza artificiale e linguistica computazionale è diventata il fulcro del nostro mondo? Facciamo un viaggio lungo il concetto di elaborazione del linguaggio naturale (NLP) e le sue applicazioni popolari come chatbot, comandi vocali e assistenti virtuali come Google Assistant, Siri, Cortana e Alexa di Amazon.

Cos'è la PNL?

In parole semplici, la PNL aiuta i computer a comprendere, interpretare e utilizzare la lingua umana e consente anche una comunicazione completa in un modo più sfumato. La PNL attinge da varie discipline, tra cui la linguistica e l'informatica, e fornisce ai computer la capacità di leggere testo, ascoltare il parlato e interpretare una grande quantità di dati. Si è ampiamente evoluto dagli anni '50 ed è diventato parte della nostra vita quotidiana. È probabile che continui a fornire soluzioni standard e innovative a problemi comuni, riducendo tempi, sforzi umani e costi.

Storia della PNL

Alan Turing , un esperto di informatica teorica e intelligenza artificiale, concepì per la prima volta l'idea dell'elaborazione del linguaggio naturale negli anni '50. Ha scritto un documento in cui spiegava un test per una macchina, in cui affermava che se una macchina può essere parte di una conversazione utilizzando una telescrivente, allora può anche essere insegnato come imitare un essere umano. Schemi ripetuti permetterebbero a una macchina di apprendere questo atto, dopodiché potrebbe essere considerata in grado di pensare.

Nel 1954, un esperimento della Georgetown University e dell'IBM tentò di tradurre automaticamente sei frasi russe in inglese, piantando il seme della speranza che la traduzione automatica sarebbe stata possibile in un breve lasso di tempo. Tuttavia, è stato solo alla fine degli anni '80 che è stato sviluppato il primo sistema di traduzione automatica statistica (traduzioni generate attraverso un modello statistico). Nel corso degli anni '50 e '80, sono stati compiuti progressi nella creazione di altri programmi di linguaggio naturale.

Di questi, ELIZA ha preso il centro della scena a metà degli anni '60. Si trattava di un programma per computer sviluppato presso il Laboratorio di Intelligenza Artificiale del MIT da Joseph Weizenbaum per chiarire la superficialità della comunicazione tra umani e macchine. Ha rivelato che la comunicazione con le macchine non implicava la contestualizzazione degli eventi e seguiva solo un copione. Tuttavia, gli utenti hanno attribuito al programma sentimenti umani. ELIZA ha aperto la strada a quelli che oggi conosciamo come chatbot (noti anche come chatterbot), che si sono evoluti nel tempo.

Gli anni '70 sono stati il ​​decennio della creazione di informazioni strutturate del mondo reale in dati comprensibili dal computer e una serie di programmi ha migliorato la tecnologia disponibile. Quelli degni di nota includevano PARRY (un chatbot del 1972 con risposte emotive) e successivamente Racter (un chatbot ironico creato nel 1984) e Jabberwacky (un chatbot concepito nel 1988 che mirava a simulare una conversazione umana in modo divertente).

Gli anni '80 sono stati rivoluzionari nell'elaborazione del linguaggio naturale, quando gli algoritmi di apprendimento automatico sono stati utilizzati per l'elaborazione del linguaggio. C'è stato un aumento della potenza di calcolo e la graduale semplificazione della linguistica. Con alberi decisionali, etichettatura vocale e focus su modelli statistici, modelli linguistici cache e riconoscimento vocale, i risultati sono diventati più affidabili.

I primi successi dell'apprendimento automatico possono essere attribuiti a IBM Research, dove successivamente sono stati sviluppati modelli statistici più complicati, inclusa la traduzione di tutti gli atti governativi in ​​tutte le lingue ufficiali del Canada e dell'Unione Europea.

Il 21 ° secolo ha introdotto l'apprendimento della rappresentazione (apprendimento automatico delle funzionalità) e metodi di apprendimento automatico in stile rete neurale profonda per ottenere risultati all'avanguardia. Ciò include incorporamenti di parole per acquisire la semantica e domande e risposte di livello superiore, dando vita alla traduzione automatica neurale (NMT), che utilizza una rete neurale artificiale per prevedere una sequenza di parole, modellando un'intera frase in un unico modello integrato.

Negli ultimi due decenni, la PNL ha esplorato più modelli di linguaggio neurale, apprendimento multi-task, incorporamenti di parole, reti neurali più avanzate, modelli da sequenza a sequenza, reti basate sulla memoria e modelli linguistici pre-addestrati. Questo progresso ha portato ad applicazioni come tastiere intelligenti e suggerimenti di risposta e-mail all'assistenza vocale da parte delle macchine.

Ora c'è un passaggio costante dall'elaborazione del linguaggio naturale (NLP) alla comprensione del linguaggio naturale (NLU), in cui un utente che ha una connessione emotiva umana con le macchine non sarà eretico.

Coding vs Statistical NLP

Inizialmente, i sistemi di elaborazione del linguaggio sono stati progettati mediante codifica manuale, essenzialmente scrivendo grammatica o escogitando regole euristiche. Tuttavia, a metà degli anni '80, questo è passato all'apprendimento automatico, che utilizzava l'inferenza statistica per apprendere automaticamente queste regole attraverso l'analisi di un ampio set di esempi del mondo reale. Ciò ha comportato una differenza palpabile nella velocità e nella comprensione dei sistemi di elaborazione del linguaggio.

Le procedure di apprendimento utilizzate durante l'apprendimento automatico si sono concentrate automaticamente sui casi più comuni. Potrebbero evidenziare e correggere input errati, parole errate e gestire compiti più complessi tramite algoritmi. Questo è stato un punto di svolta e ha raggiunto uno scenario in cui la PNL potrebbe essere utilizzata ampiamente e con successo su scala globale.

È stata una lunga strada per raggiungere un punto in cui l'induzione grammaticale, la lemmatizzazione, la segmentazione morfologica, l'etichettatura del parlato, l'analisi, l'interruzione delle frasi, la derivazione, la segmentazione delle parole e l'estrazione della terminologia potessero essere utilizzate per creare piattaforme robuste per l'utilizzo della PNL.

Applicazioni NLP nella vita reale

1. Traduzione automatica

La PNL ha sviluppato diversi punti di contatto nelle nostre vite, soprattutto nell'ultimo decennio. Una delle applicazioni più popolari è la traduzione automatica , meglio conosciuta come Google Translate . Basato su SMT (traduzione automatica statistica, che si riferisce alla traduzione automatica generata sulla base di modelli statistici), Google Translate non esegue una traduzione parola per parola ma assegna un valore semantico alle parole per tradurle in modo coerente.

Tuttavia, a causa dell'ambiguità e della flessibilità intrinseche del linguaggio umano, tale traduzione non è del tutto accurata. Detto questo, Google Translate è ancora lo strumento più popolare utilizzato per la traduzione in viaggio, colmando il divario linguistico.

2. Riconoscimento vocale

Un altro esempio esemplare e riconoscibile di PNL. I programmi software di riconoscimento vocale consentono la decodifica della voce umana, che può essere utilizzata nella telefonia mobile, nella domotica, nell'informatica a mani libere, nell'assistenza virtuale, nei videogiochi e altro ancora. L'uso più popolare di questo nella nostra vita quotidiana è arrivato con l'avvento di Google Assistant, Siri e Alexa di Amazon .

Come funziona? Nel caso di Google Assistant, il parlato viene trasformato in testo utilizzando il sistema Hidden Markov Model (HMM). Il sistema HMM ascolta clip di 10–20 millisecondi di parole pronunciate, ricerca i fonemi e li confronta con il parlato preregistrato. Il processo di comprensione è seguito dall'identificazione della lingua e del contesto.

Il sistema scompone ogni parola nella sua parte del discorso (nome, verbo, ecc.) e quindi determina il contesto dei tuoi ordini. Quindi, classifica questo comando ed esegue efficacemente un'attività. Alexa, d'altra parte, funziona in modo leggermente diverso.

Ogni volta che dici qualcosa, le parole tornano al server Amazon per essere decifrate. Il sistema si basa su un enorme database di parole e istruzioni per valutare ed eseguire un comando. Ad esempio, se Alexa rileva parole come "pizza" o "cena", aprirà un'app per il cibo oppure, se rileva la parola "riproduci", si collegherà alle opzioni musicali.

3. Analisi del sentimento

Quando si parla di PNL, l'analisi del sentiment non può essere ignorata. Questo è anche noto come opinion mining o IA delle emozioni, che misura l'inclinazione delle opinioni delle persone. Implica l'identificazione di informazioni soggettive nel testo e ha una serie di applicazioni. Il monitoraggio del marchio e la gestione della reputazione sono l'uso più comune dell'analisi del sentimento nei settori.

Consente alle aziende di tracciare la percezione di un marchio, identificare le tendenze, tenere d'occhio gli influencer e il loro impatto, monitorare le recensioni di un prodotto o servizio, cercare nuove idee e variazioni e modificare di conseguenza le strategie di marketing. Oltre alla percezione del marchio e all'opinione dei clienti, la ricerca di mercato è un altro importante campo di applicazione dell'analisi del sentimento.

La creazione e il monitoraggio di contenuti generati dagli utenti (recensioni), articoli di notizie, contenuti della concorrenza e colmare il divario sull'intelligence di mercato sono spesso i sottoinsiemi dell'analisi del sentimento. La gestione della reputazione e l'analisi del prodotto è un'altra applicazione dell'analisi del sentimento utilizzata in tutti i settori. In questo modo, i marchi possono ottenere feedback sfumati sui loro prodotti.

L'analisi del sentimento basata sull'aspetto è un altro modo in cui i marchi possono utilizzare l'analisi del sentimento in modo produttivo. L'approccio di analisi basato sugli aspetti consente di estrarre i punti più praticabili per quanto riguarda il feedback dei clienti. Data questa ricchezza di informazioni e analisi, i marchi sono in grado di modificare, aggiornare e indirizzare la comunicazione e apportare modifiche al prodotto o servizio di conseguenza.

4. Assistenti virtuali

L'assistenza virtuale con l'aiuto di chatbot più maturi è un approccio moderno verso una comunicazione rapida ed efficace con i consumatori. Le attività a bassa priorità ma ad alto fatturato, che non richiedono abilità, possono essere facilmente fornite con l'aiuto dei chatbot. C'è stata una crescente fiducia e popolarità tra utenti e sviluppatori mentre ci muoviamo verso la rapida evoluzione di chatbot intelligenti che offriranno assistenza personalizzata al cliente nel prossimo futuro.

In effetti, l'applicazione dei chatbot ha anche spinto i professionisti del marketing a utilizzare l'assistenza virtuale in modo più produttivo, creando nuovi formati di pubblicità e comunicazione che si adattano ai programmi di chatbot.

5. Assistenza sanitaria

Nel mondo medico, il servizio di assistenza primaria basato sull'intelligenza artificiale implica la risoluzione di molti compiti della PNL. Alcuni degli attuali casi d'uso della PNL in medicina implicano l'estrazione di diverse entità mediche, inclusi sintomi, malattie o trattamenti da una grande quantità di informazioni.

La scoperta della conoscenza da testi medici non strutturati per disegnare schemi e relazioni è estremamente utile per i professionisti dell'assistenza medica. Per quanto la PNL possa essere utilizzata per trarre informazioni, può anche essere utilizzata per comunicare risposte pertinenti e creare funzionalità di completamento automatico per un sistema di comunicazione clinicamente consapevole.

6. Sistema di posta elettronica

Nel 2017, Google ha lanciato SmartReply , la sua abilità basata sull'apprendimento automatico, per rispondere alle e-mail con il minimo sforzo. La digitazione più veloce, la digitazione predittiva, il controllo ortografico e grammaticale ne fanno parte. Smart Reply scansiona il testo di un messaggio in arrivo e suggerisce tre risposte di base che l'utente può modificare e inviare, riducendo il tempo impiegato per risposte semplici o banali.

Questo è interamente basato su reti neurali addestrate ad analizzare i messaggi e convertirli in codici numerici che ne rappresentano il significato. All'interno del sistema di posta elettronica, la classificazione delle e-mail e il rilevamento dello SPAM sono altri modi in cui la PNL ha semplificato le nostre vite.

7. Comportamento di ricerca

Il comportamento di ricerca è un altro aspetto supportato dalla PNL che incontriamo quotidianamente. I motori di ricerca utilizzano la NLP per mostrare risultati pertinenti in base a comportamenti di ricerca o intenzioni dell'utente simili, in modo che l'utente medio trovi ciò di cui ha bisogno con facilità. Ad esempio, Google non solo prevede quali ricerche popolari potrebbero essere applicate alla query di un individuo quando iniziano a digitare, ma esamina anche l'intero quadro mostrando risultati tangenziali pertinenti.

8. Telefonate digitali

Le telefonate digitali possono sembrare una parte invadente della giornata, quando un messaggio di marketing registrato vocale ti parla, ma questo è un ottimo mezzo per raggiungere un gran numero di persone e risolvere rapidamente i problemi. La PNL consente un linguaggio generato dal computer vicino alla voce di un essere umano, che può raccogliere informazioni da un consumatore e svolgere compiti semplici come trasmettere informazioni e prenotare un appuntamento.

9. Case intelligenti

I comandi vocali all'interno dell'auto, come chiudere le porte, abbassare i finestrini o riprodurre una certa musica, sono solo alcune delle funzioni che la NLP ha abilitato nell'industria automobilistica . Nell'arena dell'automazione, la domotica è anche strettamente collegata alla NLP, dove i comandi vocali per chiudere o aprire tapparelle, luci ed elettrodomestici sono al centro delle " case intelligenti".

Questi sono solo alcuni dei tanti usi della PNL che incontriamo nelle nostre vite. I punti di contatto sono nel mondo degli affari, dello sviluppo personale, delle risorse umane, delle vendite, dell'insegnamento, della medicina, delle telecomunicazioni, delle automobili, delle infrastrutture, del coaching e molti altri.

Qual è il prossimo?

La PNL, sebbene ancora nascente rispetto ai big data e al deep learning, è ampiamente considerata il futuro del servizio clienti. Promette di rendere i dati più user-friendly e conversazionali, rendendoli il polo della tenda dell'analisi aziendale. I chatbot, ad esempio, saranno ancora più sofisticati e salutari con la capacità di decodificare richieste complesse e di lunga durata in tempo reale.

Ciò che probabilmente cambierà per quanto riguarda le attuali capacità della PNL è la comprensione sfumata del linguaggio. La PNL del futuro consentirà di comprendere le sottigliezze e il tono del linguaggio e fornirà conoscenze e approfondimenti utili, che potrebbero essere nell'ambito di relazioni annuali, trascrizioni di chiamate, comunicazioni sensibili agli investitori o documenti legali e di conformità.

L'uso esteso della PNL può essere visto anche nei settori della robotica, della sanità, dei servizi finanziari, dell'auto e delle infrastrutture, con punti di contatto nell'uso quotidiano. La PNL del futuro sarà il fulcro dell'analisi per migliorare e far crescere le aziende in tutto il mondo.

Se sei interessato a saperne di più sull'elaborazione del linguaggio naturale, dai un'occhiata al nostro programma PG Diploma in Machine Learning e AI, progettato per i professionisti che lavorano e fornisce oltre 30 casi di studio e incarichi, oltre 25 sessioni di tutoraggio del settore, oltre 5 pratiche pratiche progetti capstone, oltre 450 ore di formazione rigorosa e assistenza all'inserimento lavorativo con le migliori aziende.