Evolução da Modelagem da Linguagem na Vida Moderna

Como a modelagem de linguagem, concebida em meados do século anterior, tornou-se parte integrante da inteligência artificial com aplicações práticas na vida moderna? Como essa mistura de inteligência artificial e linguística computacional se tornou o núcleo do nosso mundo? Vamos viajar pelo conceito de processamento de linguagem natural (NLP) e seus aplicativos populares, como chatbots, comandos de voz e assistentes virtuais, como Google Assistant, Siri, Cortana e Alexa da Amazon.

O que é PNL?

Em palavras simples, a PNL ajuda os computadores a entender, interpretar e utilizar a língua humana e também permite uma comunicação completa de uma forma mais sutil. A PNL se baseia em várias disciplinas, incluindo linguística e ciência da computação, e fornece aos computadores a capacidade de ler texto, ouvir fala e interpretar uma grande quantidade de dados. Ele evoluiu extensivamente desde a década de 1950 e tornou-se parte de nossas vidas diárias. É provável que continue fornecendo soluções padronizadas e inovadoras para problemas comuns, reduzindo tempo, esforço humano e custo.

História da PNL

Alan Turing , um especialista teórico em ciência da computação e inteligência artificial, concebeu pela primeira vez a ideia de processamento de linguagem natural na década de 1950. Ele escreveu um artigo elucidando um teste para uma máquina, no qual afirmava que, se uma máquina pode fazer parte de uma conversa usando um teleimpressor, também pode ser ensinada a imitar um humano. Padrões repetidos permitiriam que uma máquina aprendesse esse ato, após o qual ela poderia ser considerada capaz de pensar.

Em 1954, um experimento da Universidade de Georgetown e da IBM tentou traduzir automaticamente seis frases russas para o inglês, plantando a semente da esperança de que a tradução automática seria possível em um curto espaço de tempo. No entanto, não foi até o final da década de 1980 que o primeiro sistema de tradução automática estatística (traduções geradas por meio de um modelo estatístico) foi desenvolvido. Durante um período de 1950 a 1980, houve progresso na construção de outros programas de linguagem natural.

Destes, ELIZA ocupou o centro do palco em meados da década de 1960. Este foi um programa de computador desenvolvido no Laboratório de Inteligência Artificial do MIT por Joseph Weizenbaum para elucidar a superficialidade da comunicação entre humanos e máquinas. Revelou que a comunicação com as máquinas não envolvia a contextualização de eventos e seguia apenas um roteiro. Ainda assim, os usuários atribuíram sentimentos humanos ao programa. ELIZA abriu o caminho para o que hoje conhecemos como chatbots (também conhecidos como chatterbots), que evoluiu ao longo do tempo.

A década de 1970 foi a década da criação de informações estruturadas do mundo real em dados compreensíveis por computador, e vários programas aprimoraram a tecnologia disponível. Os notáveis ​​incluíram PARRY (um chatbot de 1972 com respostas emocionais), e mais tarde, Racter (um chatbot irônico criado em 1984) e Jabberwacky (um chatbot concebido em 1988 que visava simular uma conversa humana de uma forma divertida).

A década de 1980 foi revolucionária no processamento de linguagem natural, quando algoritmos de aprendizado de máquina foram usados ​​para processamento de linguagem. Houve um aumento no poder computacional e a simplificação gradual da linguística. Com árvores de decisão, marcação de fala e foco em modelos estatísticos, modelos de linguagem de cache e reconhecimento de fala, os resultados se tornaram mais confiáveis.

Os primeiros sucessos do aprendizado de máquina podem ser atribuídos à IBM Research, onde sucessivamente, modelos estatísticos mais complicados foram desenvolvidos, incluindo a tradução de todos os procedimentos governamentais para todos os idiomas oficiais do Canadá e da União Européia.

O século 21 trouxe o aprendizado de representação (aprendizado automático de recursos) e métodos de aprendizado de máquina no estilo de rede neural profunda para alcançar resultados de última geração. Isso inclui incorporação de palavras para capturar semântica e perguntas e respostas de nível superior, dando origem à tradução automática neural (NMT), que usa uma rede neural artificial para prever uma sequência de palavras, modelando uma frase inteira em um único modelo integrado.

Nas últimas duas décadas, a PNL explorou mais modelos de linguagem neural, aprendizado multitarefa, incorporação de palavras, redes neurais mais avançadas, modelos de sequência a sequência, redes baseadas em memória e modelos de linguagem pré-treinados. Esse avanço levou a aplicativos como teclados inteligentes e sugestões de resposta de e-mail para assistência habilitada por voz por máquinas.

Agora, há uma mudança constante do Processamento de Linguagem Natural (NLP) para o Compreensão da Linguagem Natural (NLU), onde um usuário que tenha uma conexão emocional humana com as máquinas não será herético.

Codificação versus PNL Estatística

Inicialmente, os sistemas de processamento de linguagem eram projetados por codificação manual, essencialmente escrevendo gramática ou criando regras heurísticas. No entanto, em meados da década de 1980, isso mudou para aprendizado de máquina, que usava inferência estatística para aprender automaticamente essas regras por meio da análise de um grande conjunto de exemplos do mundo real. Isso resultou em uma diferença palpável na velocidade e compreensão dos sistemas de processamento de linguagem.

Os procedimentos de aprendizado usados ​​durante o aprendizado de máquina focaram automaticamente nos casos mais comuns. Eles poderiam apontar e corrigir entradas errôneas, palavras incorretas e lidar com tarefas mais complexas por meio de algoritmos. Isso foi um divisor de águas e chegou a um cenário em que a PNL poderia ser usada amplamente e com sucesso em escala global.

Foi um longo caminho para chegar a um ponto em que a indução gramatical, lematização, segmentação morfológica, marcação de fala, análise sintática, quebra de frases, lematização, segmentação de palavras e extração de terminologia pudessem ser usados ​​para criar plataformas robustas para o uso da PNL.

Aplicações de PNL na Vida Real

1. Tradução automática

A PNL desenvolveu vários pontos de contato em nossas vidas, especialmente na última década. Uma das aplicações mais populares é a tradução automática , mais conhecida como Google Translate . Com base na SMT (tradução automática estatística, que se refere à tradução automática gerada com base em modelos estatísticos), o Google Tradutor não faz uma tradução palavra por palavra, mas atribui valor semântico às palavras para traduzi-las de maneira coerente.

No entanto, devido à ambiguidade e flexibilidade inerentes à linguagem humana, essa tradução não é totalmente precisa. Dito isto, o Google Tradutor ainda é a ferramenta mais popular usada para tradução em viagens, preenchendo a lacuna linguística.

2. Reconhecimento de fala

Outro exemplo exemplar e relacionável de PNL. Os programas de software de reconhecimento de voz permitem a decodificação da voz humana, que pode ser usada em telefonia móvel, automação residencial, computação mãos-livres, assistência virtual, videogames e muito mais. O uso mais popular disso em nossas vidas diárias veio com o advento do Google Assistant, Siri e Alexa da Amazon .

Como é que isso funciona? No caso do Google Assistant, a fala é transformada em texto usando o sistema Hidden Markov Model (HMM). O sistema HMM ouve clipes de 10 a 20 milissegundos de palavras faladas e procura fonemas e os compara com a fala pré-gravada. O processo de compreensão é seguido pela identificação da linguagem e do contexto.

O sistema divide cada palavra em sua classe gramatical (substantivo, verbo, etc.) e então determina o contexto de suas ordens. Em seguida, ele categoriza esse comando e executa efetivamente uma tarefa. O Alexa, por outro lado, funciona de maneira um pouco diferente.

Cada vez que você diz algo, as palavras voltam ao servidor da Amazon para serem decifradas. O sistema conta com um enorme banco de dados de palavras e instruções para avaliar e executar um comando. Por exemplo, se o Alexa detectar palavras como 'pizza' ou 'jantar', ele abrirá um aplicativo de comida ou, se detectar a palavra 'play', ele se conectará às opções de música.

3. Análise de Sentimentos

Ao falar sobre PNL, a análise de sentimentos não pode ser ignorada. Isso também é conhecido como mineração de opinião ou IA de emoção, que mede a inclinação das opiniões das pessoas. Envolve a identificação de informações subjetivas no texto e tem várias aplicações. O monitoramento da marca e o gerenciamento da reputação são o uso mais comum da análise de sentimentos nas indústrias.

Ele permite que as empresas acompanhem a percepção de uma marca, identifiquem tendências, fiquem atentos aos influenciadores e seu impacto, monitorem as avaliações de um produto ou serviço, busquem novas ideias e variações e ajustem as estratégias de marketing de acordo. Além da percepção da marca e da opinião do cliente, a pesquisa de mercado é outro campo proeminente de aplicação da análise de sentimentos.

A criação e o rastreamento de conteúdo gerado pelo usuário (revisões), artigos de notícias, conteúdo de concorrentes e preenchimento da lacuna na inteligência de mercado são frequentemente os subconjuntos da análise de sentimentos. O gerenciamento de reputação e a análise de produtos são mais uma aplicação da análise de sentimentos usada em todos os setores. Com isso, as marcas podem obter feedback diferenciado sobre seus produtos.

A análise de sentimentos baseada em aspectos é outra maneira pela qual as marcas podem usar a análise de sentimentos de forma produtiva. A abordagem de análise baseada em aspectos permite extrair os pontos mais viáveis ​​em relação ao feedback do cliente. Dadas essas informações e análises ricas, as marcas podem ajustar, atualizar e direcionar a comunicação e fazer alterações no produto ou serviço de acordo.

4. Assistentes Virtuais

A assistência virtual com a ajuda de chatbots mais maduros é uma abordagem moderna para uma comunicação rápida e eficaz com os consumidores. Tarefas de baixa prioridade, mas de alta rotatividade, que não exigem habilidade, podem ser facilmente fornecidas com a ajuda de chatbots. Tem havido uma crescente confiança e popularidade entre usuários e desenvolvedores à medida que avançamos para a rápida evolução de chatbots inteligentes que oferecerão assistência personalizada ao cliente em um futuro próximo.

De fato, a aplicação de chatbots também impulsionou os profissionais de marketing a usar a assistência virtual de forma mais produtiva, criando novos formatos de anúncios e comunicação que se encaixam nos programas de chatbot.

5. Saúde

No mundo médico, o serviço de atenção primária com inteligência artificial envolve a resolução de muitas tarefas de PNL. Alguns dos casos atuais de uso da PNL na medicina envolvem a extração de diferentes entidades médicas, incluindo sintomas, doenças ou tratamentos de uma grande quantidade de informações.

A descoberta de conhecimento a partir de textos médicos não estruturados para desenhar padrões e relacionamentos é extremamente útil para profissionais de saúde. Por mais que a PNL possa ser usada para extrair informações, ela também pode ser usada para comunicar respostas relevantes e criar funcionalidades de preenchimento automático para um sistema de comunicação medicamente consciente.

6. Sistema de e-mail

Em 2017, o Google lançou o SmartReply , sua proeza baseada em aprendizado de máquina, para responder a e-mails com pouco esforço. Digitação mais rápida, digitação preditiva, verificação ortográfica e gramatical fazem parte disso. O Smart Reply verifica o texto de uma mensagem recebida e sugere três respostas básicas que o usuário pode ajustar e enviar, reduzindo o tempo gasto para respostas simples ou mundanas.

Isso é inteiramente baseado em redes neurais treinadas para analisar mensagens e convertê-las em códigos numéricos que representam seu significado. Dentro do sistema de e-mail, a classificação de e-mail e a detecção de SPAM são outras maneiras pelas quais a PNL simplificou nossas vidas.

7. Comportamento de pesquisa

O comportamento de busca é outro aspecto apoiado pela PNL que encontramos diariamente. Os mecanismos de pesquisa usam a PNL para mostrar resultados relevantes com base em comportamentos de pesquisa semelhantes ou na intenção do usuário, para que o usuário médio encontre o que precisa com facilidade. Por exemplo, o Google não apenas prevê quais pesquisas populares podem ser aplicadas à consulta de um indivíduo à medida que ele começa a digitar, mas também analisa a imagem inteira de forma abrangente, mostrando resultados tangenciais relevantes.

8. Chamadas Digitais

As chamadas telefônicas digitais podem parecer uma parte intrusiva do dia, quando uma mensagem de marketing gravada de voz fala com você, mas esse é um ótimo meio para alcançar um grande número de pessoas e resolver problemas rapidamente. A PNL permite uma linguagem gerada por computador próxima à voz de um ser humano, que pode coletar informações de um consumidor e realizar tarefas simples, como transmitir informações e agendar uma consulta.

9. Casas Inteligentes

Comandos de voz no carro, como trancar portas, abrir janelas ou tocar determinada música, são apenas algumas das funções que a PNL habilitou na indústria automobilística . Na área de automação, a automação residencial também está intimamente ligada à PNL, onde comandos de voz para fechar ou abrir persianas, luzes e eletrodomésticos estão no centro das ' casas inteligentes'.

Esses são apenas alguns dos muitos usos da PNL que encontramos em nossas vidas. Os pontos de contato estão no mundo dos negócios, desenvolvimento pessoal, RH, vendas, ensino, medicina, telecomunicações, automóveis, infraestrutura, coaching e muito mais.

Qual é o próximo?

A PNL, embora ainda incipiente em comparação com big data e aprendizado profundo, é amplamente considerada o futuro do atendimento ao cliente. Ele promete tornar os dados mais fáceis de usar e conversacionais, tornando-se o pólo de sustentação da análise de negócios. Os chatbots, por exemplo, serão ainda mais sofisticados e saudáveis, com a capacidade de decodificar solicitações complexas e longas em tempo real.

O que provavelmente mudará em relação às habilidades atuais da PNL é a compreensão diferenciada da linguagem. A PNL do futuro permitirá entender as sutilezas e o tom da linguagem e fornecerá conhecimento e insights úteis, que podem estar na esfera de relatórios anuais, transcrições de chamadas, comunicações sensíveis ao investidor ou documentos legais e de conformidade.

O uso expandido da PNL também pode ser visto nos setores de robótica, saúde, serviços financeiros, automobilístico e de infraestrutura, com pontos de contato em uso diário. A PNL do futuro será o núcleo da análise para aprimorar e expandir os negócios em todo o mundo.

Se você estiver interessado em saber mais sobre processamento de linguagem natural, confira nosso programa PG Diploma in Machine Learning and AI, projetado para profissionais que trabalham e fornece mais de 30 estudos de caso e atribuições, mais de 25 sessões de orientação do setor, mais de 5 práticas práticas projetos capstone, mais de 450 horas de treinamento rigoroso e assistência para colocação de emprego com as principais empresas.