O processamento de linguagem natural dá voz aos processos digitais

A maior mudança no processamento de linguagem natural nos últimos dez anos foi o afastamento do reconhecimento de padrões mais tradicional em palavras e avançar para abordagens de aprendizado profundo e de máquina
O processamento de linguagem natural (NLP) possibilita que os computadores leiam texto, ouçam fala, interpretem, meçam sentimentos e determinem quais partes são importantes. As máquinas de hoje podem analisar mais dados baseados em linguagem do que humanos, sem fadiga e de maneira consistente e imparcial.

“A PNL é importante porque ajuda a resolver a ambiguidade na linguagem e adiciona estrutura numérica útil aos dados para muitos aplicativos downstream, como reconhecimento de fala ou análise de texto”, diz Kayne Putman, consultor de análise da SAS UK &Ireland. “Isso significa que pode ser aplicado em uma ampla variedade de casos de uso de negócios, como fraude e análise de risco ou extração de informações sobre o comportamento do cliente. Fundamentalmente, é essencial ter uma boa análise de dados e saber o que você deseja alcançar antes de introduzir a PNL no ambiente.”

Desenvolvimento do processamento de linguagem natural

A maior mudança no processamento de linguagem natural nos últimos dez anos foi o afastamento do reconhecimento de padrões mais tradicional em palavras e a mudança para abordagens de aprendizado profundo e de máquina. Houve avanços recentes em termos da técnica de “incorporação de palavras”, que permite que algum grau de significado semântico seja atribuído a palavras individuais ou grupos de palavras.

“O resultado é um vetor numérico de alta dimensionalidade que permite que mais treinamento e análise de modelos ocorram”, diz Jos Martin, gerente sênior de engenharia da MathWorks. “Uma vez que parte do significado semântico foi transferido para o espaço numérico, muitas outras técnicas de aprendizado profundo recentemente desenvolvidas se tornam disponíveis para os projetistas de sistemas de PNL.”

Por exemplo, muitos sistemas aproveitaram os tipos de redes neurais recorrentes de memória longa e curta (LSTM), úteis para aprender mais sobre as relações entre palavras em frases, parágrafos e outros blocos linguísticos. Esses tipos de rede permitem que o projetista preveja qual pode ser a próxima palavra em uma sequência ou atribua probabilidades às próximas palavras.

Mais do que apenas um chatbot

No processamento tradicional de linguagem natural, as palavras eram apenas palavras – frases um tanto sem sentido que carecem do significado estabelecido por um contexto mais amplo. É assim que normalmente categorizamos um chatbot, que é limitado pelas informações fornecidas a ele em tempo real.

“Para processamento avançado de linguagem natural, podemos melhorar a compreensão contextual ao representar palavras como vetores de números”, diz Johan Toll, diretor executivo de transformações da IPsoft. “Em vez de apenas entender palavras como palavras, isso permite que a máquina entenda semelhanças de palavras e semelhanças de frases de maneiras muito flexíveis.”

Por exemplo, entender que a palavra “contrato” tem um significado muito diferente em um contexto legal do que em um filme de gângster. Ao contrário de um chatbot que entende apenas um único fluxo de informações e linguagem, isso permite uma conversa multifacetada que é adaptada de acordo com o contexto necessário, além do tipo de linguagem usada.

De acordo com Toll, a PNL avançada é um facilitador. “Na verdade, a maioria dos desenvolvimentos de IA e inovações digitais incluem alguma forma de automação de processos inteligentes (IPA), com a McKinsey estimando que 50 a 70% das tarefas nas empresas são automatizadas”, acrescenta. “É essa automação, facilitada pela NLP, que permite o desenvolvimento de novos aplicativos de IA, permitindo que as organizações obtenham, organizem e identifiquem com precisão grandes quantidades de informações valiosas. “

Aprimorando a experiência do cliente

Com o crescimento do comércio eletrônico e o mercado global em expansão, mais consumidores estão comprando online do que nunca. Para atender a essa demanda crescente, as organizações estão adotando uma combinação de tecnologias de última geração, incluindo a PNL, para aumentar a experiência do cliente, melhorar a reputação da marca e aumentar as vendas. Uma pesquisa realizada na Aspect descobriu que 92% dos entrevistados reconhecem o valor do processamento de linguagem natural no atendimento ao cliente moderno.

“Um requisito fundamental para qualquer organização com visão de futuro é oferecer uma experiência omnichannel versátil, onde os clientes tenham a opção de usar recursos de autoatendimento automatizados, incluindo assistentes virtuais e chatbots de desktop ou móveis, juntamente com os meios tradicionais de comunicação”, Stephen Ball, vice-presidente sênior Europa e África na Aspect explica. “As verdadeiras recompensas do autoatendimento automatizado só podem ser colhidas se as organizações implementarem essas novas tecnologias adequadamente, e obter uma compreensão abrangente da tecnologia de processamento de linguagem natural (NLP) é fundamental para isso.

“É extremamente importante perceber que a integração bem-sucedida do processamento de linguagem natural é um processo que leva tempo e esforço e requer investimento em IA e tecnologias associadas que podem ser facilmente adaptadas para atender às necessidades da empresa e, o mais importante, são avançadas o suficiente para atender às demandas complexas e mutáveis ​​do cliente moderno. Para que isso aconteça, é crucial que as empresas ofereçam treinamento em PNL e tecnologia para aprimorar a qualificação da equipe, além de trabalhar com parceiros externos para obter essa experiência relevante de IA no curto e médio prazo.”

Adicionar emoção ao processamento de linguagem natural

A capacidade de entender se alguém está frustrado ou irritado pela inclinação tonal, pelas palavras que escolhe e pelas pausas entre as frases era até recentemente considerada uma habilidade exclusivamente humana. Uma área florescente de pesquisa é a Análise das Emoções.

A análise de emoções é uma forma de processamento de linguagem natural que procura determinar as emoções do escritor a partir do texto, as emoções podem ser medo, raiva, nojo, frustração, agitação ou até tristeza. “Uma dessas aplicações dessa fascinante tecnologia será em call centers – um operador de linha de apoio pode adaptar seus conselhos e linguagem para melhor atender às necessidades de um cliente, sem que o chamador tenha que declarar explicitamente seu nível de frustração”, Sally Epstein, engenheira de aprendizado de máquina, Comentários dos Consultores de Cambridge.

Uma área mais ampla de inovação é a Análise de Sentimentos, usada para determinar se uma parte do texto de forma livre é positiva, neutra ou negativa. “Usando o Sentiment Analysis é possível pesquisar com eficiência enormes quantidades de documentos de texto, postagens de mídia social ou análises de produtos para extrair tendências significativas”, acrescenta Epstein. “Esse insight já está sendo usado pelas empresas para avaliar a satisfação do consumidor com sua marca.”
O mais importante é que essas técnicas podem ser rapidamente dimensionadas para obter insights de diferentes dialetos e idiomas regionais.

O que vem a seguir para o processamento de linguagem natural?

Quanto ao futuro, um melhor controle de voz e reconhecimento de fala será uma grande área para o processamento de linguagem natural. Embora o reconhecimento de fala tenha melhorado significativamente nos últimos anos, ainda há algum caminho a percorrer antes que seja bom o suficiente para ser usado de forma mais ampla. Parte dos avanços nessa área virá com modelos melhores.

Outra grande área será a aplicação bem-sucedida de transferência de aprendizado para processamento de linguagem natural. Foi apenas no último ano que se tornou possível ter modelos pré-treinados de aprendizado profundo para aprendizado de transferência em processamento de linguagem natural, o que é significativo porque o aprendizado de transferência existe há mais tempo para visão computacional. Este é um grande avanço porque permite que o usuário se beneficie do mesmo modelo pré-treinado, embora com alguns ajustes, em todos os tipos de tarefas de análise de texto – desde análise de sentimentos até respostas a perguntas.

Artigo de Mark Venables.