Processamento de Linguagem Natural: Capacitando Processos Digitais com Voz Inteligente

A maior mudança no processamento de linguagem natural nos últimos dez anos foi a mudança do reconhecimento de padrões tradicional em palavras para abordagens de machine e deep learning.

Processamento de linguagem natural (NLP) torna possível para computadores ler texto, ouvir fala, interpretá-la, medir sentimento e determinar quais partes são importantes. Máquinas atuais podem analisar mais dados baseados em linguagem que humanos, sem fadiga e de forma consistente e imparcial.

"NLP é importante porque ajuda a resolver ambiguidade na linguagem e adiciona estrutura numérica útil aos dados para muitas aplicações downstream, como reconhecimento de fala ou análise de texto", diz Kayne Putman, consultor de analytics na SAS UK & Ireland. "Isso significa que pode ser aplicado em uma ampla variedade de casos de uso de negócio, como análise de fraude e risco ou extração de insights sobre comportamento do cliente. Fundamentalmente, é essencial ter boa análise de dados em vigor e saber o que deseja alcançar antes de introduzir NLP no ambiente."

Desenvolvimento do processamento de linguagem natural

A maior mudança no processamento de linguagem natural nos últimos dez anos foi a mudança do reconhecimento de padrões tradicional em palavras para abordagens de machine e deep learning. Houve avanços recentes na técnica de 'word embedding' (incorporação de palavras) que permite atribuir algum grau de significado semântico a palavras individuais ou grupos de palavras.

"O resultado é um vetor numérico de alta dimensionalidade que permite treinamento e análise de modelo adicionais", diz Jos Martin, gerente sênior de engenharia na MathWorks. "Uma vez que algum significado semântico foi transferido para o espaço numérico, muitas outras técnicas de deep learning desenvolvidas recentemente ficam disponíveis para designers de sistemas NLP."

Por exemplo, muitos sistemas aproveitaram tipos de redes neurais recorrentes de memória de curto e longo prazo (LSTM), úteis para aprender mais sobre relações entre palavras em frases, parágrafos e outros blocos linguísticos. Esses tipos de rede permitem ao designer prever qual pode ser a próxima palavra em uma sequência ou atribuir probabilidades às próximas várias palavras.

Mais que apenas um chatbot

No processamento de linguagem natural tradicional, palavras eram apenas palavras — frases sem sentido que carecem do significado estabelecido pelo contexto mais amplo. É assim que tipicamente categorizaríamos um chatbot, limitado pela informação alimentada a ele em tempo real.

"Para processamento de linguagem natural avançado, podemos melhorar a compreensão contextual representando palavras como vetores de números", diz Johan Toll, diretor executivo de transformações na IPsoft. "Em vez de apenas entender palavras como palavras, isso permite que a máquina entenda similaridades de palavras e frases de formas muito flexíveis."

Por exemplo, entender que a palavra 'contrato' tem significado muito diferente em contexto jurídico do que em filme de gângster. Diferente de um chatbot que entende apenas um fluxo único de informação e linguagem, isso permite uma conversa multifacetada adaptada conforme o contexto requerido, além do tipo de linguagem usado.

Segundo Toll, NLP avançado é um facilitador. "Na verdade, a maioria dos desenvolvimentos de IA e inovações digitais incluem alguma forma de automação inteligente de processos (IPA), com a McKinsey estimando que 50 a 70 por cento das tarefas dentro das empresas são automatizadas", ele adiciona. "É essa automação, facilitada por NLP, que permite o desenvolvimento de novas aplicações de IA, permitindo que organizações obtenham, organizem e identifiquem com precisão vastas quantidades de informações valiosas."

Aumentando a experiência do cliente

Com o crescimento do eCommerce e mercado global em expansão, mais consumidores compram online do que nunca. Para atender essa demanda crescente, organizações estão adotando combinação de tecnologias de próxima geração incluindo NLP para aumentar sua experiência do cliente, melhorar reputação da marca e impulsionar vendas. Pesquisa conduzida na Aspect descobriu que 92 por cento dos respondentes reconhecem o valor do processamento de linguagem natural no atendimento ao cliente moderno.

"Um requisito chave para qualquer organização visionária é oferecer uma experiência omnichannel versátil onde clientes tenham opção de usar capacidades de autoatendimento automatizadas incluindo assistentes virtuais e chatbots desktop ou mobile, junto com meios tradicionais de comunicação", explica Stephen Ball, VP Sênior Europa & África na Aspect. "As verdadeiras recompensas do autoatendimento automatizado só podem ser colhidas se organizações implementarem essas novas tecnologias corretamente, e obter uma compreensão abrangente da tecnologia de processamento de linguagem natural (NLP) é chave para isso.

"É extremamente importante perceber que integração bem-sucedida de 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 às necessidades da empresa, e o mais importante, são avançadas o suficiente para atender às demandas complexas e mutáveis do cliente moderno. Para fazer isso acontecer, é crucial que empresas ofereçam treinamento em NLP e tecnologia para capacitar equipe, bem como trabalhem com parceiros externos para ganhar essa experiência relevante de IA no curto e médio prazo."

Adicionando emoção ao processamento de linguagem natural

A capacidade de entender se alguém está frustrado ou com raiva pela inclinação tonal, palavras que escolhe e pausas entre frases era até recentemente considerada habilidade exclusivamente humana. Uma área florescente de pesquisa é Análise de Emoção.

Análise de Emoção é uma forma de processamento de linguagem natural que busca determinar as emoções do escritor a partir do texto, as emoções podem ser medo, raiva, nojo, frustração, agitação ou até tristeza. "Uma aplicação dessa tecnologia fascinante será em call centers — um operador de helpline poderia adaptar seu conselho e linguagem para melhor atender a necessidade do cliente, sem que o chamador precise explicitamente declarar seu nível de frustração", comenta Sally Epstein, engenheira de machine learning, Cambridge Consultants.

Uma área mais ampla de inovação é Análise de Sentimento, usada para determinar se uma porção de texto livre é positiva, neutra ou negativa. "Usando Análise de Sentimento, é possível buscar eficientemente enormes quantidades de documentos de texto, posts em redes sociais, ou avaliações de produtos para extrair tendências significativas", adiciona Epstein. "Esse insight já está sendo usado por empresas para avaliar satisfação do consumidor para sua marca."
Mais importante, essas técnicas podem ser rapidamente escaladas para extrair insight de diferentes dialetos regionais e idiomas.

O que vem a seguir para processamento de linguagem natural?

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

Outra grande área será a aplicação bem-sucedida de transfer learning ao processamento de linguagem natural. Somente no último ano tornou-se possível ter modelos pré-treinados de deep learning para transfer learning em NLP, o que é significativo porque transfer learning existe há mais tempo para visão computacional. Isso é um grande avanço porque permite ao usuário beneficiar-se do mesmo modelo pré-treinado, ainda que com ajustes, em todo tipo de tarefas de análise de texto — de análise de sentimento a perguntas e respostas.

Artigo por Mark Venables.