Natuurlijke taalverwerking — de toekomst van e-commerce — uitgelegd

'Het is slechts een kwestie van tijd voordat bedrijven in de hele sector deep learning-technologieën zoals NLP gaan gebruiken om verborgen inzichten te verkrijgen en dit te combineren met hun specifieke bedrijfservaring en expertise om te innoveren en zich te onderscheiden.'

Wat is de technologie achter natuurlijke taalverwerking?

Simpel gezegd, NLP, of natuurlijke taalverwerking, is de technologie waarmee real-world gegevens door computers kunnen worden begrepen en verwerkt.

Het begint in de jaren vijftig, met Alan Turing's paper "Computer Machinery and Intelligence", waar hij vroeg:kunnen machines denken? Wat hij bedoelde is:kunnen machines denken als mensen, kunnen machines daarom feiten en gegevens uit de menselijke realiteit begrijpen?

NLP is een vorm van kunstmatige intelligentie die verschillende disciplines gebruikt, zoals computerlinguïstiek, om ongestructureerde menselijke communicatie gestructureerd te begrijpen. In zekere zin zet het menselijke woorden (spraak en tekst) om in binaire code.

Zeventig jaar geleden waren ponskaarten de enige manier voor mensen om met een computer te communiceren. Tegenwoordig kunnen computers veel menselijke talen ‘begrijpen’, gesproken of geschreven bevelen uitvoeren, er inzichten uit afleiden en toepassen op de toekomst. Als u bijvoorbeeld een keer online een rode trui had bekeken, zou de computer begrijpen dat u van rode truien houdt en u alle items laten zien die hij kent die overeenkomen met "rood" + "jumper".

NLP werkt door het analyseren van oneindig kleine componenten van menselijke taal - wat de 'atomen van menselijke communicatie' zouden zijn. Dit kunnen woorden of woordgroepen of beschrijvingen uit uw productcatalogus zijn. Deze "atomen" vergelijkt het vervolgens met zijn eigen database van woorden en opnamen, die het categoriseert en er betekenis uit haalt met behulp van semantische analyse - in feite, ze begrijpt.

Dit betekent dat het verbindingen kan maken die mensen misschien niet kunnen maken. Tegenwoordig, met enorme rekenkracht die goedkoop beschikbaar is, zijn de conclusies die het kan maken voor de voorkeuren van individuen verbazingwekkend.

Waarom komt het nu op de markt?

NLP is al vele, vele jaren in ontwikkeling. De bredere markt merkt dit nu echter pas op, omdat (1) de echte toepassingen ervan en andere AI-technologie beter worden begrepen door het bedrijfsleven, en (2) we eindelijk de brede rekenkracht hebben om er daadwerkelijk iets mee te doen . Het doet ook geen pijn dat bedrijven zoals het onze hun kennis van de verticale sector hebben kunnen gebruiken, bijvoorbeeld om verder te gaan dan de generieke modellen en ervaringsgerichte algoritmen te creëren die echte resultaten opleveren, zoals meer conversies of inkomsten.

Tot voor kort hadden maar heel weinig organisaties buiten de academische wereld of de overheid de rekenkracht om de deep learning-algoritmen uit te voeren die nodig zijn om tekst te begrijpen en correlaties te trekken uit tekst. Met de recente ontwikkelingen kunnen we niet alleen snel consumeren en betekenis putten uit grote hoeveelheden tekstuele gegevens, maar hebben we nu ook de real-time technologie (met de komst van technologieën zoals Flink en Kafka) om het samen met gebruikersgedrag te verwerken, de benodigde inzichten en in realtime reageren met de juiste actie of beslissing.

Zoals Gartner opmerkt, wekt de komst van tekstgegevens brede belangstelling voor een reeks potentiële geavanceerde AI-toepassingen. Het gebruik van NLP op het gebied van klantervaring, bijvoorbeeld om sentiment uit sms-berichten en chats te halen, heeft de weg vrijgemaakt voor een bredere acceptatie door de industrie en praktische toepassingen.

Op het gebied van personalisatie van ervaringen zijn we net begonnen met het verkennen van de mogelijkheden en zijn we enthousiast over de resultaten die we hebben gezien met het gebruik van NLP, bijvoorbeeld om inzichten te extraheren uit productcatalogusbeschrijvingen, recensies, attributen en andere tekst en een dieper begrip van de producten van onze klanten en hoe ze zich tot elkaar verhouden - hypoallergeen, 100% katoen, enz.

Het is slechts een kwestie van tijd voordat bedrijven in de hele branche deep learning-technologieën zoals NLP gaan gebruiken om verborgen inzichten te verkrijgen en deze te combineren met hun specifieke zakelijke ervaring en expertise om te innoveren en zich te onderscheiden.

Moeten organisaties NLP toepassen? Kunt u enkele praktische casestudy's/voorbeelden van ondernemingen geven?

Een sector waarvan we duidelijk hebben gezien hoe het werkt, is de detailhandel, waar veel van onze klanten thuishoren. Vooral fast fashion en retailers die een grote productomzet hebben of geheel nieuwe catalogi per seizoen introduceren, kunnen profiteren van het gebruik van NLP.

Personalisatie werkt traditioneel het beste als je voor elk product massa's gedragsgegevens hebt. Maar wat doe je als een groot blok van je catalogus nieuw of niche is en gewoon geen gegevens heeft? Tot voor kort was het beste wat je kon doen een aanbeveling voor 'topverkopers' aanbieden als aanvulling.

Met NLP kunnen we de tekstuele gegevens - zoals de productbeschrijving, stijl- en pasvormnotities, beoordelingen en recensies, enz. - inzichten over dat product en andere gerelateerde informatie extraheren en dat diepere begrip gebruiken om onmiddellijk aanbevelingen te doen en aanbiedingen complementair aan het nieuwe of long-tail product.

Dit is een game changer voor retailers/merken die regelmatig nieuwe stijlen of seizoenscatalogi introduceren of er snel doorheen bladeren, waardoor het mogelijk is om shoppers vanaf het begin te personaliseren en relevante producten te laten zien door middel van cross-sell-aanbiedingen.

Wat nu voor NLP?

Naarmate merken en retailers NLP blijven gebruiken, zullen use-cases zich blijven ontwikkelen. Wat we nu zien, is de toepassing van NLP uitbreiden met reisvoorspellingen, op spraak gebaseerde extensies, facetten voor zoeken en meer. NLP met deep learning is de toekomst van e-commerce shopping.

Antwoorden van Raj Badarinath, VP Ecosystems, RichRelevance