Natuurlijke taalverwerking geeft een stem aan digitale processen

De grootste verandering in de verwerking van natuurlijke taal in de afgelopen tien jaar was de verschuiving van meer traditionele patroonherkenning in woorden en stap in de richting van machine- en deep learning-benaderingen

Natuurlijke taalverwerking (NLP) maakt het voor computers mogelijk om tekst te lezen, spraak te horen, te interpreteren, sentiment te meten en te bepalen welke onderdelen belangrijk zijn. De machines van vandaag kunnen meer op taal gebaseerde gegevens analyseren dan mensen, zonder vermoeidheid en op een consistente, onbevooroordeelde manier.

"NLP is belangrijk omdat het helpt om ambiguïteit in taal op te lossen en een nuttige numerieke structuur aan de gegevens toevoegt voor veel downstream-toepassingen, zoals spraakherkenning of tekstanalyse", zegt Kayne Putman, analytics-consultant bij SAS UK &Ireland. “Dat betekent dat het kan worden toegepast in een breed scala aan zakelijke use-cases, zoals fraude- en risicoanalyse of het verkrijgen van inzichten in klantgedrag. Fundamenteel is het essentieel om goede data-analyses te hebben en te weten wat je wilt bereiken voordat je NLP in de omgeving introduceert.”

Ontwikkeling van natuurlijke taalverwerking

De grootste verandering in de verwerking van natuurlijke taal in de afgelopen tien jaar is de verschuiving van de meer traditionele patroonherkenning in woorden naar machinale en diepgaande leermethoden. Er is recentelijk vooruitgang geboekt op het gebied van de techniek van 'woordinbedding' waarmee een zekere mate van semantische betekenis kan worden toegeschreven aan individuele woorden of groepen woorden.

"Het resultaat is een numerieke vector met een hoge dimensionaliteit die verdere modeltraining en -analyse mogelijk maakt", zegt Jos Martin, senior engineeringmanager bij MathWorks. "Zodra een deel van de semantische betekenis is overgebracht naar de numerieke ruimte, komen vele andere recent ontwikkelde deep learning-technieken beschikbaar voor NLP-systeemontwerpers."

Veel systemen hebben bijvoorbeeld gebruik gemaakt van het langetermijngeheugen (LSTM) van terugkerende neurale netwerken, die nuttig zijn om meer te leren over de relaties tussen woorden in zinnen, alinea's en andere taalkundige blokkades. Met dit soort netwerken kan de ontwerper voorspellen wat het volgende woord in een reeks zou kunnen zijn of kansen toekennen aan de volgende paar woorden.

Meer dan alleen een chatbot

In de traditionele verwerking van natuurlijke taal waren woorden slechts woorden - enigszins betekenisloze uitdrukkingen die de betekenis missen die door een bredere context wordt vastgesteld. Dit is hoe we doorgaans een chatbot categoriseren, die wordt beperkt door de informatie die er in realtime aan wordt gegeven.

"Voor geavanceerde natuurlijke taalverwerking kunnen we het contextuele begrip verbeteren door woorden weer te geven als vectoren van getallen", zegt Johan Toll, executive director transformations bij IPsoft. "In plaats van woorden alleen als woorden te begrijpen, stelt dit de machine in staat woordovereenkomsten en woordovereenkomsten op zeer flexibele manieren te begrijpen."

Bijvoorbeeld begrijpen dat het woord ‘contract’ in een juridische context een heel andere betekenis heeft dan in een gangsterfilm. In tegenstelling tot een chatbot die slechts een enkele stroom informatie en taal begrijpt, maakt dit een veelzijdige conversatie mogelijk die is afgestemd op de vereiste context, naast het type taal dat wordt gebruikt.

Volgens Toll is geavanceerde NLP een facilitator. "In feite omvatten de meeste AI-ontwikkelingen en digitale innovaties een vorm van intelligente procesautomatisering (IPA), waarbij McKinsey schat dat 50 tot 70 procent van de taken binnen bedrijven geautomatiseerd is", voegt hij eraan toe. “Het is deze automatisering, mogelijk gemaakt door NLP, die de ontwikkeling van nieuwe AI-toepassingen mogelijk maakt, waardoor organisaties grote hoeveelheden waardevolle informatie nauwkeurig kunnen vinden, organiseren en identificeren. “

Klantervaring verbeteren

Met de groei van e-commerce en de groeiende wereldwijde markt, winkelen meer consumenten online dan ooit tevoren. Om aan deze toenemende vraag te voldoen, gebruiken organisaties een combinatie van technologieën van de volgende generatie, waaronder NLP, om hun klantervaring te vergroten, de merkreputatie te verbeteren en de verkoop te stimuleren. Uit onderzoek van Aspect bleek dat 92 procent van de respondenten de waarde van natuurlijke taalverwerking in moderne klantenservice erkent.

"Een belangrijke vereiste voor elke vooruitstrevende organisatie is het bieden van een veelzijdige omnichannel-ervaring waarbij klanten de mogelijkheid hebben om geautomatiseerde selfservice-mogelijkheden te gebruiken, waaronder virtuele assistenten en desktop- of mobiele chatbots, naast traditionele communicatiemiddelen", Stephen Ball, senior VP Europa &Afrika bij Aspect legt uit. "De echte vruchten van geautomatiseerde selfservice kunnen alleen worden geplukt als organisaties deze nieuwe technologieën op de juiste manier implementeren, en het verkrijgen van een uitgebreid begrip van natuurlijke taalverwerkingstechnologie (NLP) is hiervoor de sleutel.

“Het is uiterst belangrijk om te beseffen dat een succesvolle integratie van natuurlijke taalverwerking een proces is dat tijd en moeite kost en investeringen vereist in AI en bijbehorende technologieën die gemakkelijk kunnen worden aangepast aan de behoeften van het bedrijf, en, belangrijker nog, geavanceerd genoeg zijn om voldoen aan de complexe en veranderende eisen van de moderne klant. Om dit mogelijk te maken, is het van cruciaal belang dat bedrijven NLP- en technologietraining aanbieden om hun personeel bij te scholen en samenwerken met externe partners om deze relevante AI-ervaring op korte en middellange termijn op te doen.”

Emotie toevoegen aan natuurlijke taalverwerking

Het vermogen om te begrijpen of iemand gefrustreerd of boos is door de tonale neiging, de woorden die ze kiezen en door pauzes tussen zinnen werd tot voor kort beschouwd als een unieke menselijke vaardigheid. Een bloeiend onderzoeksgebied is Emotieanalyse.

Emotieanalyse is een vorm van natuurlijke taalverwerking die de emoties van de schrijver uit tekst probeert te bepalen. De emoties kunnen angst, woede, walging, frustratie, opwinding of zelfs verdriet zijn. "Een dergelijke toepassing van deze fascinerende technologie zal in callcenters zijn - een helpline-operator zou zijn advies en taal kunnen aanpassen om beter te voldoen aan de behoefte van een klant, zonder dat de beller ooit expliciet zijn frustratieniveau hoeft aan te geven", Sally Epstein, machine learning engineer, Cambridge Consultants opmerkingen.

Een breder gebied van innovatie is Sentimentanalyse, dit wordt gebruikt om te bepalen of een deel van vrije tekst positief, neutraal of negatief is. "Met behulp van Sentiment Analysis is het mogelijk om efficiënt grote hoeveelheden tekstdocumenten, posts op sociale media of productrecensies te doorzoeken om betekenisvolle trends te extraheren", voegt Epstein toe. "Dit inzicht wordt al door bedrijven gebruikt om de tevredenheid van de consument voor hun merk te beoordelen."
Het belangrijkste is dat deze technieken snel kunnen worden geschaald om inzicht te verkrijgen uit verschillende regionale dialecten en talen.

Wat biedt de toekomst voor natuurlijke taalverwerking?

Wat de toekomst betreft, zullen betere stembesturing en spraakherkenning een groot gebied zijn voor natuurlijke taalverwerking. Hoewel spraakherkenning de afgelopen jaren aanzienlijk is verbeterd, is er nog een lange weg te gaan voordat het goed genoeg is om breder te worden gebruikt. Een deel van de vooruitgang op dit gebied zal met betere modellen komen.

Een ander groot gebied zal de succesvolle toepassing van transfer learning op natuurlijke taalverwerking zijn. Pas het afgelopen jaar is het mogelijk geworden om voorgetrainde deep learning-modellen te hebben voor transfer learning in natuurlijke taalverwerking, wat belangrijk is omdat transfer learning al langer bestaat voor computervisie. Dit is een enorme doorbraak omdat het de gebruiker in staat stelt te profiteren van hetzelfde vooraf getrainde model, zij het met enkele aanpassingen, in allerlei soorten tekstanalysetaken - van sentimentanalyse tot het beantwoorden van vragen.

Artikel door Mark Venables.