Natural Language Processing: Digitale processen versterken met intelligente stem

De grootste verandering in natural language processing de afgelopen tien jaar is de verschuiving van traditionele patroonherkenning in woorden naar machine- en diepleerbenaderingen.

Natural language processing (NLP) maakt het mogelijk voor computers om tekst te lezen, spraak te horen, te interpreteren, sentiment te meten en te bepalen welke delen belangrijk zijn. Vandaag de dag kunnen machines meer taalgebaseerde data analyseren dan mensen, zonder vermoeiding en op een consistente, onbevooroordeelde manier.

"NLP is belangrijk omdat het helpt onduidelijkheid in taal op te lossen en nuttige numerieke structuur toevoegt aan de data voor veel downstream-toepassingen, zoals spraakherkenning of tekstanalyse," zegt Kayne Putman, analytics consultant bij SAS UK & Ierland. "Dat betekent dat het in een grote verscheidenheid aan zakelijke use cases toegepast kan worden, zoals fraude- en risicoanalyse of het extraheren van inzichten in klantgedrag. Fundamenteel is het essentieel om goede data-analytics op zijn plaats te hebben en te weten wat u wilt bereiken voordat u NLP in de omgeving introduceert."

Ontwikkeling van natural language processing

De grootste verandering in natural language processing de afgelopen tien jaar is de verschuiving van meer traditionele patroonherkenning in woorden naar machine- en diepleerbenaderingen. Er zijn recente vooruitgangen in de techniek van 'word embedding' die een zekere mate van semantische betekenis toekent aan individuele woorden, of groepen van woorden.

"Het resultaat is een hoog-dimensionale numerieke vector die verdere modeltraining en analyse mogelijk maakt," zegt Jos Martin, senior engineering manager bij MathWorks. "Eenmaal een deel van de semantische betekenis in de numerieke ruimte is overgebracht, worden veel andere recent ontwikkelde diepleertechnieken beschikbaar voor NLP-systeemontwerpers."

Bijvoorbeeld, veel systemen hebben gebruikgemaakt van long short-term memory (LSTM) typen recurrent neurale netwerken, nuttig om meer te leren over de relaties tussen woorden in zinnen, paragrafen en andere linguïstische blokken. Deze typen netwerken stellen de ontwerper in staat om te voorspellen wat het volgende woord in een reeks zou kunnen zijn of waarschijnlijkheden toe te kennen aan de volgende verschillende woorden.

Meer dan alleen een chatbot

In traditionele natural language processing waren woorden gewoon woorden – enigszins betekenisloze zinnen die de betekenis missen die gevestigd wordt door bredere context. Dit is hoe we een chatbot typisch zouden categoriseren, wat beperkt is door de informatie die er in real-time aan gevoed wordt.

"Voor geavanceerde natural language processing, kunnen we contextueel begrip verbeteren door woorden te representeren als vectoren van getallen," zegt Johan Toll, uitvoerend directeur transformaties bij IPsoft. "In plaats van woorden alleen als woorden te begrijpen, stelt dit de machine in staat om woordgelijkheden en zinsgelijkheden op heel flexibele manieren te begrijpen."

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

Volgens Toll is geavanceerde NLP een facilitator. "In feite omvatten de meeste AI-ontwikkelingen en digitale innovaties een vorm van intelligent process automation (IPA), met McKinsey schattend dat 50 tot 70 procent van taken binnen bedrijven geautomatiseerd zijn," voegt hij toe. "Het is deze automatisering, gefaciliteerd door NLP, die de ontwikkeling van nieuwe AI-toepassingen mogelijk maakt, waardoor organisaties in staat zijn om accurate grote hoeveelheden waardevolle informatie te sourcen, organiseren en identificeren."

Klantervaring versterken

Met de groei van eCommerce en het uitbreidende wereldwijde marktplein, kopen meer consumenten online dan ooit. Om aan deze stijgende vraag te voldoen, adopteren organisaties een combinatie van next-generation technologieën waaronder NLP om hun klantervaring te versterken, merkreputatie te verbeteren en verkoop te boosten. Onderzoek van Aspect vond dat 92 procent van respondenten de waarde van natural language processing in moderne klantenservice erkent.

"Een sleutelvereiste voor elke vooruitstrevende organisatie is om een veelzijdige omnichannel-ervaring te bieden waar klanten de optie hebben om geautomatiseerde self-service-mogelijkheden te gebruiken, inclusief virtuele assistenten en desktop of mobiele chatbots, naast traditionele communicatiemiddelen," legt Stephen Ball, senior VP Europa & Afrika bij Aspect uit. "De echte beloningen van geautomatiseerde self-service kunnen alleen geoogst worden als organisaties deze nieuwe technologieën goed implementeren, en een uitgebreid begrip van natural language processing (NLP)-technologie is hiervoor de sleutel.

"Het is extreem belangrijk om te realiseren dat succesvolle natural language processing-integratie een proces is dat tijd en moeite kost en vereist dat er geïnvesteerd wordt in AI en geassocieerde technologieën die gemakkelijk aangepast kunnen worden aan de behoeften van het bedrijf, en het allerbelangrijkst, geavanceerd genoeg zijn om de complexe en verschuivende eisen van de moderne klant te halen. Om dit te laten gebeuren, is het cruciaal dat bedrijven NLP- en technologie-training aanbieden om personeel op te scholen en samenwerken met externe partners om deze relevante AI-ervaring in de korte en middellange termijn te krijgen."

Emotie toevoegen aan natural language processing

De capaciteit om te begrijpen of iemand gefrustreerd of boos is vanuit de tonale helling, de woorden die ze kiezen en uit pauzes tussen zinnen, werd tot recent nog als een uniek menselijk vaardigheid beschouwd. Een bloeiend onderzoeksterrein is Emotie-analyse.

Emotie-analyse is een vorm van natural language processing die kijkt naar het bepalen van de emoties van de schrijver vanuit tekst, de emoties kunnen angst, boosheid, walging, frustratie, onrust of zelfs verdriet zijn. "Één dergelijke toepassing van deze fascinerende technologie zal in callcentra zijn – een helpdeskmedewerker zou hun advies en taal kunnen aanpassen om beter aan de behoeften van een klant te voldoen, zonder dat de beller ooit expliciet hun frustratieniveau hoeft te benoemen," commenteert Sally Epstein, machine learning engineer, Cambridge Consultants.

Een breder innovatiegebied is Sentimentanalyse, dit wordt gebruikt om te bepalen of een deel vrije tekst positief, neutraal of negatief is. "Met Sentimentanalyse is het mogelijk om efficiënt enorme hoeveelheden tekstdocumenten, sociale mediaberichten, of productrecensies te doorzoeken om betekenisvolle trends te extraheren," voegt Epstein toe. "Dit inzicht wordt al door bedrijven gebruikt om consumententevredenheid voor hun merk te beoordelen." Belangrijkst van allen kunnen deze technieken snel geschaald worden om inzicht te trekken uit verschillende regionale dialecten en talen.

Wat is er volgend voor natural language processing?

Wat de toekomst betreft, betere stemcontrole en spraakherkenning zal een groot gebied zijn voor natural language processing. Terwijl spraakherkenning aanzienlijk beter is geworden de afgelopen jaren, is er nog een stuk te gaan voordat het goed genoeg is voor breder gebruik. Deel van de vooruitgang in dit gebied zal komen met betere modellen.

Een ander groot gebied zal de succesvolle toepassing van transfer learning op natural language processing zijn. Het is pas binnen het afgelopen jaar mogelijk geworden om diepe leer pre-trained modellen voor transfer learning in natural language processing te hebben, wat significant is omdat transfer learning al langer bestaat voor computer vision. Dit is een enorme doorbraak omdat het de gebruiker toestaat te profiteren van hetzelfde pre-trained model, met enige aanpassingen, in allerlei tekstanalysetaken – van sentimentanalyse tot vraag-antwoord.

Artikel door Mark Venables.