Por lo general, no pensamos en las complejidades de nuestros propios lenguajes. Es un comportamiento intuitivo que se utiliza para transmitir información y significados con señales semánticas, como palabras, signos o imágenes. Se dice que es más fácil aprender un idioma nuevo cuando somos adolescentes porque se trata de un comportamiento repetible y entrenado, casi como caminar. Asimismo, el idioma no sigue un conjunto de reglas estricto, ya que las excepciones son innumerables, como “los sustantivos que terminan con ‘a’ son femeninos, pero no es el caso de ‘el problema’”. Sin embargo, lo que a los alumnos les resulta natural es extremadamente difícil para los equipos, ya que tienen que lidiar con una gran cantidad de datos no estructurados, la ausencia de reglas formales y la falta de un contexto o una intención real. Es por eso que el aprendizaje automático y la inteligencia artificial (IA) ganan fuerza y llaman la atención, puesto que los humanos dependen cada vez más de los sistemas informáticos para comunicarse y realizar tareas. A medida que la IA se vuelve más sofisticada, también lo hace el procesamiento del lenguaje natural (PLN). Si bien los términos IA y PLN pueden suscitar imágenes de robots futuristas, ya hay ejemplos básicos del PLN en nuestras vidas cotidianas. Aquí tienes algunos ejemplos destacados.
Filtros de correo electrónico
Los filtros de correo electrónico son una de las primeras y más básicas aplicaciones del PLN en línea. Empezó con los filtros de spam, que podían detectar ciertas palabras o frases que indicaban que se trataba de un mensaje de spam. Sin embargo, los filtros se han actualizado, al igual que las primeras adaptaciones del PLN. Una de las aplicaciones más recientes y populares del PLN se encuentra en la clasificación del correo electrónico de Gmail. El sistema reconoce si los correos electrónicos pertenecen a una de tres categorías (principales, sociales o promocionales) en función de su contenido. Esto permite que las casillas de correo de todos los usuarios de Gmail tengan un tamaño manejable y que se pueda acceder fácilmente a los mensajes importantes y relevantes que se deben leer y responder con rapidez.
Asistentes inteligentes
Los asistentes inteligentes como Siri de Apple y Alexa de Amazon identifican patrones en el discurso gracias al reconocimiento de voz y, luego, deducen el significado y proporcionan una respuesta útil. Nos hemos acostumbrado a poder decir “Oye, Siri”, hacer una pregunta y que el asistente comprenda lo que dijimos y responda con respuestas relevantes en función del contexto. Ahora nos estamos acostumbrando a interactuar con Siri y Alexa en nuestro hogar y nuestra vida cotidiana, ya que conversamos con ellos por medio de dispositivos como el termostato, los interruptores de la luz, el automóvil, etc. Ahora esperamos que los asistentes como Alexa y Siri comprendan indicios contextuales, ya que mejoran nuestras vidas y facilitan ciertas tareas, como ordenar elementos. Incluso nos gusta cuando responden con humor o contestan preguntas sobre sí mismos. Nuestras interacciones se volverán más personales a medida que estos asistentes conozcan más cosas sobre nosotros. Así lo explica el artículo del New York Times “Por qué pronto podríamos vivir en el mundo de Alexa”: “Se avecina algo más grande. Alexa es la mejor candidata para convertirse en la tercera plataforma informática para consumidores de esta década”.
Resultados de búsqueda
Los motores de búsqueda usan el PLN para mostrar resultados relevantes en función de comportamientos de búsqueda similares o de la intención de los usuarios, por lo que una persona promedio encuentra lo que busca sin necesitar grandes habilidades de búsqueda. Por ejemplo, Google no solo predice qué búsquedas populares pueden aplicarse a tu consulta a medida que escribes, sino que analiza el panorama completo y reconoce lo que intentas decir, en lugar de centrarse en los términos de búsqueda exactos. Una persona podría buscar un número de vuelo en Google y ver el estado de ese vuelo, o introducir un símbolo bursátil y recibir información sobre acciones, o bien podría aparecer una calculadora cuando se escribe una ecuación matemática. Estas son algunas de las variaciones que podrías ver al realizar una búsqueda, ya que, en las consultas, el PLN asocia la búsqueda ambigua con una entidad relativa y brinda resultados útiles.
Texto predictivo
Las funciones como el corrector automático, el autocompletado y el texto predictivo son tan comunes en nuestros smartphones que les restamos importancia. El autocompletado y el texto predictivo se asemejan a los motores de búsqueda en el sentido de que predicen lo que quieres decir en función de lo que escribes y terminan las palabras o sugieren otros términos relevantes. El corrector automático a veces incluso cambia algunas palabras para que el mensaje en general tenga mayor sentido. Estas funciones también aprenden de ti. El texto predictivo se personaliza en función de tu propio estilo a medida que lo usas. Esto nos permite hacer el divertido experimento de compartir por teléfono oraciones formadas completamente de texto predictivo. Los resultados son sorprendentemente personales y reveladores; incluso varios medios de comunicación han destacado este aspecto.
Traducción de idiomas
Una de las evidencias más claras de haber hecho trampa en los deberes de inglés es que, gramaticalmente, las respuestas son un desastre. Muchos idiomas no dan lugar a una traducción directa y tienen diferentes órdenes para las estructuras oracionales, lo cual es un aspecto que los servicios de traducción solían pasar por alto. Sin embargo, han avanzado mucho últimamente. Con el PLN, los traductores en línea pueden hacer traducciones más precisas y ofrecer resultados gramaticalmente correctos. Esta función es sumamente útil cuando intentamos comunicarnos con alguien en otro idioma. Además, cuando traduces de un idioma al tuyo, las herramientas ahora reconocen el idioma en función del texto introducido y lo traducen.
Llamadas telefónicas digitales
Todos hemos escuchado la frase “esta llamada podría ser grabada con fines de entrenamiento”, pero rara vez nos preguntamos qué quiere decir. Esto significa que las grabaciones podrían utilizarse con fines de capacitación, por ejemplo, si se ofende a un cliente, pero por lo general se registran en la base de datos para que el sistema de PLN aprenda de ellas y pueda mejorar en el futuro. Los sistemas automáticos dirigen las llamadas de los clientes a un representante del servicio o a chatbots en línea, que responden las solicitudes de los clientes con información útil. Esta es una práctica de PLN que utilizan muchas empresas, incluidos grandes proveedores de telecomunicaciones. El PLN también permite que el lenguaje generado por los equipos se parezca a la voz de un humano. Las llamadas telefónicas que tienen la intención de programar una cita, como un cambio de aceite o un corte de cabello, se pueden automatizar, tal como se puede ver en este video en el que el Asistente de Google programa una cita en una peluquería.
Análisis de datos
Dado que cada vez más proveedores de inteligencia empresarial ofrecen una interfaz de lenguaje natural para las visualizaciones de datos, las funciones de lenguaje natural comenzaron a integrarse en los flujos de trabajo de análisis de datos. Un buen ejemplo son las codificaciones visuales más inteligentes, que ofrecen la mejor visualización para la tarea indicada en función de la semántica de los datos. Esto genera más oportunidades para que las personas exploren sus datos con frases en lenguaje natural o fragmentos de preguntas compuestos por varias palabras clave que se pueden interpretar y a las que se les puede atribuir un significado. Aplicar el lenguaje para investigar los datos no solo mejora el nivel de accesibilidad, sino que también rompe las barreras del análisis en las organizaciones y lo extiende más allá de la típica comunidad de analistas y desarrolladores de software. Si deseas obtener más información sobre cómo el lenguaje natural puede ayudarte a explorar y visualizar mejor los datos, consulta este seminario web.
Análisis de texto
El análisis de texto utiliza diferentes técnicas lingüísticas, estadísticas y de aprendizaje automático para convertir los datos de texto no estructurados en datos significativos que se puedan analizar. Si bien el análisis de los sentimientos puede parecer un poco abrumador para las marcas, especialmente si tienen bases de clientes muy grandes, una herramienta con PLN generalmente explora las interacciones con los clientes, como los comentarios en las redes sociales o incluso las menciones del nombre de la marca, para ver cuál es la opinión de los consumidores. El análisis de estas interacciones puede ayudar a las marcas a determinar la eficacia de una campaña de marketing o a supervisar los principales problemas de los clientes antes de decidir cómo pueden responder o mejorar el servicio para brindarles una mejor experiencia a los clientes. Otras formas en que el PLN contribuye al análisis de texto son la extracción de palabras clave y la detección de estructuras y patrones en los datos de texto no estructurados. Existe una enorme cantidad de aplicaciones de PLN en el mundo digital, y esta lista seguirá creciendo a medida que las empresas y las industrias adopten esta tecnología y descubran su importancia. Si bien es importante que los humanos intervengan en los problemas de comunicación más complicados, el PLN logrará mejorar nuestras vidas, ya que administrará y automatizará tanto las tareas pequeñas como las complejas con la innovación de la tecnología.