Vi tänker oftast inte på hur komplicerade våra egna språk är. Det är ett intuitivt beteende som vi använder för att förmedla information och mening med semantiska signaler som ord, tecken eller bilder. Det sägs att språk är lättare att lära sig när vi är unga och att det sker mer naturligt då eftersom det är ett repeterbart, inlärt beteende, ungefär som att lära sig att gå. Dessutom följer inte språk strikta regler, utan det finns många undantag och luckor, till exempel att ett barn inte kan vara rätt.
Det som faller sig naturligt för oss människor är däremot ytterst svårt för datorer med all denna ostrukturerade data, bristen på formella regler och avsaknaden av verklig kontext eller avsikt. Det är därför maskininlärning och artificiell intelligens (AI) får så mycket uppmärksamhet och utrymme – vi människor blir alltmer beroende av teknik för att kommunicera och utföra uppgifter. Och NLP kommer att bli alltmer sofistikerat i takt med att AI blir det. Termerna AI och NLP framkallar kanske bilder av futuristiska robotar, men det finns redan enkla exempel på hur NLP är en del av vår vardag. Här är några framträdande exempel:
E-postfilter
E-postfilter är en av de första och mest grundläggande tillämpningarna av NLP på nätet. Det började med skräppostfilter som avslöjade vissa ord eller fraser som är tecken på skräppostmeddelanden. Men precis som de tidiga anpassningarna av NLP har även filtrering anpassats.
En av de mer utbredda och nyare tillämpningarna av NLP finns i Gmails e-postklassificering. Baserat på innehållet känner systemet av om e-postmeddelandet tillhör en av tre kategorier (primär, socialt eller kampanjer). Det gör det enklare för alla Gmail-användare att ha en inkorg med hanterbar storlek och relevant e-post som behöver granskas och besvaras genast.
Smarta assistenter
Smarta assistenter som Apples Siri och Amazons Alexa känner igen talmönster tack vare röstigenkänning. De drar sedan slutsatser om betydelsen och ger ett lämpligt svar. Vi har vant oss vid att vi kan säga ”Hej Siri” och fråga något, att hon förstår vad vi säger och sedan ger relevanta svar baserade på sammanhanget. Och vi börjar vänja oss vid att se Siri eller Alexa överallt hemma och i vardagen. Vi kommunicerar med dem via föremål som termostater, strömbrytare, billar med mera.
Nu förväntar vi oss att assistenter som Alexa och Siri ska förstå kontextuella signaler eftersom de förbättrar våra liv och förenklar vissa saker, till exempel att beställa varor. Vi uppskattar till och med när de ger humoristiska svar eller svarar på frågor om sig själva. Vi kommer att interagera alltmer personligt med assistenterna i takt med att de lär sig mer om oss. Eller som man beskrev det i New York Times-artikeln ”Why We May Soon Be Living in Alexa’s World” (Därför lever vi kanske snart i Alexas värld): ”Något stort är på gång. Alexa blir högst troligen det här decenniets tredje största konsumentplattform för databearbetning.”
Sökresultat
Sökmotorer använder NLP för att få fram relevanta resultat baserat på tidigare sökbeteenden eller användaravsikter så att genomsnittspersoner hittar det de söker utan att vara insatta i termsökning.
Google förutser exempelvis inte bara vilka populära sökningar som kan användas för din fråga när du börjar skriva in den, utan ser till hela bilden och känner igen det du försöker säga snarare än de exakta sökorden. Man skulle kunna ange ett flightnummer i Google och få flightstatus, skriva in en börssymbol och få aktieinformation, eller så kanske en kalkylator dyker upp när du skriver en matematisk ekvation. Det finns en del variationer som du kan se när du gör en sökning eftersom NLP associerar den tvetydiga frågan till en relativ entitet och visar användbara resultat.
Prediktiv text
Funktioner som autokorrigering, textförslag och prediktiv text är så vanliga på våra smartphones att vi tar dem för givna. Autokorrigering och prediktiv text påminner om sökmotorer på så sätt att de förutser vad som ska sägas baserat på det du skriver in, skriver klart ordet eller föreslår ett liknande. Autokorrigering byter ibland ut ord så att hela meddelande blir mer begripligt.
De lär sig också av dig. Prediktiv text anpassar sig efter dina språkegenheter ju mer du använder det. Det finns personer som gör kul experiment där de delar med sig av hela meningar som helt och hållet har gjorts med prediktiv text i deras telefoner. Resultatet är förvånansvärt personligt och upplysande, och har till och med tagits upp i flera mediekanaler.
Språköversättning
Om du har fuskat med din läxa i spanska är det kanske en rörig grammatik som avslöjar dig. Många språk går inte att översätta rakt av och ordföljden skiljer sig åt, något som översättningstjänster inte tog hänsyn till förut. Men de har kommit en bra bit på vägen.
NLP gör att översättningstjänster på nätet kan översätta språk mer exakt och erbjuda grammatiskt korrekta resultat. Det hjälper väldigt mycket när du försöker kommunicera med någon på ett annat språk. Inte nog med det – när tjänsten översätter från ett annat språk till ditt eget känner verktygen numera igen språket baserat på texten som matats in och översätter den texten.
Digitala telefonsamtal
Vi har alla hört ”det här samtalet kan komma att spelas in i utbildningssyfte”, men funderar sällan på vad det innebär. Visst, inspelningarna kan komma att användas i utbildningssyfte om en kund är missnöjd. Men för det mesta hamnar de i en databas för ett NLP-system som lär sig av samtalen och förbättras för framtiden. Automatiska system hänvisar kundsamtal till servicepersonal eller chattbotar som svarar på kundernas önskemål med hjälpsam information. Det är en användning av NLP som många företag, inklusive stora telekommunikationsleverantörer, har börjat använda.
Med NLP blir även datorgenererat språk snarlikt en mänsklig röst. Telefonsamtal för att boka tid för oljebyte eller hårklippning kan också automatiseras, vilket bevisas i denna video av när Google Assistant bokar tid hos en frisör.
Dataanalys
Det naturliga språkets egenskaper integreras i dataanalysens arbetsflöden när fler BI-leverantörer erbjuder datavisualiseringar som har ett naturligt språkgränssnitt. Ett exempel är smartare visuell kodning. Baserat på den underliggande datans semantik erbjuds den bästa visualiseringen till en viss uppgift. Det öppnar upp för fler möjligheter för människor att utforska sin data med satser eller frågefragment på naturligt språk bestående av flera nyckelord som kan tolkas och tilldelas en betydelse.
Att använda språk för att undersöka data både höjer tillgängligheten och sänker ribban för analys i alla delar av organisationer, utöver den förväntade skaran av analytiker och programvaruutvecklare.
Titta på det här webbinariet om du vill lära dig mer om hur naturligt språk kan hjälpa dig att visualisera och utforska din data bättre.
Textanalys
Vid textanalys används olika tekniker inom lingvistik, statistik och maskininlärning för att omvandla ostrukturerad data till meningsfull data.
Attitydanalys kan låta skrämmande för varumärken, särskilt om de har en stor kundbas. Verktyg som använder språkteknologi brukar granska hur kunder interagerar, exempelvis i kommentarer och omdömen i sociala medier eller omnämnanden om varumärket, för att se vad som sägs om det. Analyser av sådana interaktioner kan hjälpa varumärken att avgöra hur väl en marknadsföringskampanj fungerar. De kan även hjälpa företag att övervaka trendande kundfrågor innan de bestämmer hur de ska svara på dem eller förbättra tjänsten och ge kunden en bättre upplevelse.
Andra sätt att använda NLP inom textanalys är att extrahera nyckelord och söka efter strukturer eller mönster i ostrukturerad textdata.
Det finns oändligt många tillämpningsområden för NLP i den digitala världen, och listan kommer bara att växa i takt med att allt fler verksamheter och branscher börjar använda och inse dess värde. Det behövs fortfarande människor för mer invecklade kommunikationsfrågor, men NLP kommer att förbättra våra liv genom att ta hand om och automatisera små uppgifter till en början. I takt med att tekniken utvecklas kommer den sedan att kunna utföra alltmer komplexa uppgifter.