Natural Language Processing gibt digitalen Prozessen eine Stimme

Die größte Veränderung in der Verarbeitung natürlicher Sprache in den letzten zehn Jahren war die Abkehr von der traditionelleren Mustererkennung in Worte und bewegen Sie sich in Richtung maschineller und tiefer Lernansätze

Die Verarbeitung natürlicher Sprache (NLP) ermöglicht es Computern, Text zu lesen, Sprache zu hören, zu interpretieren, Stimmungen zu messen und zu bestimmen, welche Teile wichtig sind. Heutige Maschinen können mehr sprachbasierte Daten analysieren als Menschen, ohne Ermüdung und auf konsistente, unvoreingenommene Weise.

„NLP ist wichtig, weil es dabei hilft, Mehrdeutigkeiten in der Sprache aufzulösen und den Daten eine nützliche numerische Struktur für viele nachgelagerte Anwendungen wie Spracherkennung oder Textanalyse hinzufügt“, sagt Kayne Putman, Analytics Consultant bei SAS UK &Ireland. „Das bedeutet, dass es in einer Vielzahl von Geschäftsanwendungsfällen wie Betrugs- und Risikoanalysen oder der Gewinnung von Erkenntnissen über das Kundenverhalten eingesetzt werden kann. Grundsätzlich ist es wichtig, über eine gute Datenanalyse zu verfügen und zu wissen, was Sie erreichen möchten, bevor Sie NLP in die Umgebung einführen.“

Entwicklung der Verarbeitung natürlicher Sprache

Die größte Veränderung in der Verarbeitung natürlicher Sprache in den letzten zehn Jahren war die Abkehr von der traditionelleren Mustererkennung in Wörtern und die Hinwendung zu maschinellen und Deep-Learning-Ansätzen. In jüngster Zeit wurden Fortschritte in Bezug auf die Technik der „Worteinbettung“ erzielt, die es ermöglicht, einzelnen Wörtern oder Wortgruppen ein gewisses Maß an semantischer Bedeutung zuzuschreiben.

„Das Ergebnis ist ein hochdimensionaler numerischer Vektor, der ein weiteres Modelltraining und eine weitere Analyse ermöglicht“, sagt Jos Martin, Senior Engineering Manager bei MathWorks. „Sobald ein Teil der semantischen Bedeutung in den numerischen Raum übertragen wurde, stehen NLP-Systemdesignern viele andere kürzlich entwickelte Deep-Learning-Techniken zur Verfügung.“

Zum Beispiel haben viele Systeme die Vorteile des langen Kurzzeitgedächtnisses (LSTM) rekurrenter neuronaler Netze genutzt, die hilfreich sind, um mehr über die Beziehungen zwischen Wörtern in Sätzen, Absätzen und anderen sprachlichen Blöcken zu erfahren. Diese Arten von Netzwerken ermöglichen es dem Designer, vorherzusagen, was das nächste Wort in einer Sequenz sein könnte, oder den nächsten paar Wörtern Wahrscheinlichkeiten zuzuschreiben.

Mehr als nur ein Chatbot

In der traditionellen Verarbeitung natürlicher Sprache waren Wörter nur Wörter – etwas bedeutungslose Phrasen, denen die durch den breiteren Kontext festgelegte Bedeutung fehlt. So würden wir normalerweise einen Chatbot kategorisieren, der durch die ihm in Echtzeit zugeführten Informationen begrenzt ist.

„Für die erweiterte Verarbeitung natürlicher Sprache können wir das Kontextverständnis verbessern, indem wir Wörter als Vektoren von Zahlen darstellen“, sagt Johan Toll, Executive Director Transformations bei IPsoft. „Anstatt nur Wörter als Wörter zu verstehen, ermöglicht dies der Maschine, Wortähnlichkeiten und Phrasenähnlichkeiten auf sehr flexible Weise zu verstehen.“

Zum Beispiel zu verstehen, dass das Wort „Vertrag“ in einem rechtlichen Kontext eine ganz andere Bedeutung hat als in einem Gangsterfilm. Anders als bei einem Chatbot, der nur einen einzigen Informations- und Sprachfluss versteht, ermöglicht dies eine facettenreiche Konversation, die neben der Art der verwendeten Sprache auch auf den erforderlichen Kontext zugeschnitten ist.

Laut Toll ist fortgeschrittenes NLP ein Vermittler. „Tatsächlich beinhalten die meisten KI-Entwicklungen und digitalen Innovationen irgendeine Form von intelligenter Prozessautomatisierung (IPA), wobei McKinsey schätzt, dass 50 bis 70 Prozent der Aufgaben in Unternehmen automatisiert sind“, fügt er hinzu. „Es ist diese durch NLP erleichterte Automatisierung, die die Entwicklung neuer KI-Anwendungen ermöglicht und es Unternehmen ermöglicht, riesige Mengen wertvoller Informationen genau zu beschaffen, zu organisieren und zu identifizieren. „

Verbesserung des Kundenerlebnisses

Mit dem Wachstum des E-Commerce und dem expandierenden globalen Markt kaufen mehr Verbraucher online ein als je zuvor. Um dieser steigenden Nachfrage gerecht zu werden, setzen Unternehmen eine Kombination aus Technologien der nächsten Generation ein, darunter NLP, um ihr Kundenerlebnis zu verbessern, den Ruf der Marke zu verbessern und den Umsatz zu steigern. Eine bei Aspect durchgeführte Studie ergab, dass 92 % der Befragten den Wert der Verarbeitung natürlicher Sprache im modernen Kundenservice anerkennen.

„Eine wichtige Anforderung für jedes zukunftsorientierte Unternehmen ist es, ein vielseitiges Omnichannel-Erlebnis anzubieten, bei dem Kunden die Möglichkeit haben, neben traditionellen Kommunikationsmitteln automatisierte Self-Service-Funktionen wie virtuelle Assistenten und Desktop- oder mobile Chatbots zu nutzen“, sagt Stephen Ball, Senior VP Europa &Afrika bei Aspect erklärt. „Die wahren Früchte des automatisierten Self-Service können nur geerntet werden, wenn Organisationen diese neuen Technologien richtig implementieren, und ein umfassendes Verständnis der Technologie zur Verarbeitung natürlicher Sprache (NLP) ist der Schlüssel dazu.

„Es ist äußerst wichtig zu erkennen, dass die erfolgreiche Integration der Verarbeitung natürlicher Sprache ein Prozess ist, der Zeit und Mühe erfordert und Investitionen in KI und damit verbundene Technologien erfordert, die sich leicht an die Bedürfnisse des Unternehmens anpassen lassen und vor allem fortschrittlich genug sind erfüllen die komplexen und wechselnden Anforderungen des modernen Kunden. Um dies zu erreichen, ist es entscheidend, dass Unternehmen NLP- und Technologieschulungen anbieten, um Mitarbeiter weiterzubilden, und mit externen Partnern zusammenarbeiten, um kurz- und mittelfristig diese relevante KI-Erfahrung zu sammeln.“

Hinzufügen von Emotionen zur Verarbeitung natürlicher Sprache

Die Fähigkeit zu verstehen, ob jemand frustriert oder wütend ist, wurde bis vor kurzem als eine einzigartige menschliche Fähigkeit angesehen. Ein blühendes Forschungsgebiet ist die Emotionsanalyse.

Die Emotionsanalyse ist eine Form der Verarbeitung natürlicher Sprache, die darauf abzielt, die Emotionen des Autors aus dem Text zu bestimmen. Die Emotionen können Angst, Wut, Ekel, Frustration, Aufregung oder sogar Traurigkeit sein. „Eine solche Anwendung dieser faszinierenden Technologie wird in Callcentern sein – ein Helpline-Betreiber könnte seinen Rat und seine Sprache anpassen, um die Bedürfnisse eines Kunden besser zu erfüllen, ohne dass der Anrufer jemals explizit seinen Frustrationsgrad angeben muss“, Sally Epstein, Machine Learning Engineer, Kommentare von Cambridge Consultants.

Ein breiteres Innovationsgebiet ist die Stimmungsanalyse, die verwendet wird, um festzustellen, ob ein Teil des Freiformtextes positiv, neutral oder negativ ist. „Mit der Stimmungsanalyse ist es möglich, große Mengen an Textdokumenten, Social-Media-Beiträgen oder Produktbewertungen effizient zu durchsuchen, um aussagekräftige Trends zu extrahieren“, fügt Epstein hinzu. „Diese Erkenntnis wird bereits von Unternehmen genutzt, um die Kundenzufriedenheit für ihre Marke zu bewerten.“
Am wichtigsten ist, dass diese Techniken schnell skaliert werden können, um Erkenntnisse aus verschiedenen regionalen Dialekten und Sprachen zu gewinnen.

Was kommt als nächstes für die Verarbeitung natürlicher Sprache?

Für die Zukunft werden bessere Sprachsteuerung und Spracherkennung ein großer Bereich für die Verarbeitung natürlicher Sprache sein. Obwohl die Spracherkennung in den letzten Jahren deutlich besser geworden ist, ist es noch ein weiter Weg, bis sie gut genug ist, um breiter eingesetzt zu werden. Ein Teil der Fortschritte in diesem Bereich wird mit besseren Modellen einhergehen.

Ein weiterer großer Bereich wird die erfolgreiche Anwendung des Transferlernens auf die Verarbeitung natürlicher Sprache sein. Erst im letzten Jahr ist es möglich geworden, vortrainierte Deep-Learning-Modelle für das Transferlernen in der Verarbeitung natürlicher Sprache zu haben, was von Bedeutung ist, da Transferlernen für Computer Vision schon länger existiert. Dies ist ein großer Durchbruch, da der Benutzer bei allen Arten von Textanalyseaufgaben – von der Stimmungsanalyse bis hin zur Beantwortung von Fragen – von demselben vortrainierten Modell profitieren kann, wenn auch mit einigen Optimierungen.

Artikel von Mark Venables.