Fundamentos de la comprensión del lenguaje natural Ppt de capacitación

Diapositiva 1

Esta diapositiva ofrece una descripción general de NLU, una subsección de Procesamiento del lenguaje natural (NLP) que se ocupa de convertir el lenguaje humano en un formato legible por máquina. Las computadoras pueden interpretar automáticamente los datos en segundos gracias a la comprensión del lenguaje natural (NLU) y el aprendizaje automático, lo que ahorra a las organizaciones horas y dinero preciosos mientras revisan los comentarios de los clientes.

Diapositiva 2

Esta diapositiva indica que la comprensión del lenguaje natural es una rama del procesamiento del lenguaje natural. NLP y NLU, ambos, buscan dar sentido a los datos no estructurados, pero hay una distinción entre los dos.

Notas del instructor:

• La PNL estudia cómo se entrenan las computadoras para comprender el lenguaje y promover la comunicación "natural" de ida y vuelta entre las computadoras y las personas.
• La comprensión del lenguaje natural tiene que ver con la capacidad de una máquina para comprender el lenguaje humano. NLU se refiere a reorganizar datos no estructurados para que las máquinas puedan "comprenderlos" y evaluarlos

Diapositiva 3

Esta diapositiva enumera los casos de uso para la comprensión del lenguaje natural, como el enrutamiento automático de tickets, el razonamiento automatizado, la traducción automática y la respuesta a preguntas.

Diapositiva 4

Esta diapositiva indica que la automatización del servicio al cliente es un excelente ejemplo corporativo de NLU. Las máquinas pueden interpretar el contenido de los tickets de atención al cliente y enrutarlos a los departamentos correspondientes sin necesidad de que las personas abran cada ticket. Esto ahorra a los empleados de atención al cliente cientos de horas y les permite priorizar las solicitudes urgentes.

Diapositiva 5

Esta diapositiva describe que un tema de la ciencia cognitiva conocido como razonamiento automatizado se usa para probar mecánicamente teoremas matemáticos o formar conclusiones lógicas con respecto a un diagnóstico médico. Proporciona a las máquinas un tipo de pensamiento o lógica, permitiéndoles inferir nuevos hechos a través de la deducción.

Notas del instructor:

Los algoritmos informáticos pueden crear conclusiones basadas en datos obtenidos y procesados previamente. En medicina, por ejemplo, utilizando las reglas de deducción IF-THEN, los robots pueden deducir un diagnóstico basado en diagnósticos anteriores.

Diapositiva 6

Esta diapositiva indica que una de las tareas más problemáticas en NLP y NLU es traducir con precisión voz o texto de un idioma a otro. Las tecnologías de traducción automática le permiten ingresar palabras o cargar documentos completos y obtener traducciones en docenas de idiomas.

Notas del instructor:

Google Translate incorpora un software de reconocimiento óptico de caracteres (OCR), que permite a las máquinas extraer texto de las fotos, interpretarlo y traducirlo.

Diapositiva 7

Esta diapositiva describe que responder preguntas es una rama de NLP y reconocimiento de voz que usa NLU para ayudar a las computadoras a comprender las consultas en lenguaje natural.

Notas del instructor:

A menos que designe una ciudad específica, los asistentes virtuales le dirán el clima de su ubicación actual de forma predeterminada. El propósito de responder preguntas es responder en el idioma nativo del usuario en lugar de una lista de respuestas escritas.

Diapositiva 8

Esta diapositiva enumera la importancia de la comprensión del lenguaje natural. Esto es que NLU puede usarse para ayudar en el análisis del texto no estructurado, los analistas creen que NLU y NLP tienen un tremendo potencial de desarrollo a medida que crece el volumen de texto no estructurado que debe examinarse.

Notas del instructor:

• NLU se puede utilizar para ayudar en el análisis del texto no estructurado: las personas pueden expresarse de diversas maneras, y esto puede diferir de una persona a otra. El conocimiento exacto del usuario es fundamental para que los asistentes personales tengan éxito. NLU convierte la estructura complicada del lenguaje en un formato legible por máquina, lo que permite el análisis de texto y que los robots respondan a preguntas humanas.
• Los analistas creen que NLU y NLP tienen un tremendo potencial de desarrollo: las computadoras pueden realizar análisis basados en el lenguaje de manera consistente e imparcial las 24 horas del día, los siete días de la semana. Dado el volumen de datos sin procesar creados todos los días, NLU y NLP son cruciales para un análisis de datos efectivo. Estos datos pueden ser leídos, escuchados y analizados por una aplicación basada en NLU bien desarrollada y diseñada
• El volumen de texto no estructurado que debe examinarse está creciendo: los analistas predicen una CAGR de más del 20 % entre 2020 y 2025. Según el estudio de Markets Insider de 2019, se anticipa que la industria mundial de procesamiento de lenguaje natural (NLP) se valorará en $ 35 mil millones. para 2025. La principal causa subyacente del crecimiento es un cambio de experiencias centradas en productos hacia experiencias orientadas al cliente. La creciente popularidad de los dispositivos inteligentes e IoT también está contribuyendo al uso generalizado de NLU

Diapositiva 9

Esta diapositiva muestra los factores que deben tenerse en cuenta al seleccionar soluciones de comprensión del lenguaje natural, como la compatibilidad con el idioma, la calidad de los resultados, la facilidad de uso, la flexibilidad y la velocidad.

Notas del instructor:

• Soporte de idioma: el idioma de los datos de entrada debe ser compatible con la plataforma NLU. Actualmente, la calidad de NLU en idiomas distintos del inglés es más pobre debido al potencial comercial de los idiomas. Sin embargo, esto está cambiando a medida que crece el interés por la investigación.
• Calidad del resultado: una solución NLU exitosa debe ser capaz de detectar elementos lingüísticos, extraer sus conexiones y aplicar software semántico para comprender la información, independientemente de cómo esté escrita. El aprendizaje continuo, con la ayuda de Machine Learning, tiene el potencial de aumentar la calidad de los resultados con el tiempo
• Usabilidad: la solución debe ser fácil de usar tanto para el personal técnico como para el no técnico. Se puede explorar una solución con muchas interfaces, lo que permite que una persona que no sea de tecnología (como un representante de atención al cliente) construya este sistema con información. Con la clara posibilidad de que los no expertos en tecnología puedan usar chatbots, la facilidad de uso del programa y la conveniencia de usar la interfaz de usuario son fundamentales.
• Flexibilidad: es fundamental poder adaptarse a las áreas de solución. Esto se logra a través de las capacidades de capacitación y aprendizaje continuo de la solución NLU.
• Velocidad: en las aplicaciones de IA conversacionales, comprender el idioma es parte del proceso y otros componentes incluyen crear una respuesta o actuar en respuesta a la consulta. Como resultado, ver y comprender el idioma debe completarse rápidamente. Sin embargo, puede haber un cambio entre la calidad de los resultados y la velocidad a la que se calculan. Esta decisión debe basarse en la solicitud.

Diapositiva 10

Esta diapositiva indica que los modelos NLU son capaces de funcionar sin problemas en una tarea particular y única. Sin embargo, otros deberes pueden reducir la exactitud y la precisión. Es esencial utilizar medidas objetivas para comparar el rendimiento de los sistemas.

Diapositiva 11

Esta diapositiva enumera los gigantes tecnológicos líderes en el ecosistema de comprensión del lenguaje natural, como Google, Microsoft, Amazon e IBM.