Desbloqueo de los fundamentos de NLP NLU y NLG Training Ppt

Diapositiva 4

Esta diapositiva describe que el procesamiento del lenguaje natural es una tecnología que usan las computadoras para interpretar y actuar en lenguajes humanos como el inglés. La PNL es un subconjunto de la IA y la computación cognitiva. El procedimiento implica convertir voz a texto y educar al sistema para tomar decisiones inteligentes o realizar actividades.

Diapositiva 5

Esta diapositiva ofrece una descripción general del procesamiento del lenguaje natural, lo que permite que las computadoras comprendan, realicen acciones y se comuniquen con los humanos en un lenguaje normal. Puede ser utilizado para enviar órdenes de operación, traducir voz a texto, documentarlo, dar indicaciones en la navegación, etc.

Diapositiva 6

Esta diapositiva enumera técnicas de procesamiento del lenguaje natural como: inducción gramatical, análisis de sentimientos, minería de aspectos y reconocimiento de entidades de nombres.

Notas del instructor:

• Inducción gramatical: ayuda en el uso de la gramática adecuada al escribir
• Análisis de sentimiento: la PNL se utiliza para examinar los aspectos positivos y negativos de la oración.
• Minería de aspectos: la minería de aspectos se utiliza en PNL para descubrir qué aspectos son favorables y cuáles son malos.
• Reconocimiento de entidad de nombre: se utiliza para reconocer nombres, organizaciones, ubicaciones y fechas de personas notables.

Diapositiva 7

Esta diapositiva indica algunas de las técnicas de procesamiento del lenguaje natural, como: resumen, reconocimiento de temas y conversión de voz a texto.

Notas del instructor:

• Resumen: la PNL también puede resumir el contenido y ofrecer la esencia del texto. Califica las oraciones en función de su parecido con otras oraciones.
• Reconocimiento de temas: la PNL examina el texto para determinar el tema principal al que está conectado. Extraerá ciertas palabras clave y las organizará en categorías.
• Conversión de voz a texto: la voz a texto permite a las máquinas comprender el lenguaje humano e interpretarlo con la intención de actuar y responder de la misma manera que lo hacen las personas. La idea principal detrás de NLP es alimentar el lenguaje humano como datos para sistemas inteligentes de texto a voz, que posteriormente pueden usarse en muchos campos.

Diapositiva 8

Esta diapositiva muestra el funcionamiento del procesamiento del lenguaje natural. Al ser un subconjunto de la IA, la PNL emplea técnicas de aprendizaje automático para extraer información y aprender de ella. Mientras se ejecuta, el algoritmo de aprendizaje automático se enfoca en los fundamentos del aprendizaje, y la PNL también continúa aprendiendo en función de la información proporcionada. Debido a esto, la PNL tiende a adivinar correctamente lo que el usuario pretende decir a pesar de los errores y patrones de lenguaje comunes.

Diapositiva 9

Esta diapositiva indica que la cantidad de datos disponibles en línea crece día a día. La mayor parte es texto no estructurado, y obtener información útil de estos datos es un desafío difícil. En este escenario, se puede emplear la PNL. Los métodos de PNL pueden convertir voz en texto, y las personas que no pueden escribir pueden usar PNL para documentar cosas. El análisis de PNL puede evaluar el sentimiento de una conversación y sugerir una respuesta adecuada. De esta manera, puede ayudar a las organizaciones a lograr la felicidad del consumidor.

Diapositiva 10

Esta diapositiva enumera los pasos involucrados en el procesamiento del lenguaje natural, desde la fase inicial del análisis léxico hasta la última etapa del análisis pragmático.

Diapositiva 11

Esta diapositiva indica que la fase de análisis léxico es la etapa inicial de la PNL. Esta etapa analiza el código fuente como un flujo de caracteres y lo convierte en lexemas significativos. Es, aquí, también que desglosa el texto completo en párrafos, frases y palabras.

Notas del instructor:

Un lexema es una serie de caracteres que se incluyen en el programa fuente en función del patrón de coincidencia de un token. No es más que una instancia de token.

Diapositiva 12

Esta diapositiva muestra que el análisis sintáctico se utiliza para examinar la gramática y la disposición de las palabras e ilustrar el vínculo entre las palabras. Este enfoque implica asociar palabras con otras palabras, organizarlas en una frase y determinar su significado relativo.

Diapositiva 13

Esta diapositiva describe que la representación del significado es el objetivo del análisis semántico y se ocupa principalmente de los significados precisos de palabras, frases y oraciones.

Notas del instructor:

OCR : reconocimiento óptico de caracteres

Diapositiva 14

Esta diapositiva establece que la integración del discurso depende de las frases que le preceden y evoca el significado de las frases que le siguen. Esta estrategia examina el significado relativo de las oraciones y las relaciones que forman con otras oraciones.

Diapositiva 15

Esta diapositiva describe que la quinta y última fase de la PNL es el análisis pragmático y ayuda a determinar el impacto deseado mediante el empleo de un conjunto de reglas que describen discusiones cooperativas. Esta estrategia aborda el significado del mundo real de una oración.

Diapositiva 16

Esta diapositiva enumera los tipos de aplicaciones de procesamiento de lenguaje natural, como el analizador de opiniones, el resumen de documentos, la verificación de la gramática y más.

Diapositiva 17

Esta diapositiva ofrece una descripción general de la generación de lenguaje natural (NLG). La programación de inteligencia artificial (IA) se utiliza para generar narraciones escritas o habladas a partir de una recopilación de datos. NLG está asociado con la interacción humano-máquina y máquina-humano, así como con la lingüística computacional, el procesamiento del lenguaje natural (NLP) y la comprensión del lenguaje natural (NLU).

Diapositiva 18

Esta diapositiva indica que NLG es un proceso de varias etapas en el que los datos utilizados para generar contenido con un lenguaje que suena natural se refinan progresivamente en cada nivel.

Notas del instructor:

• Análisis del contenido: los datos se analizan para determinar qué debe incorporarse en el resultado final del proceso. Esta etapa implica determinar los temas principales y los vínculos en el documento original.
• Comprensión de datos: los datos se evalúan, se descubren patrones y se colocan en contexto. En este punto, el Machine Learning se aplica con frecuencia
• Organización de documentos: en función de los datos que se analizan, se construye un plan documentado y se establece un marco narrativo
• Agregación de oraciones: las oraciones o secciones de oraciones relevantes se combinan para proporcionar un resumen preciso del problema
• Estructura gramatical: Para crear una escritura que suene natural, se emplean reglas gramaticales. El software determina la estructura sintáctica de la oración, y esta información luego se usa para reformular la declaración de una manera gramaticalmente precisa.
• Presentación del lenguaje: La salida final se crea en función de la plantilla o la elegida por el usuario o programador

Diapositiva 19

Esta diapositiva describe que la generación de lenguaje natural (NLG) se está utilizando en varias aplicaciones, como la creación de chatbots y respuestas de asistente de voz como Alexa de Google y Siri de Apple. Convertir informes financieros y otros datos corporativos en contenido que los trabajadores y consumidores puedan entender. Las respuestas de correo electrónico, SMS y chat de fomento de clientes potenciales pueden automatizarse.

Diapositiva 20

Esta diapositiva enumera las aplicaciones de generación de lenguaje natural (NLG), como la creación y personalización de guiones para el personal de servicio al cliente, agregación y resumen de informes de noticias. suministro de actualizaciones de estado para dispositivos de Internet de las cosas; y crear descripciones de productos para sitios web de comercio electrónico, así como comunicaciones con los clientes.

Diapositiva 21

Esta diapositiva indica las ventajas de la generación de lenguaje natural (NLG), como contenido de alta calidad constante, creación de contenido mejorado, cobertura de temas que de otro modo no sería rentable, permite que la energía humana se concentre en tareas de alto valor y personalización escalable.

Diapositiva 23

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 24

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 25

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 26

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 27

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 28

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 29

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 manera predeterminada. El propósito de responder preguntas es responder en el idioma nativo del usuario en lugar de una lista de respuestas escritas.

Diapositiva 30

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 31

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 32

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 33

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

Diapositiva 34

Esta diapositiva muestra una comparación entre el procesamiento del lenguaje natural (NLP), la comprensión del lenguaje natural (NLU) y la generación del lenguaje natural (NLG)

Notas del instructor:

• PNL (Procesamiento del Lenguaje Natural): Comprende el significado del texto
• NLU (comprensión del lenguaje natural): NLU maneja procesos completos, como elecciones y acciones.
• NLG (generación de lenguaje natural): este método crea texto en lenguaje humano a partir de datos estructurados proporcionados por el sistema para responder

Diapositiva 35

Esta diapositiva enumera la diferencia entre la inteligencia artificial (IA) y el aprendizaje automático (ML). La IA es una tecnología que simula una máquina para replicar el comportamiento humano. Machine Learning es un tipo de IA en el que una máquina aprende de datos anteriores sin ser programada explícitamente.

Diapositiva 36

Esta diapositiva establece que el aprendizaje automático es un tipo de inteligencia artificial que utiliza algoritmos de aprendizaje estadístico para construir sistemas que pueden comprender y evolucionar por sí mismos sin ser programados explícitamente. El aprendizaje profundo es un enfoque de ML impulsado por la forma en que el cerebro humano filtra la información; es esencialmente aprender con el ejemplo. Permite que un modelo de computadora anticipe y categorice la información al filtrar los datos de entrada a través de capas.

Diapositiva 37

Esta diapositiva establece una comparación entre la inteligencia artificial (IA), el aprendizaje automático (ML) y el aprendizaje profundo (DL). La Inteligencia Artificial es el proceso de combinar máquinas con inteligencia humana. Machine Learning se ocupa de enseñar a las máquinas a aprender entrenando algoritmos en montones y montones de datos. El aprendizaje profundo es un tipo de aprendizaje automático que se enfoca en representaciones de datos en lugar de métodos específicos de tareas.

Diapositiva 53 a 68

Estas diapositivas contienen actividades estimulantes para involucrar a la audiencia de la sesión de capacitación.

Diapositiva 69 a 96

Estas diapositivas contienen una propuesta de capacitación que cubre lo que la empresa que brinda capacitación corporativa puede lograr para el cliente.

Diapositiva 97 a 99

Estas diapositivas incluyen un formulario de evaluación de capacitación para el instructor, el contenido y la evaluación del curso.