Pemrosesan bahasa alami memberikan suara pada proses digital

Perubahan terbesar dalam pemrosesan bahasa alami selama sepuluh tahun terakhir adalah perpindahan dari pengenalan pola yang lebih tradisional di kata-kata dan bergerak menuju mesin dan pendekatan pembelajaran yang mendalam

Pemrosesan bahasa alami (NLP) memungkinkan komputer membaca teks, mendengar ucapan, menafsirkannya, mengukur sentimen, dan menentukan bagian mana yang penting. Mesin saat ini dapat menganalisis lebih banyak data berbasis bahasa daripada manusia, tanpa kelelahan dan dengan cara yang konsisten dan tidak memihak.

“NLP penting karena membantu menyelesaikan ambiguitas dalam bahasa dan menambahkan struktur numerik yang berguna ke data untuk banyak aplikasi hilir, seperti pengenalan suara atau analitik teks,” kata Kayne Putman, konsultan analitik di SAS UK &Ireland. “Itu berarti dapat diterapkan dalam berbagai kasus penggunaan bisnis seperti penipuan dan analisis risiko atau penggalian wawasan tentang perilaku pelanggan. Pada dasarnya, penting untuk memiliki analitik data yang baik dan mengetahui apa yang ingin Anda capai sebelum memperkenalkan NLP ke lingkungan.”

Pengembangan pemrosesan bahasa alami

Perubahan terbesar dalam pemrosesan bahasa alami selama sepuluh tahun terakhir adalah perpindahan dari pengenalan pola yang lebih tradisional dalam kata-kata dan beralih ke pendekatan mesin dan pembelajaran mendalam. Ada kemajuan baru-baru ini dalam hal teknik 'penyematan kata' yang memungkinkan beberapa tingkat makna semantik dianggap berasal dari kata-kata individu, atau kelompok kata.

“Hasilnya adalah vektor numerik berdimensi tinggi yang memungkinkan pelatihan dan analisis model lebih lanjut terjadi,” kata Jos Martin, manajer teknik senior di MathWorks. “Setelah beberapa makna semantik telah ditransfer ke dalam ruang numerik, banyak teknik pembelajaran mendalam lainnya yang baru-baru ini dikembangkan menjadi tersedia untuk perancang sistem NLP.”

Misalnya, banyak sistem telah memanfaatkan jenis jaringan saraf berulang memori jangka pendek (LSTM), membantu dalam mempelajari lebih lanjut tentang hubungan antara kata-kata dalam kalimat, paragraf, dan blok linguistik lainnya. Jenis jaringan ini memungkinkan perancang untuk memprediksi kata berikutnya dalam urutan yang mungkin atau menganggap probabilitas beberapa kata berikutnya.

Lebih dari sekedar chatbot

Dalam pemrosesan bahasa alami tradisional, kata-kata hanyalah kata-kata – frasa yang agak tidak berarti yang tidak memiliki makna yang ditetapkan oleh konteks yang lebih luas. Ini adalah cara kami biasanya mengkategorikan chatbot, yang dibatasi oleh informasi yang diberikan padanya secara real-time.

“Untuk pemrosesan bahasa alami tingkat lanjut, kami dapat meningkatkan pemahaman kontekstual dengan merepresentasikan kata-kata sebagai vektor angka,” kata Johan Toll, direktur eksekutif transformasi di IPsoft. “Daripada hanya memahami kata sebagai kata, ini memungkinkan mesin untuk memahami persamaan kata dan persamaan frasa dengan cara yang sangat fleksibel.”

Misalnya, memahami bahwa kata 'kontrak' memiliki arti yang sangat berbeda dalam konteks hukum daripada dalam film gangster. Tidak seperti chatbot yang hanya memahami satu aliran informasi dan bahasa, ini memungkinkan percakapan multi-aspek yang disesuaikan dengan konteks yang diperlukan, selain jenis bahasa yang digunakan.

Menurut Toll, NLP tingkat lanjut adalah fasilitator. “Faktanya, sebagian besar pengembangan AI dan inovasi digital mencakup beberapa bentuk otomatisasi proses cerdas (IPA), dengan McKinsey memperkirakan bahwa 50 hingga 70 persen tugas dalam perusahaan diotomatisasi,” tambahnya. “Otomasi inilah, yang difasilitasi oleh NLP, yang memungkinkan pengembangan aplikasi AI baru, memungkinkan organisasi untuk secara akurat mencari, mengatur, dan mengidentifikasi sejumlah besar informasi berharga. “

Meningkatkan pengalaman pelanggan

Dengan pertumbuhan eCommerce dan pasar global yang berkembang, lebih banyak konsumen berbelanja online daripada sebelumnya. Untuk memenuhi permintaan yang meningkat ini, organisasi mengadopsi kombinasi teknologi generasi berikutnya termasuk NLP untuk menambah pengalaman pelanggan mereka, meningkatkan reputasi merek, dan meningkatkan penjualan. Penelitian yang dilakukan di Aspect menemukan bahwa 92 persen responden mengakui nilai pemrosesan bahasa alami dalam layanan pelanggan modern.

“Persyaratan utama untuk setiap organisasi yang berpikiran maju adalah untuk menawarkan pengalaman omnichannel serbaguna di mana pelanggan memiliki pilihan untuk menggunakan kemampuan swalayan otomatis termasuk asisten virtual dan chatbot desktop atau seluler, di samping sarana komunikasi tradisional,” Stephen Ball, senior VP Eropa &Afrika di Aspect menjelaskan. “Hadiah sejati dari layanan mandiri otomatis hanya dapat diperoleh jika organisasi menerapkan teknologi baru ini dengan benar, dan memperoleh pemahaman yang komprehensif tentang teknologi pemrosesan bahasa alami (NLP) adalah kuncinya.

“Sangat penting untuk menyadari bahwa integrasi pemrosesan bahasa alami yang sukses adalah proses yang membutuhkan waktu dan usaha dan memerlukan investasi dalam AI dan teknologi terkait yang dapat dengan mudah disesuaikan dengan kebutuhan perusahaan, dan yang terpenting, cukup maju untuk memenuhi tuntutan pelanggan modern yang kompleks dan berubah. Untuk mewujudkannya, bisnis harus menawarkan NLP dan pelatihan teknologi untuk meningkatkan keterampilan staf serta bekerja dengan mitra eksternal untuk mendapatkan pengalaman AI yang relevan ini dalam jangka pendek dan menengah.”

Menambahkan emosi ke pemrosesan bahasa alami

Kemampuan untuk memahami apakah seseorang frustrasi atau marah dari kecenderungan nada, kata-kata yang mereka pilih dan dari jeda antar kalimat sampai saat ini dianggap sebagai keterampilan manusia yang unik. Bidang penelitian yang berkembang adalah Analisis Emosi.

Analisis Emosi adalah bentuk pemrosesan bahasa alami yang terlihat untuk menentukan emosi penulis dari teks, emosi itu bisa berupa ketakutan, kemarahan, jijik, frustrasi, agitasi atau bahkan kesedihan. “Salah satu penerapan teknologi menarik ini akan ada di pusat panggilan – operator saluran bantuan dapat menyesuaikan saran dan bahasa mereka untuk memenuhi kebutuhan pelanggan dengan lebih baik, tanpa penelepon harus secara eksplisit menyatakan tingkat frustrasi mereka,” Sally Epstein, insinyur pembelajaran mesin, Komentar Konsultan Cambridge.

Area inovasi yang lebih luas adalah Analisis Sentimen, ini digunakan untuk menentukan apakah sebagian teks bentuk bebas itu positif, netral, atau negatif. “Dengan menggunakan Analisis Sentimen, pencarian dokumen teks, posting media sosial, atau ulasan produk dalam jumlah besar dapat dilakukan secara efisien untuk mengekstrak tren yang bermakna,” tambah Epstein. “Wawasan ini sudah digunakan oleh bisnis untuk menilai kepuasan konsumen atas merek mereka.”
Yang terpenting, teknik ini dapat ditingkatkan dengan cepat untuk menarik wawasan dari berbagai dialek dan bahasa regional.

Apa selanjutnya untuk pemrosesan bahasa alami?

Untuk masa depan, kontrol suara dan pengenalan suara yang lebih baik akan menjadi area besar untuk pemrosesan bahasa alami. Sementara pengenalan suara telah menjadi jauh lebih baik selama beberapa tahun terakhir, masih ada beberapa cara untuk pergi sebelum cukup baik untuk digunakan secara lebih luas. Sebagian kemajuan di bidang ini akan datang dengan model yang lebih baik.

Area besar lainnya adalah keberhasilan penerapan transfer learning ke pemrosesan bahasa alami. Hanya dalam setahun terakhir dimungkinkan untuk memiliki model pembelajaran mendalam yang telah dilatih sebelumnya untuk pembelajaran transfer dalam pemrosesan bahasa alami , yang signifikan karena pembelajaran transfer telah ada lebih lama untuk visi komputer. Ini adalah terobosan besar karena memungkinkan pengguna mendapatkan manfaat dari model terlatih yang sama, meskipun dengan beberapa penyesuaian, dalam semua jenis tugas analisis teks – mulai dari analisis sentimen hingga menjawab pertanyaan.

Artikel oleh Mark Venables.