Bagaimana Pemrosesan Bahasa Alami Membentuk Masa Depan E-Commerce
'Hanya masalah waktu sebelum perusahaan di seluruh industri akan menggunakan teknologi pembelajaran mendalam seperti NLP untuk mengekstrak wawasan tersembunyi dan menggabungkannya dengan pengalaman dan keahlian bisnis spesifik mereka untuk berinovasi dan membedakan diri.'
Apa teknologi di balik pemrosesan bahasa alami?
Sederhananya, NLP, atau pemrosesan bahasa alami, adalah teknologi yang memungkinkan data dunia nyata untuk dipahami dan diproses oleh komputer.
Itu dimulai pada tahun 1950-an, dengan kertas Alan Turing "Computer Machinery and Intelligence", di mana ia bertanya: Dapatkah mesin berpikir? Maksudnya adalah: Dapatkah mesin berpikir seperti manusia, sehingga dapatkah mesin memahami fakta dan data dari kenyataan manusia?
NLP adalah bentuk kecerdasan buatan yang menggunakan beberapa disiplin ilmu, seperti linguistik komputasi, untuk mencoba memberikan struktur yang masuk akal pada komunikasi manusia yang tidak terstruktur. Secara harfiah, itu mengubah kata-kata manusia (ucapan dan teks) menjadi kode biner.
Tujuh puluh tahun yang lalu, kartu berlubang adalah satu-satunya cara untuk manusia berkomunikasi dengan komputer. Kini, komputer dapat 'memahami' banyak bahasa manusia, mengeksekusi perintah lisan atau tulisan, menyimpulkan wawasan darinya dan menerapkannya di masa depan. Misalnya, jika Anda pernah melihat baju merah secara online, komputer akan memahami bahwa Anda suka baju merah, dan akan menunjukkan semua item yang diketahuinya yang sesuai dengan "merah" + "baju".
NLP bekerja dengan menganalisis komponen halus dari bahasa manusia — yang akan menjadi 'atom komunikasi manusia'. Ini mungkin berupa kata-kata, frasa atau deskripsi dari katalog produk Anda. "Atom" ini kemudian dibandingkan dengan database kata dan rekaman miliknya, yang dikategorikan dan diekstrak maknanya dari analisis semantik — secara efektif, memahaminya.
Artinya, ia dapat membuat koneksi yang mungkin tidak dibuat manusia. Kini, dengan daya proses massal yang tersedia secara murah, inferensi yang dapat dibuat untuk preferensi individu adalah luar biasa.
Mengapa baru hadir di pasar sekarang?
NLP telah dikembangkan selama bertahun-tahun. Pasar yang lebih luas baru memperhatikannya sekarang, karena (1) aplikasi dunia nyata dari NLP dan teknologi AI lainnya semakin dipahami oleh bisnis, dan (2) kami akhirnya memiliki daya komputasi yang luas untuk benar-benar melakukan sesuatu dengannya. Itu juga tidak salah bahwa perusahaan seperti kami telah dapat menggunakan pengetahuan industri vertikalnya, misalnya, untuk melampaui model umum dan menciptakan algoritma yang berfokus pada pengalaman yang menghasilkan hasil nyata, seperti konversi atau pendapatan yang meningkat.
Hingga waktu terdekat, sangat sedikit organisasi di luar akademisi atau pemerintah yang memiliki daya komputasi untuk benar-benar menjalankan algoritma pembelajaran mendalam yang diperlukan untuk memahami dan menarik korelasi dari teks. Dengan kemajuan terbaru, tidak hanya kita dapat dengan cepat mengkonsumsi dan mendapatkan makna dari sejumlah besar data teks, tetapi kami kini juga memiliki teknologi waktu nyata (dengan hadirnya teknologi seperti Flink dan Kafka) untuk memprosesnya bersama dengan perilaku pengguna, mengekstrak wawasan yang diperlukan, dan merespons secara real-time dengan tindakan atau keputusan yang tepat.
Seperti yang dicatat Gartner, hadirnya data teks memicu minat luas terhadap berbagai aplikasi AI canggih potensial. Penggunaan NLP di bidang pengalaman pelanggan, misalnya, untuk mengekstrak sentimen dari pesan teks dan obrolan, telah membuka jalan bagi adopsi industri yang lebih luas dan aplikasi praktis.
Di bidang personalisasi pengalaman, kami baru mulai menjelajahi kemungkinan dan bersemangat dengan hasil yang telah kami lihat dengan penggunaan NLP, misalnya, untuk mengekstrak wawasan dari deskripsi katalog produk, ulasan, atribut dan teks lainnya serta mendapatkan pemahaman yang lebih dalam tentang produk pelanggan kami dan bagaimana mereka saling terkait — hipoalergenik, 100% katun, dan lain-lain.
Hanya masalah waktu sebelum perusahaan di seluruh industri akan menggunakan teknologi pembelajaran mendalam seperti NLP untuk mengekstrak wawasan tersembunyi dan menggabungkannya dengan pengalaman dan keahlian bisnis spesifik mereka untuk berinovasi dan membedakan diri.
Apakah organisasi harus menerapkan NLP? Dapatkah Anda memberikan beberapa studi kasus/contoh praktis perusahaan?
Sektor yang telah kami lihat bagaimana cara kerjanya adalah ritel, tempat banyak klien kami berada. Fashion cepat dan ritel yang memiliki rotasi produk besar atau memperkenalkan katalog baru setiap musim dapat mendapat manfaat yang khusus dari penggunaan NLP.
Personalisasi secara tradisional bekerja paling baik ketika Anda memiliki banyak data perilaku untuk setiap produk. Namun, apa yang Anda lakukan jika sebagian besar katalog Anda baru atau niche dan tidak memiliki data apa pun yang mendukungnya? Hingga waktu terdekat, yang terbaik yang dapat dilakukan adalah menawarkan rekomendasi "penjual terbaik" sebagai pelengkap.
Dengan NLP, kami dapat sebenarnya mengambil data teks — seperti deskripsi produk, catatan gaya dan pas, penilaian dan ulasan, dan lain-lain — mengekstrak wawasan tentang produk tersebut dan yang terkait dengannya, dan kemudian menggunakan pemahaman yang lebih dalam itu untuk segera memberikan rekomendasi dan tawaran yang melengkapi produk baru atau long-tail.
Ini adalah pengubah aturan bagi ritel/merk yang secara rutin memperkenalkan atau dengan cepat melalui gaya baru atau katalog musim, sehingga memungkinkan personalisasi dan mengekspos pembeli kepada produk yang relevan melalui tawaran cross-sell sejak awal.
Apa selanjutnya untuk NLP?
Saat merek dan ritel terus mengadopsi NLP, kasus penggunaan akan terus berkembang. Apa yang kami lihat selanjutnya adalah memperluas aplikasi NLP untuk mencakup prediksi perjalanan, ekstensi berbasis ucapan, faceting untuk pencarian, dan lain-lain. NLP dengan pembelajaran mendalam adalah masa depan belanja e-commerce.
Jawaban diberikan oleh Raj Badarinath, VP Ecosystems, RichRelevance
