Pemrosesan Bahasa Alami: Memberdayakan Proses Digital dengan Suara Cerdas

Perubahan terbesar dalam pemrosesan bahasa alami selama sepuluh tahun terakhir adalah peralihan dari pengenalan pola tradisional dalam kata-kata dan peralihan ke pendekatan pembelajaran mesin dan mendalam

Pemrosesan bahasa alami (NLP) memungkinkan komputer untuk membaca teks, mendengar ucapan, menginterpretasikannya, 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 bias.

"NLP penting karena membantu menyelesaikan ambigu dalam bahasa dan menambahkan struktur numerik yang berguna pada data untuk banyak aplikasi downstream, 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 analisis penipuan dan risiko atau mengekstrak wawasan tentang perilaku pelanggan. Secara fundamental, esensial untuk memiliki analitik data yang baik dan mengetahui apa yang ingin Anda capai sebelum memperkenalkan NLP ke dalam lingkungan."

Pengembangan pemrosesan bahasa alami

Perubahan terbesar dalam pemrosesan bahasa alami selama sepuluh tahun terakhir adalah peralihan dari pengenalan pola tradisional dalam kata-kata dan peralihan ke pendekatan pembelajaran mesin dan mendalam. Ada kemajuan terbaru dalam hal teknik 'word embedding' yang memungkinkan beberapa makna semantik untuk diatribusikan pada kata individual, atau grup kata.

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

Misalnya, banyak sistem telah memanfaatkan tipe jaringan saraf tiruan recurrent long short-term memory (LSTM), yang membantu untuk mempelajari lebih banyak tentang hubungan antara kata dalam kalimat, paragraf dan blok linguistik lainnya. Tipe jaringan ini memungkinkan desainer untuk memprediksi kata berikutnya dalam urutan atau memberikan probabilitas pada beberapa kata berikutnya.

Lebih dari sekadar chatbot

Dalam pemrosesan bahasa alami tradisional, kata-kata hanyalah kata-kata — frasa yang agak tidak bermakna yang tidak memiliki makna yang ditetapkan oleh konteks yang lebih luas. Ini adalah cara kita biasanya mengkategorikan chatbot, yang terbatas pada informasi yang diberikan padanya secara real-time.

"Untuk pemrosesan bahasa alami yang canggih, kita dapat meningkatkan pemahaman kontekstual dengan mewakili kata-kata sebagai vektor angka," kata Johan Toll, direktur eksekutif transformasi di IPsoft. "Alih-alih hanya memahami kata sebagai kata, ini memungkinkan mesin untuk memahami kesamaan kata dan kesamaan frasa dengan cara yang sangat fleksibel."

Misalnya, memahami bahwa kata 'kontrak' memiliki makna yang sangat berbeda dalam konteks hukum dibandingkan dalam film gangster. Tidak seperti dengan chatbot yang hanya memahami satu alur informasi dan bahasa, ini memungkinkan obrolan multi-faset yang disesuaikan sesuai konteks yang diperlukan, ditambah dengan jenis bahasa yang digunakan.

Menurut Toll, NLP canggih adalah fasilitator. "Faktanya, sebagian besar perkembangan AI dan inovasi digital termasuk beberapa bentuk otomatisasi proses cerdas (IPA), dengan McKinsey memperkirakan 50 hingga 70 persen tugas dalam perusahaan diotomatisasi," tambahnya. "Itulah otomatisasi, yang difasilitasi oleh NLP, yang memungkinkan pengembangan aplikasi AI baru, memungkinkan organisasi untuk dengan akurat mencari, mengorganisir dan mengidentifikasi sejumlah besar informasi yang berharga."

Memperkaya pengalaman pelanggan

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

"Syarat kunci untuk organisasi yang berpikir maju adalah untuk menawarkan pengalaman omnichannel yang serbaguna di mana pelanggan memiliki opsi untuk menggunakan kemampuan self-service otomatis termasuk asisten virtual dan chatbot desktop atau mobile, bersama dengan cara komunikasi tradisional," kata Stephen Ball, senior VP Eropa & Afrika di Aspect menjelaskan. "Hadiah nyata dari self-service otomatis hanya dapat dihasilkan jika organisasi mengimplementasikan teknologi baru ini dengan benar, dan mendapatkan pemahaman yang komprehensif tentang teknologi pemrosesan bahasa alami (NLP) adalah kunci untuk ini.

"Sangat penting untuk menyadari bahwa integrasi pemrosesan bahasa alami yang sukses adalah proses yang memerlukan waktu dan upaya dan membutuhkan investasi pada AI dan teknologi terkait yang dapat dengan mudah disesuaikan untuk memenuhi kebutuhan perusahaan, dan yang terpenting, cukup canggih untuk memenuhi permintaan yang kompleks dan berubah-ubah dari pelanggan modern. Untuk membuat ini terjadi, krusial bagi bisnis untuk menawarkan pelatihan NLP dan teknologi untuk meningkatkan keterampilan staf serta bekerja sama dengan mitra eksternal untuk mendapatkan pengalaman AI yang relevan dalam jangka pendek dan menengah."

Menambahkan emosi ke pemrosesan bahasa alami

Kemampuan untuk memahami apakah seseorang merasa frustrasi atau marah dari nada suara, kata-kata yang mereka pilih dan dari jeda di antara kalimat hingga waktu terdekat dianggap sebagai keterampilan yang unik bagi manusia. Area penelitian yang berkembang adalah Analisis Emosi.

Analisis Emosi adalah bentuk pemrosesan bahasa alami yang bertujuan untuk menentukan emosi penulis dari teks, emosinya bisa berupa ketakutan, marah, jijik, frustrasi, agitasi atau bahkan kesedihan. "Salah satu aplikasi dari teknologi yang menarik ini akan ada di call center — operator layanan dapat menyesuaikan saran dan bahasa mereka untuk lebih baik memenuhi kebutuhan pelanggan, tanpa panggilan pernah secara eksplisit menyatakan tingkat frustrasi mereka," kata Sally Epstein, insinyur pembelajaran mesin, Cambridge Consultants berkomentar.

Area inovasi yang lebih luas adalah Analisis Sentimen, ini digunakan untuk menentukan apakah sebagian teks bebas adalah positif, netral atau negatif. "Menggunakan Analisis Sentimen mungkin untuk mencari secara efisien sejumlah besar dokumen teks, posting media sosial, atau ulasan produk untuk mengekstrak tren yang bermakna," tambah Epstein. "Wawasan ini sudah digunakan oleh bisnis untuk menilai kepuasan konsumen terhadap merek mereka."
Yang terpenting teknik-teknik ini dapat dengan cepat diskalakan untuk menarik wawasan dari dialek dan bahasa regional yang berbeda.

Apa selanjutnya untuk pemrosesan bahasa alami?

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.

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.

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.

Dari segi masa depan, kontrol suara yang lebih baik dan pengenalan suara akan menjadi area besar untuk pemrosesan bahasa alami. Meskipun pengenalan suara telah membaik secara signifikan selama beberapa tahun terakhir, masih ada jalan yang harus ditempuh sebelum cukup baik untuk digunakan secara lebih luas. Sebagian dari kemajuan di area ini akan datang dengan model yang lebih baik.

Area besar lainnya akan adalah aplikasi yang sukses dari transfer learning ke pemrosesan bahasa alami. Hanya dalam satu tahun terakhir yang telah memungkinkan untuk memiliki model terlatih pembelajaran mendalam untuk transfer learning dalam pemrosesan bahasa alami, yang signifikan karena transfer learning telah ada lebih lama untuk komputer visi. Ini adalah kemajuan besar karena memungkinkan pengguna untuk mendapatkan manfaat dari model terlatih yang sama, meskipun dengan beberapa penyesuaian, dalam semua jenis tugas analitik teks — dari analisis sentimen hingga tanya-jawab.

Artikel oleh Mark Venables.