Cómo puede beneficiarse tu empresa del aprendizaje automático y NLP

Los términos aprendizaje automático, inteligencia artificial, redes neuronales y procesamiento del lenguaje natural (NLP) están de moda por los resultados que estas tecnologías logran en ciertos problemas complejos. Muchas empresas tecnológicas quieren incorporarlas a sus productos. Sin embargo, elegir cuáles y cómo hacerlo no es sencillo, principalmente porque la información disponible no siempre es precisa. Esta publicación busca aclarar sus capacidades, sobre todo NLP, y mostrar ejemplos concretos de cómo tu empresa puede aprovecharlas al máximo.

Introducción a la terminología

Empezaremos con definiciones breves de algunos conceptos. Son solo una introducción; encontrarás más información en nuestro glosario de IA y aprendizaje automático.

IA frente a aprendizaje automático

A veces se usan los términos aprendizaje automático e inteligencia artificial indistintamente, aunque se refieren a conceptos distintos.

Empecemos con inteligencia artificial. No existe un consenso oficial sobre su significado. La idea principal se encuentra en la definición de Wikipedia: «En informática, la inteligencia artificial (IA), a veces llamada inteligencia de máquinas, es la inteligencia demostrada por máquinas, a diferencia de la inteligencia natural de humanos y animales».

En cambio, el ámbito académico define el aprendizaje automático (ML) de forma mucho más específica y ofrece múltiples definiciones. Una de las que mejor resume la idea es la del Dr. Tom Mitchell, de Carnegie Mellon University: «Se dice que un programa aprende de una experiencia E respecto a una clase de tareas T y una medida de rendimiento P si su rendimiento en las tareas T, medido por P, mejora con la experiencia E». Es decir, hay aprendizaje automático cuando un programa aprende a realizar una tarea sin intervención humana.

Al analizar ambas definiciones, la diferencia es evidente. IA suele ser un término coloquial más que técnico; aprendizaje automático tiene varias definiciones académicas aceptadas. La inteligencia artificial describe el comportamiento de un programa, mientras que el aprendizaje automático es una forma de «enseñarle» a resolver un problema específico. Se confunden principalmente porque los mejores enfoques para implementar IA usan técnicas de aprendizaje automático.

Procesamiento del lenguaje natural (NLP)

El procesamiento del lenguaje natural es una rama de la inteligencia artificial que abarca las tecnologías y métodos centrados en el lenguaje humano. Incluye comprensión del lenguaje (NLU), generación del lenguaje (NLG) y clasificación, como análisis de sentimientos y etiquetado automático. Puede usar algoritmos de aprendizaje automático. El siguiente diagrama muestra gráficamente la relación entre estos términos.

Otras ramas de la inteligencia artificial incluyen temas como visión por computadora, robótica y resolución de juegos. Aquí nos centraremos en NLP y en estas formas de ayudar a tu negocio.

• NLP es útil para la mayoría de los productos.

  • Todos los productos digitales pueden beneficiarse de NLP porque mejora la experiencia de usuario. Los usuarios son humanos: si el producto comprende el lenguaje natural, puedes entender mejor sus reacciones y ofrecer mejor soporte para sus problemas.

• NLP es una tecnología realmente innovadora.

  • Gran parte de la tecnología más avanzada de aprendizaje automático es bastante antigua: se descubrió en las décadas de los 80 y 90. Su popularidad actual se debe a la gran cantidad de datos y a las mejores máquinas disponibles. NLP sigue siendo un campo innovador donde surgen descubrimientos todos los días.

• NLP mejora el rendimiento y reduce costos.

  • El soporte y la clasificación de textos incluyen NLP. Normalmente las personas realizan estas tareas porque implementar un programa parece demasiado complejo. Sin embargo, NLP ha demostrado que una máquina puede obtener resultados similares y, a veces, mejores.

• NLP no es una alternativa a las personas.

  • Suele suponerse que un algoritmo ML reemplazará a los trabajadores; es un mito. Puede trabajar junto a las personas y mejorar su eficiencia eliminando tareas triviales para que se concentren en asuntos más importantes.

Definimos los conceptos principales y explicamos por qué nos centramos en NLP. Ahora veremos situaciones específicas donde aplicarlo. Existe la idea errónea de que solo las grandes empresas pueden implementar ML y NLP. Hace diez años quizá fuera cierto, pero hoy la mayoría puede hacerlo. Nos centraremos en ejemplos sencillos de NLP en los que cualquier empresa puede invertir.

Clasificación automática de textos

Clasificar un texto con una o varias etiquetas es uno de los usos más comunes de NLP. Los algoritmos y estrategias para resolverlo son muy maduros y permiten obtener resultados precisos.

Una aplicación habitual es el análisis de sentimientos. Los investigadores de NLP llevan años trabajando en él y a veces superan los resultados humanos. Quizá no sea una función útil por sí sola para tu empresa, pero su tecnología puede aplicarse a otros problemas, como asignar automáticamente la urgencia de un ticket al llegar al sistema de soporte.

El enfoque depende de la información disponible. Lo ideal es un sistema con mucha información etiquetada manualmente. Si es suficiente, puedes crear fácilmente un algoritmo que etiquete la información entrante con alta exactitud.

Quizá tengas información etiquetada, pero no suficiente para entrenar desde cero. Hay formas alternativas de usar ML: buscar datos públicos etiquetados de un problema similar y entrenar una solución genérica. Después puedes usar los datos de tu empresa para mejorar el algoritmo y adaptarlo a tu problema. Se llama aprendizaje por transferencia y es una de las estrategias más usadas para aplicar aprendizaje automático sin grandes conjuntos de datos etiquetados.

Automatizar estas tareas tiene varias ventajas:

• Puedes ahorrar tiempo porque la información se etiqueta en cuanto llega.

• Puedes aumentar inmediatamente la capacidad de procesamiento. A veces etiquetar textos exige formar a las personas en el tema. Aumentar la capacidad requiere contratar y capacitar, lo que lleva tiempo. Con ML puedes aumentarla de inmediato añadiendo unidades de procesamiento.

• Puedes evitar clasificaciones subjetivas. Cuando las personas clasifican, su personalidad, emociones o experiencia pueden influir en el resultado.

Analizar información textual

Muchos productos gestionan enormes cantidades de información textual. Procesarla y analizarla es importante y no es trivial. NLP permite hacerlo y obtener métricas; por ejemplo, crear nubes de palabras, agrupar información o detectar anomalías.

Las personas no pueden completar este proceso por varias razones:

• La cantidad de datos suele ser enorme. Una persona no puede procesarlos manualmente. Coordinar un equipo también es complejo porque debe acordar criterios de análisis. Definirlos no es fácil y puede generar discrepancias que afecten al rendimiento y ralenticen el proceso. Un algoritmo automático puede procesar más datos eficientemente. Además, las discrepancias de criterios solo ocurren durante el entrenamiento; la ejecución cotidiana es sencilla.

• Los algoritmos NLP pueden detectar discrepancias y anomalías con más eficiencia que las personas. Técnicas como word2vec permiten transformar un texto en un vector numérico considerando su semántica. Encontrar grupos y anomalías en un espacio vectorial numérico es más fácil que hacerlo manualmente.

• NLP permite transferir el aprendizaje entre productos con más facilidad que equipos humanos. Hay muchísimos datos públicos en varios idiomas que pueden alimentar el algoritmo y mejorar su exactitud o precisión. Hacerlo con distintos equipos exige reuniones y discusiones.

• NLP es más fácil de aplicar a otro idioma. Transferir un único algoritmo es más sencillo y sin complejidad. Como podemos convertir cualquier texto en un vector numérico, cambiar el idioma solo cambia la función de mapeo. Con personas no es viable sin varios equipos o equipos multilingües.

• Por último, no hace falta eliminar por completo la participación humana. El algoritmo puede ayudar al equipo a concentrarse en lo importante en lugar de lo trivial. Podemos crear un algoritmo que sugiera grupos que las personas analicen en mayor profundidad.

La información es un recurso valioso; comprenderla y analizarla con algoritmos automáticos es una gran ventaja para cualquier negocio.

Un chatbot para interactuar con los usuarios

Al hablar de chatbots, solemos imaginar algoritmos extraordinarios que replican el cerebro humano. Algunos chatbots complejos parecen personas reales, pero son difíciles de implementar y suelen ser costosos. Un bot sencillo, en cambio, no es una tarea compleja y puede ser útil para tu negocio.

Veamos las ventajas de tener un bot:

• Las personas ya se comunican con lenguaje natural. Interactuar con un bot es fácil para los usuarios y apenas requiere capacitación.

• Algunas ideas son fáciles de expresar con lenguaje natural, pero no se corresponden directamente con otra interfaz; por ejemplo: «Muéstrame información sobre casas en California, excluyendo LA». Definir una interfaz con filtros y exclusiones que sirva para todos no es sencillo.

• Con un bot puedes reducir o especializar tu equipo de soporte. Puede responder la mayoría de las preguntas y dejar que el equipo se centre en las excepciones. También puedes tener especialistas y usar el bot para encontrar a la persona adecuada para cada pregunta.

• Un bot usa interfaces visuales y de audio. Ofrecer distintas formas de interacción hace que el producto sea más accesible.

Aunque quizá no puedas añadir un bot inteligente, incorporar uno sencillo es fácil y puede aportar valor al negocio y ayudar al equipo a trabajar con más eficiencia.

Estos tres ejemplos son solo algunas de las muchas formas de incorporar NLP a un producto o negocio. Como mostramos, el tamaño de tu empresa no debe impedir su uso; se trata de encontrar la mejor forma de aplicarlo según los datos y recursos disponibles.