¿Qué es el PLN o Procesamiento del Lenguaje Natural?

El procesamiento del lenguaje natural (PLN) es la rama de la inteligencia artificial (IA) que se ocupa de entrenar a los ordenadores para que comprendan, procesen y generen lenguaje. Los motores de búsqueda, los servicios de traducción automática y los asistentes de voz utilizan esta tecnología.

Aunque el término se refería originalmente a la capacidad de un sistema para leer, se ha convertido en un coloquialismo para toda la lingüística computacional. Las subcategorías incluyen la generación de lenguaje natural (NLG), la capacidad de un ordenador para crear su propia comunicación y la comprensión del lenguaje natural (NLU), la capacidad para entender la jerga, los errores de pronunciación, los errores ortográficos y otras variantes del lenguaje.

La introducción de los modelos de transformador en el artículo de 2017 "Attention Is All You Need" de los investigadores de Google revolucionó la PNL, lo que llevó a la creación de modelos generativos de IA como Bidirectional Encoder Representations from Transformer (BERT) y, posteriormente, DistilBERT (un BERT más pequeño, más rápido y más eficiente), Generative Pre-trained Transformer (GPT) y Google Bard.

Cómo funciona el procesamiento del lenguaje natural

El PLN utiliza algoritmos de aprendizaje automático (machine learning o ML) entrenados en datos no estructurados, normalmente texto, para analizar cómo se estructuran los elementos del lenguaje humano para transmitir significado. Frases, oraciones y, a veces, libros enteros se introducen en motores de machine learning, donde se procesan utilizando reglas gramaticales, hábitos lingüísticos de la vida real de las personas y otros datos similares. Un algoritmo de PNL utiliza estos datos para encontrar patrones y extrapolar lo que viene después. Por ejemplo, un algoritmo de traducción que reconoce que, en francés, "Voy al parque" es "Je vais au parc" aprenderá a predecir que "Voy a la tienda" también empieza por "Je vais au". Todo lo que el algoritmo necesita entonces es la palabra para "store" para completar la tarea de traducción.

Aplicaciones de la PLN

La traducción automática es una potente aplicación de la PNL, pero la búsqueda es la más utilizada. Cada vez que buscas algo en Google o Bing, estás ayudando a entrenar al sistema. Cuando haces clic en un resultado de búsqueda, el sistema lo interpreta como una confirmación de que los resultados que ha encontrado son correctos y utiliza esta información para mejorar los resultados de búsqueda en el futuro.

Los chatbots funcionan de la misma manera. Se integran en Slack, Microsoft Messenger y otros programas de chat, donde leen el lenguaje que utilizas y se activan cuando escribes una frase desencadenante. Los asistentes de voz como Siri y Alexa también se ponen en marcha cuando oyen frases como "Oye, Alexa". Por eso los críticos dicen que estos programas están siempre a la escucha; si no, nunca sabrían cuándo los necesitas. A menos que enciendas una aplicación manualmente, los programas de PNL deben funcionar en segundo plano, esperando esa frase.

Los modelos de 'transformer' llevan a un nuevo nivel aplicaciones como la traducción de idiomas y los chatbots. Innovaciones como el mecanismo de autoatención y la atención multicabezal permiten a estos modelos sopesar mejor la importancia de las distintas partes de la entrada y procesarlas en paralelo en lugar de secuencialmente.

Rajeswaran V, director senior de Capgemini, señala que el modelo GPT-3 de Open AI ha dominado el lenguaje sin utilizar ningún dato etiquetado. Al basarse en la morfología (el estudio de las palabras, cómo se forman y su relación con otras palabras del mismo idioma), GPT-3 puede realizar la traducción lingüística mucho mejor que los modelos de última generación existentes, afirma. Los sistemas de PLN que se basan en modelos transformadores son especialmente potentes en NLG.

Ejemplos de procesamiento del lenguaje natural

Los datos se presentan en muchas formas, pero la mayor reserva de datos sin explotar es el texto, sobre todo el no estructurado. Las patentes, las especificaciones de productos, las publicaciones académicas, los estudios de mercado, las noticias, por no hablar de las redes sociales, todos tienen texto como componente principal y el volumen de texto no deja de crecer. Si aplicamos la tecnología a la voz, el volumen es aún mayor.

Hay varios ejemplos de cómo las empresas ponen en práctica esta tecnología. Uno es el de Edmunds, el recurso online de información e inventario de automóviles´, que ha creado un complemento ChatGPT que expone sus datos no estructurados (reseñas de vehículos, valoraciones, editoriales) a la IA generativa. El complemento permite a ChatGPT responder a las preguntas de los usuarios sobre vehículos con su contenido especializado, lo que atrae tráfico a su sitio web.

Otro ejemplo es el de la empresa farmacéutica Lilly, que desarrolló Lilly Translate, una solución de PNL de producción propia, para ayudar a traducir desde materiales de formación interna hasta comunicaciones técnicas formales a las agencias reguladoras. Lilly Translate utiliza NLP y modelos lingüísticos de aprendizaje profundo entrenados con contenido de ciencias de la vida y de Lilly para proporcionar traducción en tiempo real de Word, Excel, PowerPoint y texto para usuarios y sistemas.

Un caso más es el de la consultora de TI Accenture, que utiliza PNL para analizar contratos. La herramienta Accenture Legal Intelligent Contract Exploration (ALICE) de la empresa ayuda a la organización jurídica de la empresa de servicios globales, formada por 2800 profesionales, a realizar búsquedas de texto en sus más de un millón de contratos, incluidas búsquedas de cláusulas contractuales. ALICE utiliza "incrustación de palabras" para recorrer los documentos contractuales párrafo a párrafo, buscando palabras clave para determinar si el párrafo está relacionado con un tipo concreto de cláusula contractual.

Software de procesamiento del lenguaje natural

Tanto si estamos creando un chatbot, un asistente de voz, una aplicación de texto predictivo u otra aplicación cuyo núcleo sea el PLN, necesitaremos herramientas que nos ayuden a hacerlo. Según Technology Evaluation Centers, el software más popular incluye:

- Natural Language Toolkit (NLTK), un marco de código abierto para construir programas Python que trabajen con datos de lenguaje humano. Se desarrolló en el Departamento de Informática y Ciencias de la Información de la Universidad de Pensilvania y ofrece interfaces para más de 50 corpus y recursos léxicos, un conjunto de bibliotecas de procesamiento de textos, envoltorios para bibliotecas de procesamiento del lenguaje natural y un foro de debate. NLTK se ofrece bajo licencia Apache 2.0.

- Mallet, paquete de código abierto basado en Java para PNL estadístico, clasificación de documentos, clustering, modelado de temas, extracción de información y otras aplicaciones de ML al texto. Fue desarrollado principalmente en la Universidad de Massachusetts Amherst.
SpaCy, una biblioteca de código abierto para el procesamiento avanzado del lenguaje natural diseñada explícitamente para su uso en producción y no en investigación. Con licencia del MIT, SpaCy se creó pensando en la ciencia de datos de alto nivel y permite la minería de datos en profundidad.

- Amazon Comprehend. Este servicio de Amazon no requiere experiencia en ML. Está pensado para ayudar a las organizaciones a encontrar información en correos electrónicos, comentarios de clientes, redes sociales, tickets de soporte y otros textos. Utiliza el análisis de sentimientos, la extracción de partes del discurso y la tokenización para analizar la intención de las palabras.
Traducción en la nube de Google. Esta API utiliza NLP para examinar un texto de origen y determinar el idioma y, a continuación, utiliza la traducción automática neuronal para traducir dinámicamente el texto a otro idioma. La API permite a los usuarios integrar la funcionalidad en sus propios programas.

Cursos de procesamiento del lenguaje natural

Hay una gran variedad de recursos disponibles para aprender a crear y mantener aplicaciones de PNL, muchos de los cuales son gratuitos. Entre ellos se incluyen:

- NLP (Natural Language Processing) with Python de Udemy. Este curso proporciona una introducción al procesamiento del lenguaje natural en Python, pasando por temas avanzados como el análisis de sentimientos y la creación de chatbots. Consta de 11,5 horas de vídeo a la carta, dos artículos y tres recursos descargables. El curso cuesta 94,99 dólares e incluye un certificado de finalización.

- Ciencia de datos: Natural Language Processing in Python de Udemy. Dirigido a principiantes en PLN que dominen Python, este curso incluye la creación de una serie de aplicaciones y modelos de PLN, como un algoritmo de descifrado de cifrado, un detector de spam, un modelo de análisis de sentimientos y un generador de artículos. El curso consta de 12 horas de vídeo a la carta y cuesta 99,99 dólares, lo que incluye un certificado de finalización.

- Especialización en Procesamiento del Lenguaje Natural de Coursera. Este conjunto de cuatro cursos de nivel intermedio tiene como objetivo preparar a los estudiantes para diseñar aplicaciones de PLN como análisis de sentimientos, traducción, resumen de texto y chatbots. Incluye un certificado profesional.

- Hands On Natural Language Processing (NLP) using Python de Udemy. Este curso es para personas con experiencia básica en programación en cualquier lenguaje, una comprensión de los conceptos de programación orientada a objetos, conocimientos de matemáticas básicas a intermedias, y el conocimiento de las operaciones matriciales. Está completamente basado en proyectos e implica la construcción de un clasificador de texto para predecir el sentimiento de los tweets en tiempo real, y un resumidor de artículos que puede obtener artículos y encontrar el resumen. El curso consta de 10,5 horas de vídeo a la carta y ocho artículos, y cuesta 19,99 dólares, lo que incluye un certificado de finalización.

- Procesamiento del Lenguaje Natural en TensorFlow por Coursera. Este curso es parte de la especialización TensorFlow in Practice de Coursera, y cubre el uso de TensorFlow para construir sistemas de procesamiento de lenguaje natural que pueden procesar texto y frases de entrada en una red neuronal. Coursera dice que es un curso de nivel intermedio y estima que tomará cuatro semanas de estudio a cuatro o cinco horas por semana para completarlo.