Diferencias entre NLP, NLU y NLG

En un artículo del otro día, hablamos de las diferencias entre Inteligencia Artificial, Machine Learning y Deep Learning. Dentro de este concepto (IA), categorías (ML) y sub-categorías (DL), existen diferentes técnicas. Como NLP, NLU y NLG.

La Inteligencia Artificial involucra a profesionales de muchos campos. Si nos centramos por ejemplo en NLP veremos sistemas que combinan matemáticas, ingeniería de software, estadística o lingüística. La visión de cada taxonomía puede variar ligeramente según el observador, aún así más arriba podéis consultar el diagrama de VENN.

Este muestra una relación muy interesante en la que se ve cómo el NLP es la intersección entre dos grandes categorías, la AI y lingüística. A su vez se observa que el NLP tiene un componente de ML y DL. Y, a su vez, de NLP se desprenden dos categorías principales: NLU y NLG.

¿Qué es NLP?

El NLP (Natural Language Processing) describe la capacidad de una máquina para “ingerir” lo que se le dice, descomponerlo y comprender cuál es su significado. El objetivo es determinar una acción adecuada. Un perfecto ejemplo son los asistentes de voz de los televisores: una persona solicita a la máquina un contenido (señal de entrada), la máquina interpreta dicho contenido y ejecuta una acción. Así eliges una de tus series favoritas. La intención del NLP es diseñar mecanismos para comunicarse que sean eficaces computacionalmente. Es decir, que se puedan realizar por medio de programas informáticos y que ejecuten o simulen la comunicación.

¿Qué son NLU y NLG?

NLU (Natural Language Understanding) es un subconjunto de NLP que trata con un área mucho más específica. Se enfoca en cómo manejar mejor las entradas no estructuradas para convertir estas en un formato estructurado. Así la máquina puede entender y comprender y producir una acción. En las conversaciones que ocurren en tu contact center no se respetan la estructura formal del lenguaje. Depende de la pronunciación, las pausas, uso coloquilal del lenguage o la conjugación de los verbos.

En una conversación se cometen faltas como el recorte de palabras y con técnicas de NLU ayudamos a la máquina a comprender las conversaciones. Upbe es un ejemplo perfecto de NLU: trabaja en un entorno para obtener información en conversaciones que pueden llegar a ser muy informales.

NLG (Natural Language Generation) se refiere a los procesos de IA que transforman datos estructurados en lenguaje natural, como texto o voz. Un ejemplo de esto son los chatbot o los asistentes de voz de Google y Apple. Estos son capaces de generar lenguaje ante un estímulo, como al preguntarles por el tiempo que va a hacer hoy.

Enfocándonos en el potencial de estas técnicas en los contact centers, es importante detallar el entorno de herramientas y técnicas que acompañan el NLP. Los sistemas de Speech Technologies son dos:

1. Sistemas de reconocimiento del habla (ASR)
2. Sistemas de síntesis del habla (Text-To-Speech)

Estos sistemas hacen de interfaz entre las personas y los  sistema NLP. Estas tecnologías son el canal que permite la comunicación entre humanos y máquinas. Para el caso del ASR permite la comunicación de un emisor humano y un receptor máquina permitiendo que módulos NLP reciban una transcripción de texto. Y los sistemas Text-To-Speech establecen una comunicación donde la máquina es el emisor y el humano el receptor convirtiendo el texto en discurso hablado.

Las técnicas de NLP incluyen varios tipos de procesamiento que dan información valiosa a los modelos Machine Learning para detectar patrones en el texto.

Además del vocabulario, nos interesa comprender otros tipos de estructuras como las gramaticales. Entre las técnicas de procesamiento de NLP, están el etiquetado gramatical y análisis sintáctico, que identifica patrones de estructuras gramaticales de cada palabra como verbos, sustantivos y pronombres. También la categorización de texto y reconocimiento de entidades que permiten construir sistemas capaces de clasificar patrones de texto.

Las técnicas NLU se apoyan de las técnicas NLP. Y aparte incluye un repositorio de técnicas propias, como es el caso de sistemas de análisis de sentimientos, para determinar las emociones o polaridad de sentimientos de los interlocutores. También hay sistemas para resumir el texto y sistemas de análisis semántico que se encargan de extraer relaciones lógicas de secuencias de texto en lenguaje natural. Esto ayuda a construir sistemas de pregunta/respuesta como los chatbots.

Las Speech Technologies se apoyan de las técnicas de ML para construir sus modelos, en el caso del reconocimiento automático del habla se utiliza un mix de modelos de lenguaje, modelos fonéticos y Deep Learning para extraer patrones del sonido de las palabras y sus patrones de aparición.

Y aquí es donde la aplicación de esta tecnología a las llamadas de tu Contact Center brilla: todas estas tecnologías te permiten tomar decisiones en base al sentimiento y emociones de tus clientes. La tecnología es capaz de identificar y estructurar esos datos para que tú te centres en analizar y proponer mejoras. La propuesta de valor de Upbe reside en estos conceptos: la tecnología te ayuda a mejorar tu producto y servicio, y a entrenar mejor a tus agentes o comerciales.

1. Combinadas estas técnicas de NLP con ML los resultados en eficiencia, operatividad y productividad se disparan. ¿Cuál es el resultado de combinar esta suite de tecnologías y herramientas?
2. Entendimiento del contexto de todas las llamadas y mejora de la toma de decisiones.
3. Ofrecer herramientas de trabajo a tus auditores y agentes que mejoren su formación y productividad.
4. Afrontar la optimización de FCR o AHT con más capacidades.
   Incrementar tu capacidad de predecir cuestiones fundamentales de tu negocio. ¿Qué clientes están en riesgo de causar baja? ¿Qué sentimientos, reacciones y emociones provoca mi último producto en salir al mercado?