¿Qué es PLN o Procesamiento de Lenguaje Natural?
El Procesamiento de Lenguaje Natural (PLN) es una rama de la informática orientada a favorecer que los ordenadores puedan comprender el lenguaje escrito y hablado. Hasta ahora los ordenadores se han comunicado mejor a través del lenguaje de código, pero por desgracia los humanos no nos comunicamos así… Bueno, quizás un poco 🙂 No obstante, preferimos emplear el lenguaje natural. El PLN es, según Gartner, “la tecnología de Procesamiento de Lenguaje Natural que permite convertir texto o voz en información estructurada mediante código, basándose en la ontología más adecuada” (contenido en inglés).
En este artículo analizamos qué es PLN y las posibilidades que ofrece a las empresas.
Aprendizaje automático: el cerebro que está detrás del PLN
Sería imposible escribir en líneas de código todas las combinaciones posibles para cada palabra y en cada idioma de manera que los ordenadores las pudieran comprender. Sin embargo, a través del PLN se consigue combinar la lingüística computacional (modelado del lenguaje humano basado en reglas) y el análisis estadístico, basado en los modelos de aprendizaje automático y profundo. Estos modelos estadísticos emplean supuestos estadísticos que proporcionan una aproximación más precisa al verdadero significado, intención y sentimiento de quien habla o escribe.
El aprendizaje automático se basa en dichos datos para poder hacer predicciones. En ausencia de datos, es imposible que un sistema de inteligencia artificial sea capaz de aprender. Así pues, es necesario un corpus de texto o de lenguaje hablado para entrenar el algoritmo de PLN.
Aplicaciones del Procesamiento de Lenguaje Natural
El PLN se emplea en programas informáticos conocidos, entre ellos los programas de traducción Google Translate o DeepL, los asistentes de voz como Siri, Alexa o Google Assistant, o chatbots. Pero también hay otras aplicaciones menos conocidas que dependen del PLN. En el ámbito de la salud, por ejemplo, la tecnología PNL se emplea para obtener nuevos conocimientos a partir de los datos de pacientes anteriores. Los datos que inicialmente se encuentran desestructurados se pueden organizar con precisión empleando el PLN y generar información de utilidad para el tratamiento de los pacientes o para realizar un análisis predictivo sobre su estado de salud.
La organización de investigación independiente TNO utiliza el PLN (contenido en inglés) para extraer la información más relevante de los datos y clasificarla por temas. De este modo, a partir de textos de gran volumen y sin estructura inicial, se pueden identificar tendencias y analizar sentimientos.
Aplicaciones del Procesamiento de Lenguaje Natural
- Traducción automática de un idioma a otro.
- Resumen de un texto (muy práctico a la hora de extraer la parte más relevante de textos de gran extensión).
- Reconocimiento de voz o transcripción del lenguaje hablado a texto (text to speech).
- Traducción del texto escrito a lenguaje hablado.
- Análisis del lenguaje: connotaciones positivas o negativas del lenguaje.
- Clasificación de texto: asignación de categorías predefinidas a los documentos de texto.
- Preguntas y respuestas: comprensión del significado de las preguntas para poder responderlas.
- Interpretación de las consultas de búsqueda y análisis de contenido: determinación de las necesidades del usuario cuando interactúa con un dispositivo (chatbot, motores de búsqueda, asistentes de voz…).
- Detección de spam (identificación de palabras y errores gramaticales).
¿Qué es PLN, CLN y GLN? ¿En qué se diferencian?
El Procesamiento de Lenguaje Natural no es una técnica independiente, sino que se apoya en otros procesos como la Compresión del Lenguaje Natural (CLN) y la Generación del Lenguaje Natural (GLN). Son tres técnicas estrechamente vinculadas.
Comprensión del Lenguaje Natural
Mientras que el PLN se encarga, sobre todo, de la conversión del lenguaje no estructurado en datos estructurados, la Comprensión del Lenguaje Natural (CLN) está orientada a la interpretación y la comprensión del lenguaje. Para ello tiene en cuenta la gramática y el contexto, de tal modo que la intención del hablante quede clara. Para conseguirlo, la CLN emplea algoritmos de inteligencia artificial. Estos algoritmos son capaces de realizar análisis estadísticos y, con posterioridad, identificar similitudes en textos que no han sido analizados.
Las personas dicen o escriben lo mismo de diferentes maneras, cometen faltas de ortografía, dejan frases incompletas o emplean palabras incorrectas en los motores de búsqueda. Con la CLN las aplicaciones informáticas tienen la posibilidad de deducir cuál es el significado del lenguaje escrito o hablado, incluso cuando estos presentan algún defecto. En esencia, el PLN se fija en lo que se dice (contenido en inglés) mientras que la CLN presta más atención a lo que se quiere decir.
Generación de Lenguaje Natural
El PLN es la generación de texto a partir de datos estructurados. Esto implica que el mismo proceso se puede realizar en sentido inverso, poniendo en el punto de mira la comunicación con los ordenadores y no con los humanos. Por ejemplo, el PNL puede crear informes de contenido e indicar cuáles deben abordarse al tratar un tema determinado. Esta clasificación puede hacerse incluso en diferentes niveles de especialización y resultar de utilidad en las distintas fases del embudo de ventas.
¿Cómo funciona el Procesamiento de Lenguaje Natural?
El PLN se divide en varias fases. Las primeras etapas se centran en convertir el texto en datos estructurados, mientras que las etapas posteriores están más orientadas a la extracción de significados. El proceso en su conjunto consta de 6 fases:
- Fase de preprocesamiento
- Análisis morfológico o léxico
- Análisis sintáctico
- Análisis semántico
- Discurso
- Pragmática
Las 6 fases del Procesamiento Natural del Lenguaje
1. Fase de preprocesamiento
Al igual que sucede al preparar un pollo para cocinar, cuando se le quitan las plumas y se trocea, en esta primera fase hay que despojar el texto de todos los elementos innecesarios de tal modo que el algoritmo pueda digerirlos mejor. Esto implica eliminar acentos, etiquetas HTML, mayúsculas, caracteres especiales, conversión de números escritos a formas numéricas, etc.
La tokenización es la conversión del texto en unidades más pequeñas (tokens), y desempeña un papel especialmente importante en este punto.
Esta es también la fase de eliminación y filtrado de palabras vacías o stopwords (aquellas que contienen poca información útil) y tokens irrelevantes.
2. Análisis morfológico o léxico
Esta fase se focaliza en la estructura y construcción de las palabras. Aquí entran en escena diferentes técnicas, incluidas la sintonización y la lematización (contenido en inglés). El objetivo de este análisis es minimizar la cantidad de tokens almacenados. Así, si ya existe una ficha para el verbo “cocinar”, se crearán las reglas necesarias para conectarlo con el sustantivo “cocina” y la conjugación de “cocinar”. Y si se trata de un verbo ya conjugado, se podrá inferir cuál es su raíz.
3. Análisis sintáctico
Esta es la fase en la que se procede al análisis sintáctico de las oraciones de acuerdo con la gramática formal. La identificación de estructuras gramaticales permite extraer ciertas relaciones entre los textos.
Etiquetado gramatical (POS-tagging)
Una de las técnicas para el análisis sintáctico consiste en el etiquetado de parte del habla (Part-Of-Speech o POS, por sus siglas en inglés). El etiquetado POS etiqueta de forma automática las palabras que componen una oración según la función que desempeñan: sustantivo, verbo, adjetivo o adverbio.
4. Análisis semántico
Es el proceso por el cual se conoce el significado de un texto. Mediante el análisis semántico los ordenadores son capaces de deducir la conexión que existe entre palabras u oraciones y su contexto. El PLN emplea bloques de construcción para llevar a cabo esta función: son entidades, conceptos, relaciones y predicados. Estos bloques de construcción han sido previamente extraídos de los textos mediante un algoritmo específicamente entrenado para ello.
Reconocimiento de Entidades Nombradas (REN)
A continuación, veremos cómo funciona este análisis semántico en la API de lenguaje natural de Google. El texto a color entre paréntesis representa las entidades, es decir, personas concretas, organizaciones o ubicaciones (como Jacques Callot, República Holandesa). Al final del texto aparecen los conceptos con los que se identifican dichas entidades. Por ejemplo, Rembrandt aparece bajo el concepto de “persona” y la entidad “arte” bajo el concepto de “obra de arte”. Este proceso se denomina Reconocimiento de Entidades Nombradas (REN) y consiste en la identificación de entidades en un texto y en su división en categorías predefinidas.
El descubrimiento de conexiones semánticas entre las diferentes entidades de un texto es un paso esencial del PLN porque le da significado al lenguaje.
5. Discurso
La integración del discurso consiste en el análisis de las oraciones antes de su interpretación. En las siguientes dos frases del discurso, “Céline ama los perros. Ella tiene diez años…”, se encarga de conectar la palabra “ella” con “Céline”.
6. Pragmática
La fase final del PLN es la pragmática, encargada de interpretar la relación existente entre los enunciados del lenguaje, el contexto en el que encajan y el efecto que quién habla o escribe busca con dicho enunciado. El efecto deseado no siempre tiene por qué estar en relación con el significado, sino que puede ser independiente. Por ejemplo, en la oración “¡No podría ser mejor!”, también se podría llegar a interpretar que las cosas van mal.
Qué pueden hacer las empresas con el PLN
¿Por qué el PLN resulta de utilidad también en las empresas que no ofrecen motores de búsqueda, chatbots o servicios de traducción? Porque gracias al PLN es posible dividir los textos en categorías predefinidas y extraer información específica de cada uno de ellos.
La clasificación o extracción de datos puede ayudar a las empresas a extraer información representativa de los datos no estructurados y mejorar sus procedimientos de trabajo y sus servicios. Aquí encontrarás algunos ejemplos
Extracción de datos
La extracción de datos ayuda a las empresas a extraer información de datos no estructurados de forma automática y mediante el empleo de reglas. Un ejemplo de este procedimiento es el filtrado de facturas por fecha o por numeración específica. Con este sistema también se pueden analizar de forma automática los archivos adjuntos del correo electrónico o filtrar los datos según la información del asunto. También es posible emplear este sistema para hacer correcciones sobre la información extraída.
Clasificación de temas
La clasificación de texto en categorías predefinidas según el contenido (conocida también como clasificación de temas) es una aplicación del PLN que resulta de gran utilidad en el servicio al cliente. A través de ella es posible clasificar de forma automática los tickets o correos electrónicos de los clientes en categorías como “Información sobre precios”, “reclamaciones” o “problemas técnicos”. Esto ayuda a las compañías a optimizar sus flujos de trabajo y a proporcionar un servicio de atención al cliente mejorado, redirigiendo sus consultas al empleado/departamento más adecuado.
Análisis de los sentimientos
Otro ejemplo interesante de la aplicación del PLN en el ámbito empresarial es el valor que aporta el análisis de los sentimientos. Es un método empleado para extraer la carga emocional de un texto sin necesidad de leerlo. Puede resultar de gran utilidad a la hora de analizar publicaciones en redes sociales, correos electrónicos o reseñas de los clientes. Es fundamental realizar un seguimiento de las opiniones de los usuarios para poder ofrecer un buen servicio, así como para realizar estudios de mercado o rastrear la evolución de la reputación de una marca.
El análisis de sentimientos también se emplea como herramienta de investigación para conocer la opinión de las personas sobre temas particulares. Este sistema permite analizar con mayor rapidez las preguntas abiertas que se realicen.
No es necesario construir un sistema de clasificación desde cero y entrenar el algoritmo. En el mercado ya existen herramientas de análisis de sentimientos que pueden interpretar cualquier texto a partir del corpus preexistente. Estas herramientas también pueden aportar grandes cantidades de datos y mostrarlos en gráficos o tablas para identificar con mayor claridad las tendencias en los comentarios de los clientes, entre otras muchas funciones.
Clasificación de intenciones
Consiste en clasificar el texto según la intención del cliente. Se puede emplear esta capacidad para clasificar los correos electrónicos o los comportamientos de los clientes en una escala que vaya de menor a mayor interés. De este modo, lo tendrás más fácil para llegar de manera proactiva a los clientes que desean probar un determinado producto, o enviarles un correo electrónico de ventas en el momento más adecuado.
Como puedes comprobar, el Procesamiento de Lenguaje Natural tiene muchas aplicaciones en la automatización y el análisis de datos. Es una de las tecnologías más empleadas en el desarrollo de los negocios basados en los datos y la hiperautomatización, y sin duda puede ayudar a las empresas a obtener una clara ventaja competitiva.
