1. Motivación e introducción

1.1. ¿Qué es la inteligencia artificial (IA)?



Acorde a Russell y Norvig (2005):

‘’Nos llamamos a nosotros mismos Homo sapiens - hombre sabio - porque nuestra inteligencia es muy importante para nosotros. Por miles de años hemos intentado entender cómo pensamos; es decir, cómo un mero puñado de masa puede percibir, entender, predecir y manipular un mundo mucho más grande y complicado que sí mismo. El campo de la inteligencia artificial, o IA, va más allá: intenta no solo entender sino también construir entes inteligentes.’’ (traducido del inglés).


La prueba de Turing


Desarrollada por Alan Turing en 1950, fue diseñada para proporcionar un definición operativa satisfactoria de inteligencia (Russell y Norvig, 2005).


Video explicativo de la prueba de Turing, película Ex-Machina (2015), click en la imagen.


La computadora necesita tener las siguientes habilidades para pasar la prueba, sin necesidad de interacción física:

  • Procesamiento del lenguaje natural para poder comunicarse exitosamente.
  • Representación del conocimiento para almacenar lo que escuche o conozca.
  • Razonamiento automático para usar la información almacenada al responder preguntas y obtener nuevas conclusiones.
  • Aprendizaje automático (o de máquina) para adaptarse a nuevas circunstancias, y detectar y extrapolar patrones.

Al incluir la interacción física, para que la máquina pase una prueba completa de Turing se necesita:

  • Visión por computadora para percibir objetos.
  • Robótica para manipular objetos y moverse.


1.2. ¿Qué es el procesamiento del lenguaje natural (PLN)?


Según Sarkar (2019):

‘’El PLN se define como un campo especializado de las ciencias de la computación, la ingeniería y la inteligencia artificial enraizado en la lingüística computacional. Este está principalmente enfocado en el diseño y construcción de aplicaciones y sistemas que permitan la interacción entre máquinas y lenguajes naturales utilizados por el ser humano… Las técnicas de PLN permiten que las computadoras procesen y entiendan el lenguaje natural humano y lo utilicen para dar resultados útiles.’’ (traducido del inglés).



1.3. ¿Cuál es la relación entre la IA y el PLN?


Sarkar (2019) menciona:

‘’El procesamiento del lenguaje natural siempre ha captado mi atención debido a que el cerebro humano y nuestras habilidades cognitivas son realmente fascinantes. La habilidad para comunicar información, pensamientos complejos y emociones con tan poco esfuerzo es asombrosa una vez que piensas en cómo replicarla en las máquinas. Es un hecho que estamos avanzando por saltos y con límites en lo que se refiere a la computación cognitiva y la inteligencia artificial, pero aún no llegamos a la meta. Tal vez el pasar la prueba de Turing no es suficiente ¿Puede una máquina en realidad replicar al humano en todos sus aspectos?’’ (traducido del inglés).



2. Aplicaciones del PLN

Abhishek (2020) y Villalonga (2019) sugieren que el top de aplicaciones prácticas del PLN son:

2.1. Chatbots y asistentes por voz (agentes conversacionales)



  • Son programas que conversan con las personas a través del lenguaje natural tomando turnos.
  • Los chatbots son el tipo más avanzado de agentes conversacionales porque permiten mantener conversaciones no estructuradas.

2.2. Traductores automáticos



  • Se busca traducir automáticamente un documento de un idioma a otro.
  • Los mejores resultados se suelen obtener al utilizar métodos estadísticos basados en frases que utilicen aprendizaje supervisado y algoritmos de desambiguación.

2.3. Monitoreo de redes sociales



  • El analizar posts en redes sociales nos ayuda a conocer lo que las personas piensan acerca de un producto o cuáles son sus problemas al usar un servicio.
  • Algunas entidades pueden identificar también posibles amenazas.
  • Para esta tarea podemos usar técnicas como el análisis de sentimientos, el resumen de textos, entre otros.

2.4. Detección de noticias falsas



  • Las noticias falsas son una forma de noticias que consiste en desinformar deliberadamente a través de medios de comunicación tradicionales.
  • Algunos recursos para detectar noticias falsas y coadyuvar a la lucha contra la desinformación son el aprendizaje profundo (a través de herramientas como BERT), el modelado de tópicos, entre otros.

2.5. Análisis de encuestas



  • Cuando muchas personas toman una encuesta es difícil (y a veces casi imposible) que una persona lea todas las encuestas y obtenga conclusiones.
  • Algunos recursos utilizados para obtener estas conclusiones a través de un proceso analítico involucran al análisis de sentimientos, el resumen de información y la extracción de palabras clave.

2.6. Publicidad enfocada



  • Algunas empresas que venden productos por internet utilizan servicios basados en IA para recomendar promociones o productos a sus clientes.
  • Para lograrlo se utiliza la búsqueda de coincidencias de palabras claves basadas en la visitas de una persona a un sitio web para recomendarle una página, producto o promoción, tomando en cuenta otros factores que se puedan obtener de sus datos.
  • Existen además herramientas enfocadas no solo a recomendar promociones, sino que pueden usar el PLN para mejorar la calidad de la publicidad que se genera.

2.7. Contratación y reclutamiento



  • Es posible automatizar la exploración de las hojas de vida que recibe una empresa a través de técnicas como la extracción de información y el reconocimiento de entidades.
  • Los reclutadores podrán ver esta información resumida para facilitar su proceso de selección.

2.8. Revisores de gramática



  • Las herramientas de revisión de gramática provee sugerencias a una persona que busca escribir mejor contenido.
  • Hace 5 años no era posible lo que hoy en días estas herramientas pueden lograr.

2.9. Filtrado de correo electrónico



  • La clasificación de correos en SPAM y no SPAM quizás sea una de las aplicaciones más nombradas del aprendizaje automático.
  • A través de técnicas como la clasificación de textos (parte del PLN) se puede clasificar también los correos en categorías predefinidas.

2.10. Búsqueda de respuestas



  • Es un tipo de recuperación de la información basado en el lenguaje natural.
  • Con este, el usuario en lugar de solo escribir palabras clave también puede hacer preguntas completas.
  • Esta aplicación suele constar de tres aspectos o módulos: extracción de la información, inferencia y síntesis de múltiples fuentes.

3. Ejemplos en la industria

3.1. Marketing


Link a la lista completa:

https://marketiniano.com/conoce-los-casos-de-exito-del-procesamiento-de-lenguaje-natural/


MarketMuse


MarketMuse, Planificador de contenido basado en IA, click en la imagen.


Recursos utilizados:

  • Aprendizaje automático.
  • Generación del lenguaje natural.


Agolo


Agolo, Sumarizador de documentos, click en la imagen.


Recursos utilizados:

  • Resumen de textos.


3.2. Salud

El procesamiento de lenguaje natural y su relación con la investigación en salud mental


Paper elaborado por Camacho y otros (2013) que presenta las aplicaciones del procesamiento del lenguaje natural en salud:


Camacho et al., 2013, click en la imagen para ir al artículo.


Recursos utilizados:

  • Reconocimiento de entidades.
  • Extracción de contexto.
  • Análisis supervisado.


3.4. Banca

Chatbot Banco de Guayaquil


YoDigital - Abuela ChatBG, click en la imagen.


Recursos utilizados

  • Agentes conversacionales.


Chatbot Banco del Pacífico


Sophie BDP, click en la imagen.


Recursos utilizados

  • Agentes conversacionales.


4. Bibliografía

Abhishek, S. (2020), «Top 10 Applications of Natural Language Processing (NLP)».
Camacho, J. y otros (2013), «El procesamiento del lenguaje natural y su relación con la investigación en la salud mental», Revista Colombiana de Psiquiatría, vol. 42, No. 2.
Russell, S. & Norvig, P. (2005), AI a modern approach.
Sarkar, D. (2019), Text Analytics with Python.
Villalonga, C. (2019), Procesamiento del Lenguaje Natural, Universidad Internacional de la Rioja.