Il Natural Language Processing (NLP), tecnologia a “impatto transformational”

Nell’imminente futuro ci si aspetta una diffusione e un’adozione capillare di questi sistemi: meno di 2 anni per chatbot e piattaforme conversazionali, dai 2 ai 5 anni per assistenti virtuali e infine dai 5 ai 10 anni per NLP Understanding. [...]
Riccardo Piva

Manager di Iconsulting

  1. Home
  2. Intelligenza Artificiale
  3. Il Natural Language Processing (NLP), tecnologia a “impatto transformational”

L’interazione tra l’essere umano e le macchine è sempre stata considerata un punto cruciale: solo la scrittura di codici di programmazione comprensibili ha permesso all’uomo di impartire istruzioni al computer, rendendo quest’ultimo uno strumento fondamentale per svolgere attività e operazioni quotidiane. È sempre stato l’uomo a cercare una via di comunicazione con le macchine. Recentemente, però, si sta verificando una tendenza contraria: gli algoritmi di intelligenza artificiale a disposizione, in particolar modo il linguaggio naturale, sono in grado di apprendere attraverso l’interazione con gli umani. Si tratta di una branca dell’AI conosciuta come Natural language processing (NLP) o Natural language technology (NLT) che studia e approfondisce le tecniche di elaborazione delle informazioni contenute nella lingua sia parlata sia scritta.

Assistenti virtuali, chatbot & Co.

Tutti i giorni le persone – magari senza nemmeno accorgersene – interagiscono con questi algoritmi. Si pensi, ad esempio, agli assistenti virtuali, alle chatbot e ad altri sistemi di comunicazioni che stanno abilitando, in alcuni casi addirittura facilitando, la relazione e la comunicazione non solo tra consumatori e aziende ma anche tra gli stessi individui.

La crescente popolarità di questi strumenti è aumentata anche grazie e soprattutto agli effettivi benefici che si riscontrano a seguito della loro adozione. Un’evidenza che viene supportata dai dati contenuti nella ricerca “Artificial Intelligence Trends: Natural Language Processing” condotta da Gartner. Secondo lo studio, l’NLP sta progressivamente influenzando i piani aziendali, le scelte strategiche e gli investimenti futuri. Analizzando più accuratamente le evidenze messe a disposizione da Gartner si nota che il 42% delle aziende raggiunte ha già sperimentato o implementato progetti di NLP, mentre il 77% ne ha accelerato la realizzazione nell’ultimo anno. Per quanto riguarda, invece, gli ambiti di applicazione di maggiore successo saranno customer service ed employee support. Le aziende che avvieranno progetti NLP nei settori appena citati potranno ottenere vari vantaggi, tra i quali vengono annoverati: ottimizzazione dei costi, incremento dell’efficienza e soddisfazione dei clienti.

Non vengono esclusi però dall’indagine alcuni ostacoli che le realtà si troverebbero ad affrontare nel corso dell’attivazione di progetti di NLP. In particolar modo, l’istituto di ricerca ne ha individuati tre: l’assenza di talento, il budget e i costi per tecnologie e infrastruttura IT.

Diventa dunque necessario esaminare e riconoscere l’hype che viene a crearsi attorno alle nuove tecnologie dalla loro vera abilità nel creare valore.

A tal fine, la stessa Gartner ha sviluppato una metodologia apposita conosciuta come Hype Cycle per rappresentare graficamente la maturità, l’adozione e l’applicazione di specifiche tecnologie. Suddiviso in 5 fasi, tale modello grafico riferito al 2021 mostra come NLP, chatbot, assistenti virtuali e piattaforme conversazionali abbiano abbandonato la fase di “peak of inflated expectations” (hype iniziale dovuto alle alte aspettative) raggiungendo quella di “trough of disillusionment” (disillusione dopo i primi fallimenti).

Fasi, quest’ultime, caratterizzate da varie storie iniziali di successo susseguite da fallimenti che ne attenuano temporaneamente l’attenzione. Una condizione però passeggera dato che tali tecnologie vengono annoverate tra quelle che possiedono un impatto “transformational”, come definito da Gartner. È solo questione di tempo: nell’imminente futuro ci si aspetta una diffusione e un’adozione capillare di questi sistemi – in particolare meno di 2 anni per chatbot e piattaforme conversazionali, dai 2 ai 5 anni per assistenti virtuali e infine dai 5 ai 10 anni per NLP Understanding.

Fonte: Gartner

L’applicazione dell’NLP in ambito aziendale

Grazie alle tecniche di NLP – che comprendono anche natural language understanding e text analytics i dati non strutturati, contenuti in testi o discorsi audio, vengono elaborati in informazioni codificate e strutturate adatte all’analisi dell’AI. Operazioni che acquisiscono una primaria rilevanza dato che, attraverso la comprensione di contesto e contenuto di un messaggio, vengono forniti insights e viene abilitata l’automatizzazione dei processi.

Recentemente, lo sviluppo di questo ambito ha portato alla nascita di varie altre strategie, tra le quali natural language generation e machine translation. Le prime soluzioni consentono la produzione automatica di brevi testi come, ad esempio, didascalie di fotografie e descrizioni di articoli, mentre le seconde si occupano della traduzione sia da una lingua all’altra che della conversione di audio in testi e viceversa.

INFOGRAFICA
Sai di monitorare l’intero percorso d’acquisto dei clienti su canali diversi? Come si fa
Cloud
Digital Transformation

L’applicazione di queste tecniche può comportare:

  • automatizzazione totale: in questo scenario le operazioni ripetitive e poco impattanti vengono svolte interamente dalle macchine. Si trovano esempi di successo in vari settori come, ad esempio, nel Customer Care dove l’NLP fornisce assistenza continua al cliente grazie all’impiego di chatbot e assistenti virtuali per soddisfare le richieste 24 ore su 24. Altre casistiche si ritrovano nell’ambito HR (automatizzazione di task ripetitivi come lo screening di curricula attraverso la robotic process automation) e, infine, nel Finance (estrazione di informazioni su investimenti grazie al monitoraggio di fonti di informazione pubbliche e disponibili sui social media).
  • Automatizzazione parziale: implica che il lavoro svolto dai sistemi è a supporto e complementare a quello umano. Vari gli ambiti che oggi implementano e adottano queste tecnologie, tra questi, solo per citarne alcuni, si trovano: Translation e transcription, in cui le tecniche di machine translation non sono totalmente sviluppate e necessitano ancora del coinvolgimento dell’uomo; Media, estrazione di insights dai testi nelle rassegne stampa; Insurance, individuazione delle richieste di risarcimento fraudolente attraverso l’analisi dei testi delle denunce dei sinistri; e il Legal: estrazione di parole chiave da complessi contratti legali, a supporto del processo di revisione dei contratti.

Il cloud: l’ambiente ideale per il NLP e il ML

L’ambiente ideale per lo sviluppo futuro dell’NLP sembra essere il cloud: la gran mole di dati a disposizione unitamente alla potenza di calcolo adatta ad addestrare modelli con miliardi di parametri permetterà l’evoluzione delle tecniche NLP. Non solo NLP ma anche machine learning – che sempre più si sta diffondendo nei processi aziendali – il cui mercato crescerà da 11 di dollari miliardi nel 2020 a 152 miliardi di dollari nel 2028, secondo le ultime previsioni del 2021.

Un trend, quindi, che si riflette anche nelle principali piattaforme di cloud computing che stanno effettuando ingenti investimenti nell’intelligenza artificiale e sviluppando servizi specifici, meglio conosciuti come Machine Learning as a Service (MLaaS). Questi ultimi sono ideati per supportare l’evoluzione dell’utilizzo del ML nelle attività di storage, processamento dei dati, sviluppo, valutazione e monitoraggio dei modelli. Secondo recenti previsioni, il valore del mercato MLaas ammonterà a 16,7 miliardi di dollari entro il 2027.

Fonte: Fortune Business Insights

I principali provider di MLaaS mettono quindi a disposizione una serie di servizi general-purpose che sono specificatamente dedicati all’NLP. Un primo passo fondamentale che consente a tutte le aziende – anche quelle che non presentano al loro interno un team di data scientist – di poter sperimentare e applicare facilmente e velocemente l’NLP sui propri dati.

Sebbene dunque i vantaggi siano evidenti, quando si adottano soluzioni NLP bisogna considerare che affidarsi a servizi “preconfezionati” potrebbe non essere la scelta ottimale. Il linguaggio utilizzato e il modo in cui le persone interagiscono, infatti, varia a seconda del contesto in cui opera l’azienda – fattore da tenere in considerazione. Basti pensare ad esempio alle differenze lessicali che intercorrono tra il settore legale e quello medico.

Il percorso di adozione ottimale sarebbe un progressivo avvicinamento a progetti sempre più personalizzati di modo che la singola realtà possa rispondere alle proprie peculiari necessità: le soluzioni “one-size-fits-all” non potranno mai riuscire a catturare le sfumature che caratterizzano ogni possibile use case.

Il ruolo fondamentale dell’NLP nel Service Desk Management

Non è raro che i clienti, dopo aver effettuato un acquisto sia di un articolo che di un servizio, si rivolgano all’assistenza clienti per risolvere i problemi che riscontrano. Anche se le aspettative dei consumatori, per ora, non siano alte stanno aumentando con il tempo soprattutto in termini di velocità della risposta. Con i dati a disposizione oggi, infatti, si nota che attendono un riscontro alle loro mail entro un’ora, un lasso di tempo che si riduce a 45 secondi se si tratta di una comunicazione inviata attraverso una chat. Il customer care gioca quindi un ruolo fondamentale dato che i clienti dichiarano, inoltre, di essere disposti ad aumentare la spesa di acquisto con aziende che eccellono nel fornire loro servizi di supporto.

La posta in gioco, dunque, è alta: una gestione non ottimale delle richieste può non solo comportare la perdita di un acquirente – il 51% dei clienti non è più disposto ad acquistare prodotti/servizi dell’azienda dopo una sola esperienza negativa – ma anche una crisi reputazionale derivata dalla pubblicazione sui social dei reclami.

Affinché il rapporto azienda/consumatore sia gestito in modo ottimale, sono vari i dati che devono essere messi velocemente a disposizione dell’operatore del customer care. Sicuramente vengono richieste informazioni generali sul cliente e sugli acquisti precedenti oltre allo stato delle loro passate interazioni.

Rapidità che viene domandata, però, non solo nell’ottenimento dei dettagli personali ma anche nella gestione e nell’individuazione della problematica. La prontezza nel riscontro e la quantità considerevole di richieste che pervengono al Customer Care si prestano a essere un ambito di successo per l’applicazione di machine learning e text analytics.

Proliferano dunque, in ambienti aziendali, le applicazioni di document classification, named entity recognition e sentiment analysis – come rilevato da un sondaggio di Gradient Flow condotto in collaborazione con John Snow LABS. Una diffusione consentita dal fatto che tali tecniche – tutte appartenenti al NLP – permettono di compilare velocemente e in modo automatico qualsiasi testo.

Fonte: Gradient Flow

Si pensi ad esempio al named entity recognition che, nello specifico, analizzando un messaggio scritto (sia esso un ticket, una trascrizione di una conversazione telefonica o altro) permette di ottenere i dati personali riferiti ad un cliente quali nome e cognome, azienda di appartenenza, indirizzo e-mail, nome del servizio menzionato, codice utente, partita iva e qualsiasi altra informazione d’interesse. Inoltre, si trova la key-word extraction ovvero una applicazione particolarmente utile all’archiviazione poiché estrae da un breve elaborato delle parole chiave che costituiscono un riepilogo del messaggio stesso.

Non bisogna solo riconoscere il cliente ma anche comprendere il grado di insoddisfazione verso il servizio per far sì che un’esperienza negativa non venga diffusa e condivisa con altri – si stima infatti che un consumatore scontento la condivida mediamente con altre 15 persone.

A tal fine si possono adottare tecniche di sentiment analysis che analizzando le parole che compongono un testo individuandone il tono e lo stato d’animo.

Ultimo ma non per importanza, a una buona customer experience viene richiesta rapidità nella risoluzione delle richieste del cliente. L’esito positivo della risoluzione del ticket viene garantito anche da una coordinazione nella comunicazione tra il service desk e i vari reparti aziendali: i modelli statistici di document classification sono gli strumenti ideali che consentono una fluida assegnazione del ticket al dipartimento o più atti alla gestione della problematica.

Conclusioni

Nel prossimo futuro sempre più tecniche di NLP verranno adottate anche in funzione del fatto che la produzione di dati è in costante aumento. Vi è dunque una maggiore attenzione da parte del mondo universitario e aziendale. Se da una parte, gli accademici sono concentrati sullo sviluppo delle tecniche NLP per ottenere risultati sempre più significativi ed efficaci, dall’altra, le realtà imprenditoriali hanno compreso che gli strumenti fin qui descritti sono diventati ormai essenziali. I riflettori sono dunque tutti puntati sull’NLP dato che l’80% delle informazioni che ci circonda è di tipo non-strutturato (ossia in formato testo, audio, video, immagini e molto ancora). Le sfide, sicuramente, sono molte ma si assisterà a una incrementale sviluppo dell’AI e dell’NLP. Per le aziende la scelta di integrare o meno tali tecnologie nei propri processi sarà un fattore discriminante che ne decreterà il successo o, addirittura, il fallimento.

 

WHITEPAPER
Costruire una VERA DATA STRATEGY: machine learning, sicurezza e valorizzazione del dato.
Amministrazione/Finanza/Controllo
Big Data

 

FacebookTwitterLinkedIn