Applicazioni NLP (Natural Language Processing Applications)

Esistono decine di differenti applicazioni NLP. Si tratta di sistemi di machine learning progettati per risolvere problemi di Natural Language processing, ossia processo e analisi del linguaggio naturale.

L’espressione Natural Language Processing fa quindi riferimento a un campo di studi che, ispirandoci alla definizione che Arthur Samuel diede di machine learning, conferisce ai computer l’abilità di capire, analizzare, manipolare e generare il linguaggio umano.

Un linguaggio codificato sotto forma di testo, o audio.

Applicazioni NLP

Questo articolo non avrebbe mai fine se solo avessi inserito tutte le applicazioni NLP. Così ho scelto di selezionarne alcune, e incorporare le altre progressivamente!

Iniziamo!

Machine Translation

Google Translate è un sistema altamente esemplificativo. L’idea di tradurre un testo in differenti lingue è stata peraltro una delle prime attività pratiche di machine learning.

Durante la guerra fredda, l’esercito statunitense aveva la necessità di capire i messaggi sovietici intercettati dall’intelligence.

Il problema era l’assenza d’interpreti umani disposti a tradire la madre patria e aiutare un paese nemico.

L’idea di sfruttare sistemi di apprendimento artificiale inizio a balenare nella mente di molti scienziati. La ridotta potenza di calcolo, e la scarsità dei dati disponibili, d’altro canto segnarono il prematuro tramonto di un ambizioso progetto.

Question Answering

IBM Watson è un set di AI di prima categoria, progettate per il mondo enterprise e capaci di gestire problemi di differente natura.

Uno dei sitemi divenne celebre nel 2011 per aver battuto alcuni campioni in un gioco a premi statunitense. La capacità di rispondere a domande generiche è propria degli esseri umani: applicazioni NLP come questa postano il concetto a un nuovo livello.

Esistono dataset popolari come lo SQuAD (Stanford Question Answering Dataset) che raccogliendo le risposte a 100k domande, consente di allenare sistemi abili a comprendere porzioni di testo e rispondere a domande a esso inerenti.

Possiamo persino usare python per sviluppare sistemi analoghi

Sentiment Analysis

I sistemi di sentiment analysis permettono di estrarre da un testo informazioni riguardanti le emozioni generali trasmesse dalle parole scelte.

In questo modo è possibile identificare commenti offensivi e di spam, provvedendo automaticamente alla loro eliminazione ancor prima della pubblicazione, preservando siti e prodotti da pubblicità dannosa.

I sistemi di sentiment analysis sono applicazioni NLP che consento di aiutare i reparti di customer care aziendale, ad esempio, distinguendo messaggi positivi e di complimenti, da quelli negativi e su cui deve essere posta la massima priorità

Text classification

Efficienti sistemi per comprendere il contenuto di un testo e propriamente classificarlo con una label. Si tratta spesso di multilabel classification system. Qui un’intera guida passo a passo, dall’EDA al training di un modello, con tanto di tuning degli iper-parametri.

Named Entity Recognition (NER)

Stiamo parlando di applicazioni NLP capaci d’identificare le così dette named entity.

Ora mi dirai.

“Andreee so leggere e tradurre!”

Hai ragione!

Passiamo a qualche informazione realmente utile.

Esiste un’area di studi denominata information extraction, o “estrazione dell’informazione”. In essa definiamo named entity un qualsiasi oggetto che esista e possa essere identificato da un nome proprio.

Quindi Barack Obama è un named identity, così come Louvre Museum.

Ora come insegniamo a un’intelligenza artificiale a riconoscere le named entity nella frase: “Il Louvre Museum è un luogo tra i più visitati di Parigi” ?

Risponde la NER.

Per approfondire questo ambito, puoi trovare qui una fonte formidabile.

Un caldo abbraccio, Andrea!