Introducción al procesamiento de lenguaje natural
Objetivos de aprendizaje
Después de completar esta unidad, podrá:
- Describir el procesamiento del lenguaje natural.
- Hablar sobre los usos cotidianos del procesamiento de lenguaje natural.
- Explicar cómo ha evolucionado desde los años 50.
- Diferenciar entre el procesamiento, la comprensión y la generación de lenguaje natural.
Trailcast
Si desea escuchar una grabación de audio de este módulo, utilice el siguiente reproductor. Cuando termine de escuchar la grabación, recuerde volver a cada unidad, consultar los recursos y completar las tareas asociadas.
Antes de empezar
Esta insignia contiene términos como redes neuronales y aprendizaje profundo, que se describen con más detalle en las insignias Aspectos fundamentales de la inteligencia artificial y Aspectos básicos sobre la IA generativa. Es recomendable que consiga esas insignias primero.
¿Qué es el procesamiento de lenguaje natural?
El procesamiento de lenguaje natural (PLN), es un campo de inteligencia artificial (IA) que combina la informática y la lingüística con el fin de que los asistentes de IA y las aplicaciones tengan la capacidad de comprender, interpretar y generar el lenguaje humano de una manera significativa y útil para las personas. El procesamiento de lenguaje natural ayuda a que las aplicaciones, los asistentes de IA y los agentes realicen tareas, como la comprensión de oraciones, el reconocimiento de detalles importantes de un texto, la traducción de idiomas, la respuesta a preguntas, los resúmenes de textos y la generación de respuestas que se parezcan a las respuestas humanas.
El procesamiento de lenguaje natural es tan común en nuestra vida diaria que ni siquiera pensamos en ello cuando interactuamos con él o hace algo por nosotros. Por ejemplo, es posible que muchas personas utilicen ChatGPT para generar o resumir textos o responder preguntas. Aplicaciones de creación de documentos o correos electrónicos sugieren de forma automática palabras o frases que se pueden utilizar a continuación. Es posible que le pida a un asistente virtual, como Siri, que le recuerde regar las plantas los martes. También es posible que utilice agentes autónomos para reservar sus vacaciones, incluido el transporte y las excursiones que realizará en el destino.
Los agentes con los que interacciona cuando se pone en contacto con el servicio de atención al cliente de una empresa utilizan el procesamiento de lenguaje natural, al igual que lo hace la aplicación de traducción que utiliza para ayudarle a realizar un pedido de una comida en un país diferente. La detección de spam, sus preferencias de noticias en línea, etc. cuentan con el procesamiento de lenguaje natural.
Breve historia sobre el procesamiento de lenguaje natural
Cabe destacar que el procesamiento de lenguaje natural no es algo nuevo. De hecho, tiene sus raíces en los años 50, cuando los investigadores comenzaron a utilizar los ordenadores para comprender y generar el lenguaje humano. Una de las primeras contribuciones importantes del procesamiento de lenguaje natural fue la prueba de Turing. Esta prueba, desarrollada por Alan Turing, mide la capacidad de una máquina para responder a preguntas de manera idéntica a como lo hacen los humanos. Poco después, se desarrollaron los sistemas de traducción asistida. Estos eran experimentos de traducción basados en frases y oraciones que no progresaron mucho, puesto que dependían de patrones de lenguaje muy específicos, como frases u oraciones predefinidas.
En los años 60, los investigadores experimentaban con sistemas basados en reglas que permitían que los usuarios pidieran a los ordenadores que completaran tareas o mantuvieran conversaciones.
En las décadas de los 70 y los 80 presenciamos enfoques más sofisticados basados en conocimientos utilizando reglas lingüísticas, razonamiento basado en reglas y conocimiento de dominios para tareas como la ejecución de comandos y el diagnóstico de dolencias.
Los enfoques estadísticos (como el aprendizaje de datos) del procesamiento de lenguaje natural eran populares en los años 90 y a principios de los 2000. Esto condujo a la obtención de avances en el reconocimiento de voz, los sistemas de traducción asistida y los algoritmos de aprendizaje automático. Durante este periodo, la introducción de la World Wide Web en 1993 hizo que grandes cantidades de datos basados en texto estuvieran disponibles para las investigaciones del procesamiento de lenguaje natural.
Desde aproximadamente 2009, las redes neuronales y el aprendizaje profundo han dominado la investigación y el desarrollo del procesamiento de lenguaje natural. Las áreas de traducción y de generación de lenguaje natural del procesamiento de lenguaje natural, entre las que se incluye ChatGPT, han mejorado bastante y continúan haciéndolo rápidamente.
Nota:
Para obtener más información sobre estos avances del procesamiento de lenguaje natural y otros, consulte la sección Recursos.
El lenguaje humano es lenguaje "natural"
¿Qué es el lenguaje natural? El lenguaje natural hace referencia a la manera en la que las personas se comunican utilizando palabras y oraciones. Es el lenguaje que utilizamos en las conversaciones o cuando leemos, escribimos o escuchamos. El lenguaje natural es la manera en la que transmitimos información, expresamos ideas, hacemos preguntas, contamos historias e interactuamos con otras personas en redes sociales. ¿Cómo interpreta la IA el lenguaje natural? Para responder a esto, debemos ver cómo se estructuran la información y los datos.
Nota: Mientras que los modelos de procesamiento de lenguaje natural se han desarrollado para muchos tipos diferentes de lenguaje humano, este módulo se centra en el procesamiento de lenguaje natural de la lengua inglesa.
Datos estructurados y no estructurados
En el pasado, para que un ordenador comprenda lo que se quiere expresar con un texto, es necesario definir bien y organizar la información, de manera parecida a lo que encontraría en una hoja de cálculo o en una base de datos. A esto lo llamamos datos estructurados. La información incluida en los datos estructurados y la manera en la que los datos están recogidos está determinada por algoritmos utilizados en la aplicación final y, normalmente, se requiere introducir datos adicionales y analizarlos.
Este es el aspecto que deberían tener los datos sobre un perro en adopción si fuesen datos estructurados en una base de datos que ayudan a emparejar a los perros con sus posibles familias adoptivas. Piense en cómo debería formularse el resultado a partir de este tipo de datos, como los resultados de búsqueda de un tipo en concreto de mascota o la descripción para un sitio web, y si debería limitarse a usuarios específicos.
- Nombre: Tala
- Edad: 5 años
- Esterilizada o castrada: esterilizada
- Sexo: hembra
- Raza: husky
- Peso: 30 kg
- Color: gris y blanco
- Color de ojos: azul
- Buena con los niños: Sí
- Buena con los gatos: Sí
- Actividades favoritas: ir al parque, ir de excursión y que le cepillen el pelo
- Ubicación: Troutdale
Sin embargo, el lenguaje natural (la manera en la que hablamos) no está estructurado, lo cual significa que los seres humanos somos capaces de extraer el significado a partir de ello, pero que la IA necesita herramientas, como la generación aumentada por recuperación (RAG), para conectar los datos o la base de conocimientos de una empresa a los modelos de lenguaje grandes (LLM) a fin de comprenderlo y mejorar el contexto y la precisión del texto, del discurso y de los resultados generados.
El siguiente párrafo es un ejemplo de cómo la IA puede utilizar la misma información sobre un perro en adopción, presentada como datos no estructurados, para proporcionar una respuesta mucho más contextual y conversacional en muchos casos de uso.
Tala es una husky esterilizada de 5 años y unos 30 kg a la que le encanta jugar en el parque y dar largas caminatas. Es muy buena con los niños y se lleva genial con los gatos. Este encanto de ojos azules tiene un pelo largo gris y blanco que necesita que lo cepillen con frecuencia. Si quiere programar una cita para conocer a Tala, llame al refugio Troutdale.
Comprensión y generación de lenguaje natural
El procesamiento de lenguaje natural actual se ha desarrollado junto con sus dos campos secundarios: la comprensión de lenguaje natural (NLU) y la generación de lenguaje natural (NLG). El procesamiento de datos desde datos sin estructurar hasta datos estructurados se denomina comprensión de lenguaje natural (NLU). La comprensión del lenguaje natural utiliza muchas técnicas para interpretar el lenguaje escrito o hablado con el fin de comprender su significado y su contexto. Conocerá estas técnicas en la siguiente unidad.
El procesamiento de datos a la inversa (de estructurados a no estructurados) se denomina generación de lenguaje natural (NLG). La generación de lenguaje natural permite que los asistentes de IA generen un lenguaje parecido al humano. La NLG implica el desarrollo de algoritmos y modelos que convierten información o datos estructurados en un texto o discurso contextualmente apropiado y natural. Además, incluye la generación de código en un lenguaje de programación, como la generación de una función de Python para ordenar cadenas.
En el pasado, las tareas de comprensión y generación de lenguaje natural utilizaban representaciones lingüísticas explícitas y bien estructuradas, como árboles de análisis. Mientras que la comprensión y la generación de lenguaje natural siguen siendo fundamentales para el procesamiento de lenguaje natural, la mayoría de las aplicaciones, herramientas y asistentes virtuales con los que interactuamos han evolucionado para utilizar aprendizaje profundo o redes neuronales con el fin de realizar tareas de principio a fin. Por ejemplo, es posible que un sistema de traducción asistida neuronal traduzca una oración del chino directamente al inglés sin crear explícitamente ningún tipo de estructura intermedia. Las redes neuronales reconocen patrones, palabras y frases para hacer que el procesamiento del lenguaje sea potencialmente más rápido y más preciso en cuanto a contexto.
En la siguiente unidad, aprenderá más sobre los métodos y técnicas del lenguaje natural que permiten que los asistentes de IA comprendan lo que decimos y respondan en consecuencia.