Aproximación del Procesamiento del Lenguaje Natural con la teoría Sentido-Texto

¿Por qué la teoría Sentido-Texto contienen una descripción completa del modelo mental del lenguaje humano?

4/5

Adaptación del texto original de Jordi Torras, CEO de Inbenta.

La tecnología única de Procesamiento de Lenguaje Natural (PLN) de Inbenta no se apoya exclusivamente en modelos de aprendizaje de máquina, también utiliza extensos recursos lingüísticos e información semántica, modelada por un equipo de lingüistas computacionales en más de 30 idiomas.

Los componentes lingüísticos de Inbenta, basados en la teoría Sentido-Texto, contienen una descripción completa del modelo mental de un lenguaje que cualquier ser humano tendría:

Conocimiento del lenguaje: que contenga un vocabulario completo, clases de palabras (verbos, adjetivos, sustantivos), reglas de desambiguación, algoritmos de corrección de deletreo, reglas gramaticales, de sintaxis y una larga lista de otros tópicos relacionados.


Conocimiento del mundo: que contenga información en distintos niveles. Conocemos los países que existen, los códigos de los países, los tipos de moneda, las unidades de medida, los aeropuertos y un extenso conjunto de datos que ayuda al motor de IA de Inbenta a tener un mejor entendimiento ante las preguntas de usuario para una cantidad casi infinita de distintas declaraciones, con precisión incomparable y mínimo entrenamiento.

Probando el modelo de Cero Declaraciones.

En un video reciente, un chatbot con con IA y PLN explica cómo el modelo debe ser entrenado con distintas declaraciones para entender correctamente una intención. La intención, para lo que se está entrenando podríamos resumirlo como “card fee (precio de tarjeta)”. El ejercicio se hizo en idioma inglés y a continuación están las declaraciones utilizadas por el proveedor en cuestión para el entrenamiento:

Para probar nuestro modelo de Cero Declaraciones, creamos la misma intención, utilizando solamente una declaración, que es exactamente “card fees” utilizando las siguiente distintas plataformas de chatbot:

  • Microsoft LUIS.
  • IBM  Watson.
  • Digital Flow.
  • Inbenta.

A continuación los resultados obtenidos con cada plataforma:

Vale la pena mencionar que intenciones como “how much are the fees on this card?”, que son respondidas de manera correcta por todas las plataformas, sería comparable a una búsqueda basada en palabras claves, ya que literalmente las palabras “fees” y “card” están presentes tanto en la intención como en la declaración.

Declaraciones mas sofisticadas (menos obvias de entender) como “how much will i wind up spending on surcharges if i decide to apply for this credit card?”, son encontradas por la IA de Inbenta, cuando virtualmente ninguna otra plataforma fue capaz de predecir la respuesta correcta.


En el siguiente capítulo veremos como minimizar el número necesario de declaraciones, lo cual es importante ya que provee un excelente retorno de inversión en una plataforma de chatbot.

Da click aquí para continuar leyendo la siguiente entrada de nuestra serie.

Visita nuestro glosario con términos de apoyo que te serán de utilidad para la fácil lectura de este artículo.

SOLICITA UNA DEMO