Estudo de caso: Machine Learning vs. Processamento de Linguagem Natural

Porque não deve usar Aprendizado de Máquina como uma substituta à PLN.

Há 2 tipos de Processamento de Linguagem Natural…

Hoje em dia, o Processamento de Linguagem Natural líder na indústria é construída através da Inteligência Artificial, que detecta padrões em dados e podem ser aproveitados na compreensão das perguntas de usuário. Isso cria uma abordagem flexível na adaptação às nuances e ambiguidade dos idiomas, enquanto aumenta a precisão entre os resultados e as intenções do usuário. Porém, ainda existem implementações de uma antiga abordagem do PLN, que se baseia em algoritmos do Machine Learning (aprendizado de máquina) e regras predeterminadas. Nessa abordagem, algoritmos são alimentados com palavras e frases, a fim de retornar respostas correlacionadas – esse método impreciso de “compreensão” de linguagem resulta em precisão limitada. Com os últimos grandes avanços da tecnologia, não há desculpas aceitáveis para continuar a usar um Machine Learning básico e algoritmos orientados por palavras-chave. Ao invés de um processamento de linguagem natural moderno e sofisticado.

Nós colocamos o nosso PLN à prova.

Num curto exercício comparativo, colocamos outro chatbot orientado por PLN contra o do Inbenta, para examinar as suas reais respostas à linguagem “natural”. As questões seguintes foram postas tanto ao Chatbot da Inbenta, como a outro serviço de chatbot popular do mercado, que anuncia o seu uso de PLN.

Para essa comparação, vamos nos referir a ele como anonyBot. Sem fazer nenhuma mudança aos nossos léxicos, nós usamos as FAQs utilizadas pelo anonybot e as conectamos à base de conhecimento da Inbenta. Os resultados da experiência mostraram uma clara discrepância entre as duas concepções de Processamento de Linguagem Natural.

Para melhor demonstrar um dos muitos passos no nosso processo de PLN, marcamos cada resultado mostrado aqui com a sua pontuação semântica – uma porcentagem calculada de quão perto da resposta certa está a pergunta do usuário.

Como funciona a pontuação semântica:

Usando a pilha de Processamento de Linguagem Natural da Inbenta, somos capazes de abstrair uma consulta para clusters de unidades lexicais, funções e conceitos que representam significado ou intenção, mais que uma linguagem. Depois, usamos um algoritmo que classifica o conteúdo, e o resultado mais correto é devolvido ao cliente na resposta do chatbot.


A Experiência

Questão 1: há um limite de tamanho da base de dados?

anonyBot:Sem resposta [✗]

Inbenta: Quão grande pode ser a base de conhecimento que eu vou criar? [✓]

Nossa pontuação semântica: 58.8%

Questão 2: quais formatos você suporta?

anonyBot: Sem resposta [✗]

Inbenta: Qual o formato do conteúdo do arquivo que a ferramenta espera? [✓]

Nossa pontuação semântica: 80.9%

Questão 3: Esqueci a minha senha

anonyBot: Sem resposta [✗]

Inbenta: Como acessar? [✓]

Nossa pontuação semântica: 57.1%

Questão 4: Eu fiz uma mudança mas ainda não consigo ver

anonyBot: Sem resposta [✗]

Inbenta: As atualizações que eu fiz na minha base de conhecimento não aparecem na publicação. Por que não? [✓]

Nossa pontuação semântica: 58.4%

Questão 5: os meus dados estão seguros?

anonyBot: Sem resposta [✗]

Inbenta: Quão seguros estão os meus dados da base de conhecimento? [✓]

Nossa pontuação semântica: 92.4%


Para saber mais sobre a sofisticação por trás do real processamento de linguagem natural, confira este resumo de alto nível feito pelo co-criador da Inbenta e Diretor executivo, Jordi Torras.

A Inbenta é líder em processamento de linguagem natural e inteligência artificial para atendimento ao cliente, e-commerce e chatbots interativos, fornecendo uma solução fácil de implantar que aumenta a satisfação do cliente, reduz os custos de apoio e aumenta as receitas. Interessado em saber mais? A nossa equipe de especialistas está disponível para mostrar como a Inbenta pode beneficiar a sua empresa

Vamos nos conectar

Check out our similar articles