Il Natural Language Processing (NLP) entra in azienda: applicazioni attuali e future

Dal potenziamento dei chatbot rivolti ai clienti, al monitoraggio dei vincoli contrattuali, alla valorizzazione delle riunioni, l'elaborazione del linguaggio naturale promette di trasformare il business

natuaral language processing

I recenti miglioramenti nel Natural Language Processing (NLP) abilitano lo sviluppo di nuove applicazioni per le aziende. Sono state rafforzate le tecnologie tradizionali con capacità vocali e di testo, sia che si tratti di leggere e-mail ad alta voce con una voce dal suono naturale o utilizzare un file Excel che consente di digitare domande sui dati e ottenere risposte sotto forma di grafici e tabelle pivot auto-generati.

Man mano che l’elaborazione del linguaggio naturale diventa più accurata e ampiamente disponibile, è possibile passare dal potenziamento di chatbot di assistenza clienti su argomenti preimpostati alla gestione di dati qualitativi, semi-strutturati e non strutturati. Mantenere finalmente la promessa del “knowledge mining” potrebbe sbloccare le informazioni su processi, asset e responsabilità dell’azienda per creare flussi di lavoro migliori e una più accurata visione in tempo reale dell’azienda.

L’elaborazione del linguaggio naturale scompone le parole nella loro forma più semplice e identifica schemi, regole e relazioni tra loro”, spiega Walt Kristick, vicepresidente senior della tecnologia applicata e avanzata di apexanalytix. “Utilizza algoritmi informatici per analizzare e interpretare il linguaggio naturale scritto e parlato e consentire ai sistemi di imparare e comprendere le lingue umane”.

adv
Cloud Communication Business

Nell’era digitale il centralino va in Cloud

La telefonia di nuova generazione è in software-as-a-service: non richiede di installare centralini hardware, gestisce fisso e mobile, e consente di attivare nuove linee o filiali con un clic, abilitando Smart Working e Unified Communication. SCOPRI DI PIÙ >>

Gli strumenti utilizzati nel natural language processing spaziano da traduzione e generazione di linguaggio a classificazione e raggruppamento, estrazione di altre informazioni e sentiment analysis. “Le forme più semplici di NLP sono già ampiamente utilizzate”, sottolinea Kristick, citando il controllo ortografico, il suggerimento di risposte tramite e-mail e messaggi, chatbot e assistenti virtuali come Siri.

C’è una crescente domanda per la capacità di analizzare ed estrarre significato da fonti di dati testuali e non correlati, in particolare nei settori dell’assistenza sanitaria e delle scienze della vita”, osserva il manager.

Ecco una panoramica sullo stato attuale del NLP e sul suo potenziale per le aziende.

L’offerta di servizi NLP

Ci sono molti strumenti che permettono di sviluppare applicazioni NLP utilizzando framework come Python NLTK, Sanford CoreNLP e Apache OpenNLP, ma i modelli più efficaci sono estremamente “grandi”. Al momento della stesura di questo articolo, il modello di generazione di linguaggio naturale Microsoft Turing, che gestisce 17 miliardi di parametri, è il più grande disponibile. Anche BERT e GPT-2 si basano su miliardi di parametri.

Il solo fatto che questi modelli siano disponibili non basta a soddisfare le sofisticate esigenze delle aziende”, avverte Lili Cheng, vice presidente del gruppo Conversational AI di Microsoft. “Per molte aziende, sarebbe molto difficile ospitare e gestire questi grandi modelli. L’interesse c’è, ma riteniamo che molti clienti preferiscano personalizzare i modelli esistenti e aggiungere le proprie informazioni”. La manager sottolinea anche la difficoltà, per le aziende, di assumere esperti di NLP.

Anche le aziende con competenze interne in intelligenza artificiale spesso si rivolgono ai servizi NLP di provider come Microsoft, Amazon, Google e IBM.

Telefonica, cliente di Microsoft con un proprio gruppo di intelligenza artificiale, sta utilizzando la piattaforma Microsoft Power per consentire agli utenti business senza esperienza di sviluppo di creare i propri strumenti con servizi come Q&A Maker. “Basta scegliere un file PDF o una pagina web FAQ e il servizio crea la base di conoscenza da tutte queste fonti”, spiega Cheng. “Gli utenti possono porre domande e ottenere risposte, eseguire ricerche e avere un’esperienza di conversazione”.

In questo ambito i chatbot sono un uso chiave del NLP. I chatbot possono ricevere ordini, fornire risposte da domande frequenti, inoltrare richieste, prenotare riunioni, gestire conversazioni. “L’elaborazione del linguaggio naturale è un potente strumento anche per ottenere informazioni sui clienti, sfruttando il crescente volume di dati di testo e voce già presenti nelle aziende”, afferma Paul Quinn, direttore della gestione dei prodotti di Confirmit.

Le aziende spesso hanno a disposizione oltre 100 terabyte di dati non strutturati, se consideriamo interazioni con il call center, e-mail dei clienti, commenti sui social”, spiega. “Qualsiasi azienda che voglia migliorare l’esperienza del cliente o fornire informazioni più dettagliate sul proprio brand può utilizzare l’NLP per analizzare enormi quantità di dati e trovare all’interno informazioni preziose”.

I settori che possono beneficiare del NLP non sono solo il retail e quelli rivolti direttamente al cliente”, afferma Dakshi Agrawal, Chief architect for AI presso IBM. “Qualsiasi azienda può sfruttare l’NLP per ottenere insight dalle interazioni con i clienti. Molte aziende stanno usando le tecnologie per i propri dipendenti e i team HR le applicano per analizzare i vincoli con clienti e partner esterni”.

Per esempio il topic clustering utilizza tecniche di NLP come l’incorporamento di frasi, andando oltre le singole parole chiave, e offre maggiore precisione nel raggruppare problemi segnalati dai clienti con termini diversi. L’evidenziazione di tali raggruppamenti in una dashboard può aiutare a rivelare problemi emergenti o ripetuti.

La piattaforma Signoi analizza testi e immagini nei commenti degli utenti facendo emergere le parole usate di frequente, evidenziando termini positivi e negativi e aggregandoli per gruppo demografico. Il watchdog indipendente Transport Focus ha utilizzato Signoi per capire il gradimento dei servizi ferroviari del Regno Unito. E’ emerso che i pendolari erano arrabbiati per il sovraffollamento delle linee, mentre chi prendeva il treno come turista desiderava un parcheggio migliore e più spazio per bagagli e biciclette.

Il natural language processing può essere utilizzato per supportare la spiegazione di risultati. I servizi di business analytics Power BI di Microsoft e Tableau di Salesforce.com consentono agli utenti di digitare domande sui propri dati e ottenere in risposta grafici o analisi creati in modo automatico.

Far emergere conoscenze nascoste, ma già presenti in azienda

Una potenzialità dell’elaborazione del linguaggio naturale è aiutare le aziende a estrarre conoscenza dai dati disponibili.

Strumenti specializzati basati sull’intelligenza artificiale come ABBY Text Analytics for Contracts, Exigent Contract Management Solution o Seal Contract Discovery and Analytics estraggono termini e scadenze dai contratti, che possono aiutare le aziende ad avere sotto controllo impegni e vincoli. Docugami, la startup fondata dal co-inventore di XML Jean Paoli, punta a farlo con documenti meno strutturati.

Solo il 15 percento dei dati di un’azienda è archiviato in database. Comunichiamo tutti usando testo, e-mail e documenti”, ha spiegato Paoli. “La verità non si trova nei database strutturati, ma in altri contesti”.

Consideriamo un’attività che richiede molta documentazione, come il settore immobiliare. E’ difficile ricordare a memoria e avere sotto controllo tutte le clausole dei contratti stipulati ogni settimana”, afferma Paoli. “Informazioni sulle date di chiusura effettive di un contratto, accordi sul parcheggio, situazioni specifiche e particolari per ogni cliente sono raccolte nei documenti, e non facilmente individuabili”.

Lo sblocco di questi “dati nascosti” potrebbe sostituire la riunione settimanale del team e migliorare l’agilità aziendale. Paoli sottolinea come questo aspetto sia oggi più importante che mai ora, sia che ai proprietari degli immobili venga chiesto di rinegoziare il contratto di locazione sia che i ristoranti debbano capire cosa dice la loro polizza assicurativa.

A questo punto è ancora più importante utilizzare l’NLP per analizzare i documenti, perché le aziende stanno ripensando il proprio modello di business. Potrebbero dover rinegoziare tutto e devono capire quali sono i loro obblighi e i loro rischi”, afferma Paoli.
La società di servizi professionali Accenture sta facendo proprio questo: analizza più di un milione di contratti tramite NLP per comprenderne impegni e responsabilità.

Per le aziende senza una competenza NLP interna, l’offerta SaaS di Docugami funziona con 30 documenti di esempio, che può selezionare da una cartella di documenti aziendali, e 30 minuti di feedback dagli utenti aziendali che creano i documenti, per formare un modello.

Docugami quindi inserisce le informazioni in un database per aiutare a creare una dashboard che può essere visualizzata in un browser o integrata con Excel o Tableau. “Per esempio possiamo visualizzare quali contratti sono in scadenza o tutti i documenti che contengono una particolare clausola”, dice Paoli.

Sbloccare il valore nascosto delle riunioni

L’estrazione di informazioni utili da riunioni e conversazioni è un processo manuale laborioso. Alcune riunioni aziendali sono già trascritte per conformità normativa, ma raramente vengono analizzate. Quanto possono imparare le aziende sullo stato di avanzamento dei progetti o sulle scadenze imminenti da quanto detto nelle riunioni?

I dipendenti delle aziende trascorrono mediamente il 30 percento del loro tempo nelle riunioni”, sottolinea Sam Liang, CEO di Otter. “Molte delle informazioni di tali riunioni non vengono acquisite in modo significativo come gli altri dati aziendali”.

Gli strumenti di trascrizione come Otter possono aiutare. I sottotitoli in diretta nelle presentazioni di PowerPoint e nelle riunioni Teams, o la trascrizione di riunioni ricercabili nella piattaforma di trasmissione di Azure Streams, possono anche rivelarsi produttivi nel fornire una trascrizione per continuare le conversazioni in un secondo momento senza affidarsi a qualcuno che prende appunti manualmente.

In futuro, secondo Cheng di Microsoft, le piattaforme useranno l’analisi della trascrizione e dei documenti insieme al riconoscimento delle immagini per estrarre “l’intelligenza collettiva di una riunione”, in modo che sia di facile accesso mentre il gruppo continua a lavorare dopo la riunione. “C’è la possibilità di documentare di più su ciò che sta accadendo e quindi semplificare la condivisione con il proprio team di lavoro”, afferma la manager.

Bridgewater Associates, per esempio, ha registrato tutte le riunioni interne negli ultimi 15 anni. Tutti i dipendenti possono guardare le registrazioni, ma, poiché erano difficili da cercare, venivano utilizzate raramente. Oggi la società utilizza Otter per estrarre i contenuti delle vecchie riunioni.

Allo stesso modo, l’API di sintesi vocale di Azure Cognitive Services, che permette la trascrizione in diretta delle riunioni di Azure Media Services, trascriverà i file audio caricati su OneDrive. Gli sviluppatori possono già creare app di trascrizione utilizzando tali API, ma avere la funzionalità integrata direttamente nelle piattaforme rende questo molto più ampiamente accessibile.

Analisi e precisione

Le trascrizioni complete non sono sempre il risultato più utile delle applicazioni dell’NLP.

Otter estrae i tag come riassunto automatico per indicare ciò che viene trattato nel testo. Strumenti come IBM Watson Natural Language Understanding stanno integrando funzionalità per inserire nei documenti riassunti scritti automaticamente. Nel 2018 Microsoft ha presentato un prototipo di sistema per Teams che creava e assegnava elementi di azione dalle trascrizioni delle riunioni, oltre a distribuire gli appunti delle riunioni ai partecipanti.

A più lungo termine, l’NLP potrebbe fornire analisi delle riunioni, riconoscendo se alcuni temi continuano a emergere, se la stessa scadenza continua a essere respinta, se alcuni dipendenti parlano più di altri.

Il valore di tutto ciò dipende dall’accuratezza della trascrizione e l’accuratezza è, in generale, una cosa complessa da misurare. “Esistono parametri di riferimento formali su cui molti sistemi NLP raggiungono la parità umana, ma si basano principalmente sul dialogo e potrebbero non offrire un confronto accurato con ciò che si desidera fare”, sottolinea Cheng. “Non esiste un’unica misura utile”.

L’accuratezza della trascrizione varia in base a qualità della registrazione, quantità di rumore di fondo, accento di chi parla e argomenti trattati. “Per un madrelingua inglese in un ambiente tranquillo, il sistema di trascrizione raggiunge una precisione superiore al 95%”, afferma Liang di Otter. “In pratica si ottengono trascrizioni utili, ma non perfette”.

Indipendentemente dagli strumenti NLP utilizzati, è necessario investire tempo nella personalizzazione del vocabolario per i concetti e le connessioni che contano per la propria attività, come i termini tecnici del settore o i nomi dei prodotti, nonché i nomi dei dipendenti, in modo che vengano riconosciuti correttamente.

Le aziende devono essere consapevoli di quale sia il livello accettabile di errore prima di utilizzare l’NLP, ma Cheng suggerisce di concentrarsi sull’esperienza end-to-end.

Bisogna chiedersi se stiamo sviluppando qualcosa che le persone effettivamente usano, che aiuta l’azienda o i clienti a fare qualcosa in modo più efficace”, conclude la manager. “Senza promettere troppo: l’intelligenza artificiale non risolve tutto, ma ci sono diversi aspetti che gli strumenti NLP possono migliorare per ottenere valore dai dati aziendali”.