Otto approcci all'elaborazione dell'AI con riconoscimento del linguaggio naturale

Nel mondo di oggi, l'AI con riconoscimento del linguaggio naturale non è un optional, ma una necessità. Secondo Gartner, "entro il 2024, fino al 80% delle esperienze digitali brandizzate verranno distribuite ai consumatori tramite persone virtuali".

L'intelligenza artificiale conversazionale va ben oltre i chatbot. I sistemi di intelligenza artificiale che elaborano il linguaggio naturale intrattengono dialoghi simili a quelli degli esseri umani, comprendono il contesto e offrono risposte intelligenti in millisecondi. In poche parole, l'elaborazione del linguaggio naturale è un programma per computer in grado di comprendere il linguaggio parlato dagli esseri umani. L'elaborazione del linguaggio naturale sta cambiando continuamente: i nuovi sviluppi tecnologici e le strategie in continua evoluzione perfezionano il modo in cui l'AI elabora il linguaggio.

Gartner ha elencato otto approcci all'elaborazione del linguaggio naturale nella sua Gartner 2021 Strategic Roadmap for Enterprise AI: Natural Language Architecture, Anthony Mullen, Magnus Revang, Stephen Emmott, Erick Brethenoux, Bern Elliot, Jessica Ekholm, 15 dicembre 2020:

Nel 2020, molti vendor hanno incorporato questo nuovo straordinario approccio all'elaborazione delle lingue. I modelli sono utilizzati per i motori di insight, l'analisi del testo, la generazione del linguaggio naturale (NLG - Natural Language Generation) e l'AI conversazionale in tutte le aree del workflow della tecnologia del linguaggio naturale. Questi modelli linguistici generici vengono spesso utilizzati con l'apprendimento del trasferimento per sfruttare modelli di deep learning precostruiti (con trilioni di parametri) allo scopo di creare modelli personalizzati per settori e organizzazioni. Esempi di questi modelli includono BERT/Meena e GPT2/3.

Questo middleware consente di utilizzare una combinazione flessibile di motori di riconoscimento vocale e di conversazione, separando il motore sottostante dai dati di training e dalla progettazione e integrazione dei dialoghi. I tipici motori utilizzati da questi vendor di middleware sono Amazon Lex, Microsoft Bot Framework, Google Dialogflow, IBM Watson e Rasa. (Vedere Using Conversational AI Middleware to Build Chatbots and Virtual Assistants).

La maggior parte dei tool di business intelligence (BI) offre una sorta di interfaccia linguistica naturale per le operazioni che svolge. Ma l'approccio della maggior parte di essi non è completamente conversazionale. Tuttavia, le query di calcolo stanno migliorando rapidamente. L'ultimo tool promettente è Google TAPAS, che utilizza modelli di linguaggio generici per accedere ai dati tabulari. Scopri di più sull'evoluzione della BI e del linguaggio naturale in questo report: Worlds Collide as Augmented Analytics Draws Analytics, BI and Data Science Together.

I vendor più prestigiosi come Alibaba, Oracle, IBM e Microsoft stanno sviluppando funzionalità per la documentazione, la voce, le traduzione e le conversazioni da uno stack condiviso di modelli NL e componenti comuni.

Che si tratti di ricerca o conversazione, molti vendor hanno migliorato il WYSIWYG dei propri strumenti per sviluppatori non esperti e reso le interfacce non tecniche più accessibili. Gli strumenti di progettazione a uso limitato di codice e senza codice offrono molto più di semplici dialoghi. Il dialogo conversazionale è solo una delle tante cose che gli sviluppatori non esperti possono progettare anche senza conoscenze tecniche. Oggi, le piattaforme a uso limitato di codice e senza codice spesso integrano non solo funzionalità di progettazione dei dialoghi, ma anche di sviluppo di applicazioni RPA e di ricerca, oltre a elementi di progettazione Web 2.0 standard.

I servizi linguistici stanno diventando più multimodali e questo consente una comunicazione ricca e naturale tra persone e macchine. Ad esempio, Openstream offre la possibilità di parlare e interagire contemporaneamente con le applicazioni di mappatura. Baidu Translate prende spunto non solo dalle parole pronunciate, ma dagli oggetti visivi in una scena video.

Oggi lo stato dell'arte nella gestione e nell'arricchimento dei dati distribuiti è rappresentato dal data fabric. Il data fabric può fornire servizi dati riutilizzabili, pipeline, tier semantici e API grazie ad una combinazione di approcci di integrazione dei dati. È possibile migliorare ulteriormente i data fabric aggiungendo il riconoscimento dinamico degli schemi o persino l'ottimizzazione basata sui costi (vedere Demystifying the Data Fabric).

Le aziende di annotazione ed etichettatura dei dati supportano sempre più servizi di annotazione di testo, voce e documenti, insieme alla loro computer vision. Le società di traduzione gestiscono i carichi di lavoro utilizzando hub di traduzione costituiti sia da modelli che da persone.

NetApp semplifica la gestione dei dati in modo che tu possa concentrarti sulla scienza dell'AI. Offriamo più potenza, più dati, più AI, ad una velocità superiore. Con le soluzioni NetApp^® corri meno rischi e accedi ai tuoi dati dove ne hai bisogno. Le soluzioni AI di NetApp eliminano i colli di bottiglia a livello di edge, core e cloud per consentire una raccolta dei dati più efficiente, carichi di lavoro AI accelerati e un'integrazione del cloud più fluida. Per saperne di più, visita la nostra home page dedicata all'AI e leggi il nostro blog sull'intelligenza artificiale conversazionale.