¿Cuál es la diferencia entre PNL, NLU y NLG?

La inteligencia artificial está cambiando la forma en que planificamos y creamos contenido. También está cambiando la forma en que los usuarios descubren contenido, desde lo que buscan en Google hasta lo que ven en Netflix.

Más importante aún, para los especialistas en marketing de contenido, está permitiendo que los equipos escalen mediante la automatización de ciertos tipos de creación de contenido y analicen el contenido existente para mejorar lo que está ofreciendo y adaptarse mejor a la intención del usuario.

Hay muchas partes móviles en la IA y el proceso de aprendizaje automático. Tres de los que probablemente escuche mucho son el procesamiento del lenguaje natural (NLP), la comprensión del lenguaje natural (NLU) y la generación del lenguaje natural (NLG).

Estos términos a menudo se confunden porque todos son parte del proceso singular de reproducir la comunicación humana en las computadoras.

Echemos un vistazo a lo que significan estos términos y cómo ellos (y la IA en su conjunto) pueden ayudar a los especialistas en marketing a optimizar su estrategia de marketing de contenido.

¿Qué es el procesamiento del lenguaje natural (PNL)?

El reconocimiento de voz es un componente integral de NLP, que incorpora inteligencia artificial y aprendizaje automático. Aquí, los algoritmos de NLP se utilizan para comprender el habla natural con el fin de llevar a cabo los comandos.

El procesamiento del lenguaje natural comienza con una biblioteca, un conjunto de algoritmos preprogramados que se conectan a un sistema mediante una API o interfaz de programación de aplicaciones. Básicamente, la biblioteca le da a una computadora o sistema un conjunto de reglas y definiciones para el lenguaje natural como base.

Su equipo de desarrollo puede personalizar esa base para satisfacer las necesidades de su producto.

Las redes neuronales ocupan un lugar destacado en los sistemas de PNL y se utilizan en la clasificación de textos, la respuesta a preguntas, el análisis de sentimientos y otras áreas. El procesamiento de grandes datos relacionados con la comprensión del lenguaje hablado es comparativamente más fácil y las redes se pueden entrenar para lidiar con la incertidumbre, sin una programación explícita.

Entonces, si es Google, está utilizando el procesamiento de lenguaje natural para desglosar el lenguaje humano y comprender mejor el verdadero significado detrás de una consulta de búsqueda o una oración en un correo electrónico. También lo está utilizando para analizar publicaciones de blog para hacer coincidir el contenido con consultas de búsqueda conocidas.

La PNL también se usa cada vez que le haces una pregunta a Alexa, Siri, Google o Cortana, y cada vez que usas un chatbot. El programa está analizando su idioma contra miles de otras consultas similares para brindarle los mejores resultados de búsqueda o responder a su pregunta.

Lo hermoso de la IA y el aprendizaje automático es que, con un uso regular, aprende sus patrones de lenguaje para mejorar y adaptar sus resultados.

¿Qué es la comprensión del lenguaje natural (NLU)?

La comprensión del lenguaje natural es una parte más pequeña del procesamiento del lenguaje natural. Una vez que se ha desglosado el lenguaje, es hora de que el programa comprenda, encuentre el significado e incluso realice un análisis de sentimiento.

El programa desglosa el lenguaje en partes digeribles que son más fáciles de entender. Lo hace analizando el texto semántica y sintácticamente.

Semánticamente, busca el verdadero significado detrás de las palabras comparándolas con ejemplos similares. Al mismo tiempo, divide el texto en partes del discurso, estructura de la oración y morfemas (la parte comprensible más pequeña de una palabra).

A diferencia de los datos estructurados, el lenguaje humano es desordenado y ambiguo. Como especie, rara vez somos directos con nuestra comunicación. La gramática y el significado literal de las palabras prácticamente desaparecen cada vez que hablamos.

De hecho, "por la ventana" es un gran ejemplo. Por supuesto, no quise decir que tirara las cosas por la ventana literal, especialmente porque estaba hablando de conceptos intangibles en lugar de objetos sólidos.

Y así es cuando le pregunta a su dispositivo inteligente algo como "¿Cómo es la I-93 en este momento?".

Si fueras literal, podrías obtener una respuesta como: “Es largo, gris y tiene autos circulando por él. Recientemente se pavimentó entre las salidas 36 y 42”. Pero probablemente quería saber cuáles son las condiciones del tráfico.

Ahí es donde entra en juego la comprensión del lenguaje natural. Es tomar la jerga figurativa en la que hablamos todos los días y comprender lo que realmente queremos decir.

¿Qué es la generación de lenguaje natural (NLG)?

Una vez que un chatbot, dispositivo inteligente o función de búsqueda entiende el idioma que está "escuchando", tiene que responderle de una manera que usted, a su vez, entenderá.

Ahí es donde entra NLG. Toma datos de un resultado de búsqueda, por ejemplo, y los convierte en un lenguaje comprensible. Entonces, cada vez que le pregunte a su dispositivo inteligente: "¿Cómo es la I-93 en este momento?" puede responder casi exactamente como lo haría otro ser humano.

Puede decir algo como, "Hay un accidente en la salida 36 que ha creado un retraso de 15 minutos" o "El camino está despejado".

NLG también se utiliza en la tecnología de chatbot. De hecho, los chatbots se han vuelto tan avanzados; es posible que ni siquiera sepa que está hablando con una máquina.

El uso de NLP, NLG y aprendizaje automático en chatbots libera recursos y permite a las empresas ofrecer un servicio de atención al cliente las 24 horas del día, los 7 días de la semana, sin tener que contratar a un gran departamento.

NLG también se puede utilizar para crear contenido basado en datos a escala. Si produce contenido con plantillas regularmente, diga una historia basada en el informe trimestral de empleos del Departamento de Trabajo, puede usar NLG para analizar los datos y escribir una narrativa básica basada en los números.

Usted y su equipo editorial pueden entonces concentrarse en otro contenido más complejo.

Associated Press ya usa NLG para crear informes de ganancias, según el Instituto de inteligencia artificial de marketing.

¿Cuál es la diferencia entre PNL, NLU y NLG?

NLP, NLU y NLG juegan un papel en enseñar a las máquinas a pensar más como humanos. Simplemente abordan diferentes partes del problema de la IA conversacional. ¿Cómo se consigue que las máquinas reconozcan, entiendan y generen lenguaje natural? ¿Cómo lo usa para responder consultas de búsqueda y crear contenido a escala?

Tomemos un ejemplo específico para ilustrar cómo estas funciones funcionan juntas.

Llega a casa del trabajo y se pregunta cómo le fue hoy a sus acciones. Después de decirle a su dispositivo inteligente que encienda las luces y aumente la temperatura, le pregunta: "Ok Google, ¿cómo le fue hoy al mercado de valores?"

Su dispositivo Google Home escucha su consulta y luego se activa NLP. Toma su pregunta y la divide en partes comprensibles: "mercado de valores" y "hoy" son palabras clave en las que se enfoca.

Luego compara su consulta con consultas similares realizadas a Google en general e intenta comprender lo que está preguntando. Eso es NLU.

Una vez que comprende que desea conocer los números de cierre de NASDAQ, Dow Jones y el S&P 500, rastrea la web en busca del contenido que mejor responda a su pregunta.

Una vez que tiene datos de una fuente confiable, como Bloomberg, extrae los datos relevantes y los entrega en un lenguaje sencillo. Eso es NLG. Su respuesta es algo así como: "Según Bloomberg, el NASDAQ bajó 1,5 puntos, pero el Dow subió 77 y el S&P subió 5 puntos".

Luego puede preguntar acerca de las acciones específicas que posee y el proceso comienza de nuevo.

Lo mejor del aprendizaje automático es que, si hace esas dos preguntas con regularidad, su dispositivo inteligente puede comenzar a anticipar su solicitud, brindándole sus números de acciones junto con los números generales del mercado al mismo tiempo.

¿Por qué es todo esto importante?

El Instituto de Inteligencia Artificial de Marketing subraya la importancia de toda esta tecnología para el futuro del marketing de contenidos. Uno de los desafíos más difíciles para los especialistas en marketing, que abordamos en varias publicaciones, es la capacidad de crear contenido a escala.

Ahora, imagina que estás del otro lado de esa solicitud de búsqueda. Usted es el que crea contenido para Bloomberg, CNN Money o incluso una firma de corretaje. Hizo su investigación de marketing de contenido y determinó que los informes diarios sobre el rendimiento del mercado de valores podrían aumentar el tráfico a su sitio.

Pero crear el mismo informe todos los días lleva mucho tiempo. NLP, NLU y NLG pueden crear contenido para usted. NLP y NLU analizarán el contenido en el mercado de valores y lo desglosarán, mientras que NLG tomará los datos correspondientes y los convertirá en una historia con plantilla para su sitio.

Pero hay otra forma en que la IA y todos estos procesos pueden ayudarlo a escalar el contenido.

Imagina que tienes una herramienta que puede leer e interpretar contenido, encontrar sus puntos fuertes y sus defectos, y luego escribir publicaciones de blog que satisfagan las necesidades tanto de los motores de búsqueda como de tus usuarios.

De hecho, nos estamos acercando cada vez más a esa herramienta.

De hecho, la herramienta de MarketMuse se acerca bastante. Utilizará NLP y NLU para analizar su contenido a nivel individual u holístico. Si bien no puede escribir publicaciones de blog completas para usted, puede generar resúmenes que cubren todas las preguntas que deben responderse, las palabras clave que deben aparecer y los enlaces internos y externos que deben incluirse.

La IA y el aprendizaje automático han abierto un mundo de posibilidades para los equipos de marketing, ventas y atención al cliente. Algunos creadores de contenido desconfían de una tecnología que reemplaza a los escritores y editores humanos.

Pero en realidad puede liberar a los profesionales editoriales asumiendo las tareas rutinarias de creación de contenido y permitiéndoles crear el contenido valioso y detallado que buscan sus visitantes.