Natural Language Processing: task, applicazioni e Sentiment Analysis

Il dialogo uomo-macchina è da decenni uno degli ambiti di ricerca più attivi. Negli ultimi anni sono stati fatti grandi progressi nel campo dell’NLP (Natural Language Processing), anche se, per via della complessità del linguaggio umano, la macchina non è ancora in grado di comprendere perfettamente.

Cos’è il Natural Language Processing (NLP)

Il Natural Language Processing, conosciuto come NLP, è quel ramo di Artificial Intelligence che rende possibile al computer comprendere un testo scritto o delle frasi pronunciate ad alta voce, perché possa restituire un output.

La comprensione del linguaggio umano è un’azione complessa che include, non solo il significato delle singole parole, ma anche il senso logico e semantico della frase. In altre parole, perché il linguaggio naturale sia comprensibile alla macchina, bisogna prendere in considerazione fonetica, sintassi, semantica, fonologia, morfologia, pragmatica e l’intero discorso in cui le parole si trovano.

I 3 task dell’NLP da considerare

Perché il computer sia in grado di comprendere un discorso nel suo complesso, sono tre i task principali da considerare:

• Semantic Role Labeling: etichetta le parole di una frase secondo il loro ruolo semantico, come ad esempio “soggetto”, “verbo” e “complemento oggetto”. Questo tipo di analisi non comprende il significato della frase o delle singole parole, ma si concentra sul ruolo che i singoli elementi hanno all’interno del discorso.
• Word Sensing Disambiguation: ha il compito di associare una parola con il suo significato contestuale. A seconda del contesto, infatti, una parola può cambiare significato, per questo è fondamentale dare alla macchina gli strumenti di analisi necessari alla comprensione del significato relativo a una determinata circostanza.
• Semantic Parsing: converte un testo in una rappresentazione logica per risalire al significato di un enunciato.

Applicazioni dell’NLP

Gli utilizzi del Natural Language Processing sono molti e diversificati. Alcuni sono entrati ormai a far parte della nostra quotidianità, come ad esempio gli assistenti virtuali (Alexa, Siri, Google, Cortana). Altri sono meno conosciuti, ma dall’indiscussa utilità, come l’Automatic Summarization che produce in automatico una sintesi di uno o più documenti testuali. Può essere utilizzata per l’estrazione di informazioni da documenti di governance (report, procedure), documenti amministrativi (fatture, contratti).

Vediamo altri esempi:

• Chatbot: chat automatiche che rispondono con azioni appropriate a seconda della richiesta dell’utente. Vengono molto utilizzati per automatizzare il servizio clienti per rispondere alle domande e aiutare in tempo reale le persone che necessitano di informazioni riguardo servizi, problemi, prodotti, ecc.
• Intent Monitoring: ha risvolti interessanti nel marketing: comprende il testo allo scopo di prevedere comportamenti futuri, come ad esempio la volontà di acquisto di un cliente.
• Sentiment Analysis: analizza il testo per capire il sentimento (positivo, negativo e neutro) riguardo un determinato argomento.

Sentiment Analysis: cos’è e quali sono i vantaggi  

Come accennato nel paragrafo precedente, la Sentiment Analysis è quella branca di Artificial Intelligence incaricata di analizzare dati testuali per rilevare il sentimento o l’opinione positiva, negativa e neutra. Viene utilizzata spesso nel marketing per monitorare un feedback di tipo qualitativo nei confronti di brand, prodotti e servizi. È utile anche in ambito customer care, infatti, dà la possibilità di individuare più velocemente i commenti negativi dei clienti e rispondere il prima possibile, evitando che lo scontento cresca e rechi danni alla reputazione del brand.

Insomma, le applicazioni sono diverse e in futuro sicuramente sentiremo sempre più parlare di Sentiment Analysis. Questo perché, a prescindere dall’utilizzo che ne possiamo fare, essa presenta tre grandi vantaggi:

• Ordina dati non strutturati su larga scala
• Analizza utilizzando criteri coerenti
• Le analisi sono in tempo reale

Gli elementi sopracitati vengono incontro a importanti esigenze aziendali. Infatti, le organizzazioni accumulano un’enorme mole di dati destrutturati che richiederebbero un eccessivo costo, a livello economico e di tempo, per essere analizzati manualmente. Inoltre, se fossero delle risorse umane ad occuparsene, ogni persona utilizzerebbe criteri diversi per definire un testo “positivo” o “negativo”, portando a un’analisi basata su criteri incoerenti e quindi poco utile. Un’altra esigenza è quella di avere una visione in tempo reale del sentiment dei pubblici interessati, in modo di poter agire prontamente.

Non c’è dubbio sul fatto che la Sentiment Analysis e lo sviluppo dell’NLP porteranno enormi vantaggi alle organizzazioni pubbliche e private.

L’esperienza di Drive2Data

Drive2Data, esperta di raffinazione dei dati, ha svolto diversi studi sui processi di Sentiment Analysis. Dopo una prima esperienza utilizzando tokenizzazioni, lemmatura e Machine Learning, oggi sta sperimentando l’applicazione del Natural Language Processing per apportare migliorie alla soluzione di Sentiment Analysis.

Sfruttare i motori NLP per eseguire la Sentiment Analysis sul testo offre soluzioni più intelligenti con maggiore precisione e in meno tempo. I metodi NLP come lemmatizzazione e stemming aiutano ad analizzare meglio le parole e le frasi per prevedere il sentimento delle frasi misurando i loro punteggi di polarità. Utilizzando modelli di Deep Learning come Transformers, i GPT possono essere più utili per l’analisi del sentiment.