Il linguaggio naturale nell’intelligenza artificiale: il Natural Language Processing (NLP)

Con Natural Language Processing (‘elaborazione del linguaggio naturale’, spesso abbreviato in NLP) o Trattamento Automatico del Linguaggio (TAL) si designa quella parte dell’Intelligenza Artificiale che si occupa nello specifico dell’elaborazione informatica (computer processing) del linguaggio umano (naturale), distinguendolo dai linguaggi creati artificialmente, come i linguaggi formali della logica o dell’informatica. Lo scopo del NLP è quello di simulare il comportamento linguistico, e cioè di progettare programmi e sistemi informatici che sappiano svolgere compiti che richiedono conoscenza linguistica. Il linguaggio naturale è molto più complesso del linguaggio formale dei computer, perché pregno di ambiguità e riferimenti sottesi al contesto di riferimento che lo rendono molto difficile da elaborare per una macchina.

Fin dalle origini dell’Intelligenza Artificiale (spesso abbreviata in AI, ‘artificial intelligence’) la simulazione del comportamento linguistico è stata un obiettivo centrale, in quanto espressione più evidente dell’intelligenza umana. In questo senso, l’ambizione dell’uomo di costruire automi o “macchine parlanti” è precedente all’avvento dell’Intelligenza Artificiale, il cui obiettivo è simulare il comportamento umano intelligente (e cioè, nelle parole di uno dei pionieri dell’AI, Marvin Minsky, “far fare alle macchine cose che richiederebbero l’intelligenza se fossero fatte dagli uomini”). Il Natural Language Processing trova quindi efficace applicazione nel campo dell’Intelligenza Artificiale, in particolare nella cosiddetta conversational artificial intelligence, termine che designa i sistemi conversazionali intelligenti quali i ChatBot, il cui sviluppo rappresenta il fulcro dell’attività di Responsa. Tali sistemi sono in grado di “comprendere” il linguaggio umano e di imitarlo, riuscendo ad eseguire compiti complessi e a dialogare con l’utente rispondendo alle sue domande e richieste, spaziando anche tra argomenti di natura diversa. 

Ma come si insegna ad una macchina a parlare?

Attraverso l’approccio di NLP il linguaggio viene “insegnato” alla macchina a vari livelli di granularità: token, parole, relazione tra le parole e il loro uso in un dato contesto, categorie morfologiche e semantiche, dipendenze sintattiche e relazioni semantiche, grammatica, struttura sintattica e parsing, etc. Il Natural Language Processing è quindi un terreno fertile ed interdisciplinare dove linguistica, intelligenza artificiale, neuroscienze e informatica si incontrano, generando approcci applicativi che rendono le macchine in grado di risolvere compiti che coinvolgono l’analisi e la comprensione del linguaggio naturale. Il Natural Language Processing si pone come obiettivo quello di sviluppare algoritmi che analizzino, rappresentino e comprendano il linguaggio naturale nel modo più “umano” possibile. A questo scopo, tale approccio è integrato da algoritmi di apprendimento automatico, cioè di Machine Learning, e di Deep Learning (‘apprendimento profondo’). Quest’ultimo approccio è bastato sui più recenti sviluppi nell’ambito delle reti neurali artificiali, modelli computazionali formati da neuroni artificiali che “imitano” il funzionamento del cervello umano (abbiamo parlato di Machine Learning e Deep Learning qui). 

Da Turing al Deep Learning

Il NLP nasce tradizionalmente negli anni ’50, con la pubblicazione del celebre articolo di Alan Turing “Computing Machinery and Intelligence”. I primi approcci di NLP erano per lo più approcci rule-based, basati cioè su regole formalizzate “date in pasto” ai computer. A questo approccio, troppo rigido e poco adatto a gestire la grande ambiguità e variabilità del linguaggio umano, è stato sostituito, a partire soprattutto dagli anni ‘90, un approccio di NLP basato sulla statistica o su corpora. L’approccio statistico permette alla macchina di ‘imparare’ autonomamente sulla base delle strutture che incontra in corpora di grandi dimensioni, permettendo una maggiore robustezza, generalizzazione e gestione dell’ambiguità.

La nuova frontiera, nell’ultimo decennio, è rappresentata dall’applicazione di algoritmi di Deep Learning al NLP, approccio che ha generato risultati sorprendenti e che al momento rappresenta quindi la soluzione più ampiamente utilizzata da app e sistemi conversazionali intelligenti (Google, Facebook, Amazon sono solo alcune delle aziende che ne fanno uso) per trattare l’elaborazione del linguaggio naturale. E proprio lo sviluppo di agenti conversazionali come i ChatBot rappresenta un campo di ricerca e applicazione centrale per gli approcci di NLP basati su algoritmi di Deep Learning. Questi assistenti virtuali sono infatti in grado di comprendere, elaborare e produrre il linguaggio umano ed eseguire task complessi con risultati sempre più promettenti. I ChatBot possono così dialogare con l’utente e fornire risposte precise alle sue richieste, nonché supporto e assistenza, anche nell’esecuzione di compiti complessi.

ChatBot: le infinite applicazioni delle sfide del linguaggio 

Con l’avvento dei social network e la crescente digitalizzazione di documenti e informatizzazione di processi, la quantità e l’eterogeneità di dati testuali disponibili in rete è cresciuta esponenzialmente, permettendo all’intelligenza artificiale di assumere un ruolo di spicco nella gestione automatica di dati testuali (elaborazione, comprensione, produzione), con risultati sorprendenti. Integrando il Natural Language Processing agli algoritmi di Deep Learning è infatti possibile utilizzare il linguaggio naturale per dialogare con le macchine, far generare alle macchine linguaggio naturale, eseguire operazioni di predizione, analisi ed estrazione delle informazioni e dei contenuti da corpora testuali molto ampi, tradurre automaticamente, etc. 

Gli ambiti di applicazione dei sistemi conversazionali intelligenti nelle strategie di business e marketing sono infiniti, tanto quanto i vantaggi che ne derivano. I ChatBot sono strumenti sofisticati che rappresentano una risorsa indispensabile per la gestione efficace del customer service in ogni settore. Essi sono infatti in grado di comprendere le richieste degli utenti e di rispondere adeguatamente, permettendo così di ridurre le richieste di assistenza al servizio clienti e di aumentare allo stesso tempo le vendite e il tasso di conversione. Responsa ha fatto delle sfide del linguaggio il suo punto di forza, affiancando le aziende nella messa a punto di un servizio di customer care efficace, dinamico ed innovativo, grazie ad un team di sviluppatori e linguisti che ogni giorno lavora a stretto contatto allo sviluppo e alla ricerca di sempre nuove soluzioni e applicazioni nel campo dei sistemi conversazionali intelligenti.

Bibliografia:

Esposito, M. (2019). Linguaggio Naturale e Intelligenza Artificiale: a che punto siamo. agendadigitale.eu

Jurafsky, D., & Martin, J. H. (2019). Speech and Language Processing (draft). October 2019.

Lenci, A., Montemagni, S., & Pirrelli, V. (2005). Testo e computer. Introduzione alla linguistica computazionale. Carocci editore.

Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433.