Procesamiento del lenguaje natural (PLN)

Nuestra tecnología patentada y de vanguardia de PLN

Enriquezca sus experiencias digitales configurando chatbots que puedan mantener conversaciones inteligentes y humanas con sus clientes y empleados. Utiliza nuestras exclusivas y avanzadas capacidades de procesamiento de lenguaje natural que permiten a los chatbots de chat entender, recordar, aprender y actuar a partir de la información recopilada durante cada interacción.

Interprets accurately with fewer false positives

Interpreta con precisión con menos falsos positivos

Communicates comprehensively

Comunicarse comprensivamente

Resolves development gaps faster

Llena los vacíos del desarrollo humano más rápidamente

Requires less training data to be NL capable

Requiere menos datos de entrenamiento para hacer PLN

Repurposes training data

Reutiliza los datos de entrenamiento

Maintain the context of user’s request throughout a dialogue or session

Mantiene el contexto de la solicitud del usuario a través de un diálogo o sesión

Extract and Store actions taken, data provided, and information pulled from systems the bot can use

Extrae y almacena las acciones realizadas, los datos proporcionados y la información que el chatbot puede utilizar

Customize how contextual data is stored at the session

Personalizar cómo se almacenan los datos contextuales durante la sesión

Use Pre-trained NLP models to perfect your chatbot’s NLP

Utilice modelos de PLN ya entrenados para perfeccionar el PLN de su chatbot

Procesamiento del lenguaje natural (PLN)

Para que su chatbot desglose una frase y pueda obtener el significado de la misma, tenemos que examinar las partes esenciales de la frase. Una forma útil de que la comunidad más amplia de investigadores en inteligencia artificial haga esto es distinguir entre entidades e intenciones.

Una entidad en una frase es un objeto del mundo real que se puede nombrar. Nuestros modelos de PNL son excelentes para identificar entidades y pueden hacerlo con una precisión casi humana. A través de nuestro motor de PNL, el robot identifica las palabras de la frase de un usuario para asegurarse de que todos los campos disponibles coinciden con la tarea en cuestión o recopila datos de campo adicionales si es necesario. El propósito de la extracción de Entidades es rellenar todos los huecos que es necesario rellenar para la realización de una tarea, ignorando detalles innecesarios. Es un proceso sustractivo en el que el chatbot sólo recibe la información necesaria: ya sea que la proporcione el usuario en un momento dado o en una conversación guiada con el chatbot.

La intención de una frase es el propósito o el objetivo de la declaración. En una frase del tipo "Me gustaría reservar dos entradas para la nueva película de Spielberg", es fácil identificar la intención, que es "hacer una reserva". Pero hay muchas frases que no tienen una intención clara. Así que a un chatbot le resulta más difícil reconocer la intención, pero de nuevo, nuestros modelos de PNL son muy eficaces en esta tarea. El propósito del reconocimiento de Intención no es sólo hacer coincidir una afirmación con una tarea, sino que es hacer coincidir una afirmación correctamente con la tarea prevista. Para hacer esto, emparejamos verbos y sustantivos con tantos sinónimos obvios y no obvios como sea posible.

I can book two cinema tickets for 8pm at the Savoy for £18. Please press 'yes' to confirm.
Natural Language Processing (NLP)

Visión general del PLN

Para que el PLN funcione para propósitos particulares, los usuarios necesitarán definir todos los tipos de Entidades e Intenciones que quieran que el chatbot reconozca. En otras palabras, los usuarios crearán múltiples modelos de PLN, uno para cada Entidad o Intención que necesiten, para que el chatbot las identifique. Los usuarios pueden construir tantos modelos de PLN como necesiten en nuestra plataforma. Así, por ejemplo, usted puede construir un modelo de PLN Intención para que el chatbot pueda analizar si el usuario desea hacer una compra. Y un modelo de Entidad que reconoce lugares y otro que reconoce edades. Sus chatbots de chat pueden utilizar los tres para ofrecer al usuario una compra a partir de una selección que tiene en cuenta la edad y la ubicación del cliente.

En nuestra plataforma, los usuarios no necesitan construir un nuevo modelo de PLN para cada nuevo chatbot que creen. Todos los chatbots creados tendrán la capacidad de acceder a todos los modelos de PLN que un usuario haya entrenado.

Para desarrollar un modelo de PLN con el tiempo, de modo que sea cada vez más preciso en la resolución de las tareas que los usuarios quieren realizar, los usuarios querrán que el chatbot aprenda, especialmente de sus errores. El aprendizaje automático es un tema de actualidad en la búsqueda de una verdadera inteligencia artificial. Nuestros modelos encarnan el aprendizaje automático en el sentido de que, después de proporcionar frases de ejemplo y sus resultados, el modelo tomará decisiones sobre las nuevas frases que encontrará.

Entrenamiento

Nuestra plataforma también ofrece lo que a veces se denomina aprendizaje supervisado de máquinas. Basado en los datos de sus conversaciones, puede usted identificar donde el chatbot necesita más entrenamiento e introducir las frases problemáticas que ha identificado, así como el resultado correcto al que debe llegar el chatbot al examinar la frase. Este aprendizaje supervisado de la máquina resultará en un mayor porcentaje de éxito para el siguiente ciclo de aprendizaje de la máquina sin supervisión. Este proceso cíclico entre su supervisión y la ejecución independiente de la evaluación de la sentencia resultará finalmente en un modelo muy refinado y exitoso.

Training

Modelos de PLN pre-entrenados

La buena noticia es que ofrecemos modelos de PLN pre-entrenados.

Estos son modelos de búsqueda de entidades de última generación que han sido entrenados con bases masivas de datos de frases.

Así, por ejemplo, nuestro modelo de PLN Negative Entities (Entidades Negativas) es ideal para reconocer la frustración del usuario. Puede desplegar este modelo en minutos y su chatbot será capaz de analizar la conversación y decir frases como, "Veo que no te gusta esta conversación, ¿prefieres hablar con un agente humano?" Entonces el chatbot puede llamar al agente por SMS o

Pre-Trained NLP models