Computadoras que hablan tu idioma

Quiero volar de Boston a Milwaukee a continuación
Sábado
cumpleaños e idoneostopin
Chicago e Idontwantto
pagar más de cuatrocientos dólares
y la fiesta comienza a las tres en punto, así que
Necesito conseguirlo antes.

Dígale amablemente a un agente de aerolínea humano, y él o ella desenredará rápidamente sus palabras y encontrará vuelos que cumplan con sus criterios. Sin embargo, dígalo a la línea de reservaciones automatizadas de la aerolínea y todo lo que probablemente obtendrá es una alegre voz digital que entona: Lo siento, no entendí eso.

No culpes a la voz. Incluso asumiendo que las computadoras de la aerolínea superaron las palabras confusas, el ruido de fondo y el acento de Boston para convertir la solicitud en un texto preciso, ningún sistema de procesamiento de idiomas tiene la potencia computacional para dar sentido a sus restricciones de precio y ruta, ignore irrelevancias como el hecho de que el sábado es el cumpleaños de su hermana, y comprenda que si la fiesta comienza a las 3:00 pm, no le interesan los vuelos que lleguen a Milwaukee a las 4:00 pm.

Si las computadoras pudo comprender y responder a solicitudes de lenguaje natural tan rutinarias, los resultados serían beneficiosos para todos: las aerolíneas no necesitarían contratar tantos agentes y los consumidores no tendrían que luchar con la confusión de las interfaces de tonos que los dejan furiosos tocando el botón 0, tratando en vano de comunicarse con un operador en vivo.

Los futuristas han estado imaginando un mundo así desde al menos 1968, cuando 2001: una odisea del espacio HAL 9000 se convirtió en la computadora arquetípica interactiva con voz. Los investigadores académicos y corporativos intrigados por la pura frialdad de la idea han estado jugando durante el mismo tiempo con los sistemas para reconocer y responder al habla humana. Pero las tecnologías no se afianzan porque son geniales: necesitan un imperativo empresarial. Para el procesamiento de idiomas, es el enorme gasto del servicio al cliente en vivo lo que finalmente está sacando las tecnologías del laboratorio. Simplemente presione o digamos que los árboles telefónicos se están dirigiendo rápidamente a la basura a medida que empresas como Nuance Communications y SpeechWorks fusionan estrategias previamente competidoras en un software que infiere la intención detrás de las solicitudes naturalmente habladas o escritas de las personas. Las principales aerolíneas, bancos y empresas de bienes de consumo ya están utilizando los sistemas y, si bien la tecnología aún no puede detener el final de una conversación, ayuda a las personas que llaman con preguntas simples a evitar largas colas y libera agentes humanos para lidiar con ellos. solicitudes más complejas.

Estas mejoras han creado sistemas de lenguaje natural para un crecimiento explosivo: el 43 por ciento de las empresas norteamericanas han comprado software de respuesta de voz interactiva para sus centros de llamadas o están realizando estudios piloto, según Forrester Research, una firma de análisis de tecnología. Según Steve McClure, vicepresidente del grupo de investigación de software de la firma de análisis de mercado IDC, a medida que más empresas reemplacen sus antiguos menús telefónicos de tonos, el mercado actual de 500 millones de dólares para aplicaciones telefónicas de voz crecerá hasta alcanzar los 3.500 millones de dólares en 2007, según Steve McClure, vicepresidente del grupo de investigación de software de la firma de análisis de mercado IDC. A fines de 2002, por ejemplo, Bell Canada instaló un sistema de respuesta de voz de $ 4.5 millones construido por Nuance, con sede en Menlo Park, CA. Según los resultados que estamos viendo, el retorno real de la inversión tomará solo unos 10 meses, dice Belinda Banks, directora asociada de atención al cliente de Bell Canada. En general, la compañía espera ahorrar $ 5.3 millones en costos de servicio al cliente solo este año.

Y esta es solo la fase uno en el despliegue de sistemas de procesamiento de lenguaje. Empresas como Nuance y SpeechWorks de Boston, los dos líderes del mercado en sistemas de respuesta de voz interactivos, están teniendo éxito en parte porque han adaptado sus tecnologías para dominios estrechos, como la información de viajes, donde los vocabularios y conceptos que deben dominar están restringidos. Incluso cuando dichos sistemas se apoderan del nicho de servicio al cliente, otras empresas aún persiguen el desafío de una verdadera comprensión del lenguaje natural. Si los esfuerzos de investigación en IBM y el Centro de Investigación de Palo Alto (PARC), por ejemplo, dan frutos, las computadoras pronto podrán interpretar casi cualquier conversación o recuperar casi cualquier información que un usuario de la Web desee, incluso si está encerrada en un archivo de video o un idioma extranjero que abre mercados donde las personas buscan conocimiento a través de redes informáticas. Predice McClure de IDC, mientras que la GUI [interfaz gráfica de usuario] fue la interfaz de la década de 1990, la NUI, o interfaz de usuario natural, será la interfaz de esta década.

¿Que qué?

La construcción de un sistema de servicio al cliente verdaderamente interactivo como el de Nuance requiere soluciones para cada uno de los principales desafíos en el procesamiento del lenguaje natural: transformar con precisión el habla humana en texto legible por máquina; analizar el vocabulario y la estructura del texto para extraer significado; generar una respuesta sensata; y respondiendo con una voz que suena humana.

Los científicos del MIT, la Carnegie Mellon University y otras universidades, así como los investigadores de empresas como IBM, AT&T y el Stanford Research Institute (ahora SRI International), han luchado durante décadas con la primera parte del problema: convertir la palabra hablada en algo con lo que las computadoras puedan trabajar. Los primeros productos prácticos llegaron a principios de la década de 1990 en forma de programas de reconocimiento de voz para el consumidor, como Voice Type de IBM, que tomaban dictado pero obligaban a los usuarios a hacer una pausa después de cada palabra, lo que limitaba la adopción. A mediados de la década de 1990, la tecnología había avanzado y conducido a sistemas de dictado como NaturallySpeaking de Dragon Systems y ViaVoice de IBM, que pueden transcribir voz ininterrumpida con una precisión de hasta el 99 por ciento.

Casi al mismo tiempo, algunos científicos se separaron de los laboratorios académicos y corporativos para crear nuevas empresas destinadas a abordar los problemas aún más complejos, y mercados potenciales más grandes, de la segunda área del procesamiento del lenguaje, denominada comprensión del lenguaje. Son los grandes avances en esta área los que han posicionado al campo para su verdadero impulso de crecimiento. Estos avances se basan en dos logros importantes, según el director de tecnología de SpeechWorks, Michael Phillips, ex científico investigador del Laboratorio de Ciencias de la Computación del MIT. La primera fue que no tiene mucho sentido llegar a la luna: el sueño de décadas de sistemas capaces de mantener una conversación general similar a la de HAL. Existe el mito de que la gente quiere hablar con las máquinas de la misma manera que habla con la gente, dice Phillips. La gente quiere una máquina eficiente, amigable y útil, no algo que intente engañarlos para que piensen que están conversando con un humano. Esta suposición simplifica enormemente el trabajo de construir y entrenar un sistema de lenguaje natural.

La segunda constatación fue que había llegado el momento de combinar filosofías mantenidas durante mucho tiempo por facciones rivales en la comunidad de procesamiento del lenguaje. Una filosofía dice esencialmente que entender el habla es una cuestión de discernir su estructura gramatical, mientras que la otra sostiene que el análisis estadístico (comparar palabras o frases con una base de datos histórica de ejemplos de habla) es una herramienta más eficiente para adivinar el significado de una oración. Los sistemas híbridos que usan ambos métodos, según han aprendido las nuevas empresas, son más precisos que cualquier enfoque por sí solo.

Pero esta información no llegó de la noche a la mañana. En el MIT, Phillips había ayudado a desarrollar un software experimental que podía reconocer el habla y, basándose en su comprensión de la gramática, dar sentido a una solicitud y responder de manera lógica. Como otros sistemas basados ​​en la gramática, dividió una oración en sus componentes sintácticos, como sujeto, verbo y objeto. Luego, el sistema organizó estos componentes en diagramas en forma de árbol que representaban el contenido semántico de una oración, o la lógica interna: quién hizo qué a quién y cuándo. El software se limitó a ayudar a los usuarios a navegar por Cambridge, MA, explica Phillips. Dirías, ¿Dónde está el restaurante más cercano? 'Y diría' ¿Qué tipo de restaurante quieres? 'Dirías, chino', y te buscaría un lugar.

Poco después de que Phillips obtuvo la licencia de la tecnología del MIT en 1994 y se fue para iniciar SpeechWorks, tanto él como los investigadores del competidor Nuance vieron que una de sus aplicaciones de destino, la dirección de llamadas, requería algo más. Hay empresas que tienen 300 números 800 diferentes, explica Phillips. El cliente no comprende la estructura de la organización, solo sabe qué problema tiene. Lo correcto es hacer una pregunta, como, ¿cuál es el problema que tiene? ”. Pero en comparación con una solicitud de un restaurante chino cercano, estas preguntas son peligrosamente abiertas.

El problema se complica cuando se considera que la ambigüedad de gran parte del habla humana -pense en una frase como la que vio a la niña con el telescopio- significa que muchas solicitudes están abiertas a múltiples interpretaciones. Hay tantas formas diferentes en las que alguien podría hablar con el sistema que tratar de cubrir todo eso en gramáticas es prohibitivo, dice John Shea, vicepresidente de marketing y gestión de productos de Nuance.

SpeechWorks finalmente encontró una solución viable en 2000, cuando combinó el software MIT con una tecnología de procesamiento de lenguaje estadístico desarrollada en AT&T Labs-Research en Florham Park, Nueva Jersey. El sistema de AT&T se basa en una base de datos de fragmentos de oraciones comunes extraídos de decenas de miles de llamadas telefónicas grabadas que involucran comunicaciones de persona a persona y de persona a máquina. Cada fragmento de la base de datos se puntúa por su asociación estadística con un tema determinado y se clasifica en consecuencia. Un fragmento como las llamadas que no hice, por ejemplo, podría tener una fuerte correlación con el tema de consultas de facturación de números no reconocidos, y el sistema enrutaría la llamada a un agente que podría acreditar la cuenta de la persona que llama. Si el sistema no confía en su elección, solicita a la persona que llama más información mediante la tecnología de síntesis de voz. Al final, según AT&T, el sistema enruta correctamente más del 90 por ciento de las llamadas, una tasa de éxito mucho más alta que la que experimentan las personas que llaman cuando navegan por árboles de teléfonos antiguos por su cuenta.

Nuance desarrolló un sistema similar, basado en tecnología de SRI, que puede utilizar métodos gramaticales o estadísticos, o ambos, para extraer el significado del discurso de la persona que llama. Utilizamos diferentes enfoques según las necesidades del cliente, dice Felix Gofman, gerente de marketing de productos de Nuance. Puedes mezclar y combinar. En un campo específico, como la banca, los temas y el vocabulario de las preguntas de las personas que llaman serán limitados y el sistema puede operar únicamente usando listas predefinidas de lo que los clientes podrían decir. Para campos nuevos o de mayor alcance, como solicitar un servicio telefónico, el sistema almacena cada pregunta que escucha en una base de datos, luego usa técnicas estadísticas para comparar las preguntas nuevas con las entradas antiguas en una búsqueda de coincidencias probables, mejorando así la precisión con el tiempo.

La tecnología del centro de llamadas de SpeechWorks es utilizada por empresas tan diversas como Office Depot, el Servicio Postal de EE. UU., Thrifty Car Rental y United Airlines. Pero la empresa que lleva la tecnología más cercana a sus límites es Amtrak. Los viajeros que llamen al sistema telefónico automatizado de Amtrak no solo pueden obtener los horarios de los trenes, sino también hacer reservaciones y cargar boletos a sus tarjetas de crédito. Cuando partimos, el objetivo principal era aumentar las tasas de satisfacción del cliente, dice Matt Hardison, jefe de ventas, distribución y servicio al cliente del ferrocarril. Pero como beneficio adicional, dice, los ahorros en costos laborales compensaron la inversión de $ 4 millones de Amtrak en la tecnología en 18 meses.

Mientras tanto, Nuance tiene grandes clientes en las industrias financiera y de telecomunicaciones, incluidos Schwab, Sprint PCS y Bell Canada. British Airways le dijo a la compañía que después de implementar los sistemas de reconocimiento de voz Nuance el año pasado, su costo promedio por llamada de cliente se redujo de $ 3.00 a $ 0.16. Y según los bancos de Bell Canada, el 40 por ciento de los clientes solían poner a cero o solicitar un operador en vivo mientras navegaban por el árbol de teléfonos de tonos de la empresa. Entre la implementación del sistema por parte de la empresa en diciembre de 2002 y marzo de 2003, ese número se redujo al 15 por ciento, dice Banks.

Una comprensión más profunda

Sin embargo, a pesar de su éxito, estos sistemas no comprenden realmente lo que escuchan. Tratan solo con reglas de gramática, probabilidades y ejemplos almacenados. De hecho, sobresalen precisamente porque sus creadores se han alejado de la búsqueda de un sistema lo suficientemente inteligente como para leer y resumir un libro o mantener una conversación general.

Pero otros investigadores mantienen una visión más amplia de las posibilidades del procesamiento del lenguaje natural. Al igual que Ron Kaplan, un investigador de PARC que desarrolló gran parte de la teoría gramatical básica detrás de muchos de los sistemas de lenguaje natural actuales, están creando software que puede hacer frente a una variedad mucho mayor de entradas, desde historias de periódicos hasta la masa desorganizada de multimedia. información en la Web. Kaplan es crítico con lo que él llama los métodos superficiales utilizados para aplicaciones de nicho como la dirección de llamadas. En comparación con la alternativa (mantener un personal costoso de agentes humanos de servicio al cliente), en realidad no son malas, dice. Pero en comparación con lo que te gustaría, apestan. Una interfaz de lenguaje natural más eficaz, dice Kaplan, eliminaría la necesidad de adaptar cuidadosamente los sistemas y permitiría a los usuarios hablar o escribir libremente.

Dos problemas que obstaculizan esa visión, en opinión de Kaplan, son que las bases de datos de muestras de lenguaje en las que se basan los sistemas más simples son demasiado pequeñas, y los algoritmos estadísticos que utilizan están diseñados para eliminar la ambigüedad en gran parte de lo que dice la gente, con la mayor rapidez posible. posible en el significado más probable. Kaplan cree que si esta ambigüedad se elimina demasiado pronto, el significado correcto de un enunciado, especialmente una oración larga o compleja, puede perderse. Así que ha pasado la última década trabajando en un sistema basado en la gramática, llamado Entorno lingüístico de Xerox, que en realidad intenta preservar ambigüedad. El sistema analiza un enunciado en cada diagrama de oraciones posible permitido por un conjunto de 314 reglas que gobiernan las relaciones entre varias partes del discurso (los investigadores de PARC ensamblaron las reglas manualmente durante tres años). Una oración compleja con 40 palabras o más, por ejemplo, podría interpretarse de hasta 1000 formas diferentes.

El análisis gramatical del sistema es tan completo que captura correctamente, en promedio, el 75 por ciento de las relaciones lógicas en una oración, lo que en realidad es muy alto en comparación con lo que hacen la mayoría de los métodos estadísticos, dice Kaplan. Esa tasa de precisión se puede aumentar a aproximadamente el 80 por ciento si el software aprovecha esos métodos estadísticos, comparando cada interpretación posible con diagramas similares en una base de datos entrenada; en el caso del software PARC, un almacén de cientos de miles de diagramas precisos de oraciones dibujadas. desde Wall Street Journal artículos.

Kaplan planea lanzar primero el sistema en la enorme base de conocimientos digitales de Xerox sobre técnicas de reparación de fotocopiadoras, que los técnicos de campo de la empresa consultan y actualizan constantemente. Allí comparará miles de entradas individuales para eliminar redundancias y contradicciones. Podría ser que muchos técnicos hayan descubierto la misma solución a un problema común, como reemplazar el tambor de una fotocopiadora, explica Kaplan. Obtienes un montón de entradas que dicen lo mismo, solo que de diferentes maneras. Encontrar y eliminar esta redundancia automáticamente, agrega, puede ayudar a los técnicos a dedicar menos tiempo a clasificar las opciones. El software también podría eventualmente convertirse en el núcleo de un sistema avanzado para traducir documentos a diferentes idiomas, una tarea particularmente plagada de ambigüedad ( ver El desafío de la traducción ).

Sin embargo, antes de que una computadora pueda comprender o traducir la información almacenada expresada en lenguaje natural, tiene que encontrarla. Eso se vuelve más difícil a medida que se expande el universo digital, razón por la cual IBM está llevando a cabo un ambicioso proyecto para emplear el procesamiento del lenguaje natural en la gestión de información no estructurada, la masa de texto digital, imágenes, video y audio almacenados en redes de computadoras. Gran parte del negocio de IBM se basa en su producto de base de datos, DB2, pero una base de datos tradicional solo puede recuperar información que ya ha sido organizada e indexada. IBM quiere brindar a los usuarios comerciales y consumidores acceso inmediato a los datos no indexados que languidecen en millones de discos duros en todo el mundo, extendiendo efectivamente su dominio en la gestión de datos estructurados al ámbito de la información no estructurada. Para llegar allí, la compañía está siguiendo una iniciativa diseñada para fusionar diferentes enfoques de procesamiento de lenguaje en un software poderoso que puede buscar, organizar y traducir de manera inteligente todos estos datos. El proyecto, denominado Arquitectura de gestión de información no estructurada, podría impulsar el negocio de la empresa hasta bien entrada la era de Internet. En lo que respecta a las apuestas de investigación, esta es una gran apuesta, dice Alfred Spector, vicepresidente senior de la división.

El software de traducción y otros productos que utilizan la nueva arquitectura aún se encuentran en la etapa de prototipo. Pero en última instancia, dice David Ferrucci, el arquitecto de software líder del proyecto, la arquitectura ayudará a IBM a construir sistemas que recopilen la información más reciente que un usuario desee de cualquier fuente digital, en cualquier idioma, y ​​la entreguen de forma organizada. Las empresas estadounidenses ya gastan 900 millones de dólares al año en portales de información empresarial que ayudan a los empleados a encontrar los registros que necesitan, según Giga Information Group en Cambridge, MA, y las oportunidades para IBM y otras empresas que desarrollan software para gestionar información no estructurada solo se multiplicarán a medida que esa información se acumula. Ahora existe claramente una justificación empresarial para tratar con datos no estructurados, concluye Spector.

Si los esfuerzos para hacer frente a la ambigüedad, la información no estructurada y otras complejidades del lenguaje tienen éxito, en última instancia podríamos dejar de tratar a las computadoras como niños pequeños, simplificando todo lo que decimos para que se ajuste a su comprensión inmadura del mundo. Cuando llegue ese día, y podría llegar pronto, los consumidores pueden esperar encontrar interfaces de voz automatizadas en todo momento, lo que les permitirá usar un inglés sencillo (o francés o chino) para interactuar con todo, desde archivos web hasta electrodomésticos y automóviles.

Y eso sería realmente algo de lo que hablar.

Babel de Language Processing EMPRESA TECNOLOGÍA UBICACIÓN AT&T Reconocimiento de voz automatizado; síntesis de voz con sonido natural
Nueva York, NY Broma Clasificación y respuesta automatizadas de correo electrónico San Francisco, CA y Jerusalén, Israel IBM Reconocimiento de voz automatizado;
traducción; arquitecturas estándar para la gestión de información no estructurada Armonk, NY Intel Reconocimiento audiovisual de voz Santa Clara, CA Inxight Software para descubrir, explorar y categorizar datos de texto en redes corporativas Sunnyvale, CA Tecnologías iPhrase Búsqueda de texto en lenguaje natural en sitios web corporativos Cambridge, MA Microsoft Revisión gramatical; interfaces de consulta; traducción Redmond, WA Comunicaciones de Nuance Sistemas de respuesta de voz interactivos para servicio al cliente por teléfono Menlo Park, CA Palo Alto Research Center Algoritmos mejorados para extraer significado del texto escrito Palo Alto, CA SpeechWorks Sistemas de respuesta de voz interactivos para servicio al cliente por teléfono Boston, MA StreamSage Búsqueda e indexación en lenguaje natural de material de audio y video Washington, DC

esconder