Il panorama della generazione del linguaggio naturale

L'applicazione commerciale della generazione del linguaggio naturale (NLG) è ancora agli inizi. A differenza dell'affollato ambiente martech, con oltre 7.000 partecipanti, il panorama di NLG è molto scarso. In questo post, esaminiamo le organizzazioni che utilizzano NLG per creare contenuti sia in forma lunga che breve, creare narrazioni da dati strutturati e convertire il testo in voce.

Generazione di contenuti di lunga durata (oltre 750 parole)

La tecnologia MarketMuseNLG è la prima e unica piattaforma a offrire contenuti di lunga durata creati utilizzando la generazione del linguaggio naturale. Generiamo testo lungo con l'aiuto delle reti neurali di deep learning e dei riassunti dei contenuti di MarketMuse.

Questi riassunti sui contenuti di MarketMuse sono esattamente gli stessi dati agli scrittori umani per aiutarli a creare contenuti migliori. I riassunti forniscono un quadro dettagliato da cui creare contenuti. Con i loro argomenti, domande e sottotitoli, MarketMuse Content Briefs fornisce il contesto al motore NLG per generare testo pertinente.

Il risultato è una bozza iniziale di contenuto che raggiunge tutti i KPI essenziali pur richiedendo modifiche minime.

Generazione di testi (meno di 750 parole)

Per il nostro scopo, stiamo definendo qualsiasi cosa inferiore a 750 parole come semplice generazione di testo. Ci sono alcune situazioni in cui è più appropriato un modulo narrativo più breve, ad esempio e-mail e web copywriting.

Due offerte rientrano in questa categoria, sebbene i loro scopi siano radicalmente diversi.

Articolo si rivolge agli editori che necessitano di articoli del sito web fino a 500 parole. Tutto ciò che serve è un argomento da due a cinque parole e il conteggio delle parole desiderato. Sebbene incoraggiante, il valore di articoli così brevi e superficiali è limitato.

Phrasee ha svolto un lavoro eccellente nel personalizzare le sue offerte di prodotti per casi d'uso specifici che richiedono testo di breve durata. Si tratta di situazioni di alto valore che traggono vantaggio da una copia concisa e di grande impatto.

Phrasee Email viene utilizzato per l'oggetto dell'e-mail, l'intestazione, i titoli, la copia del sottotitolo e gli inviti all'azione. Phrasee Push viene utilizzato per i messaggi push delle app mobili. Phrasee Social viene utilizzato per creare messaggi di Facebook e Instagram mentre Phrasee Everywhere aiuta con AdWords, la pagina di destinazione e il testo pubblicitario visualizzato.

Riscrittori e mixer di articoli

La forma più primitiva di generazione di articoli assistita dal computer è la riscrittura degli articoli, nota anche come filatura di articoli. Esistono da oltre dieci anni, i SEO utilizzano spinner di articoli per produrre rapidamente enormi quantità di contenuti di bassa qualità per il collegamento di reti.

Questa non è la generazione del linguaggio naturale.

Gli esseri umani visitano raramente questi siti o leggono queste pagine. Si tratta di reti di blog progettate per sfruttare il PageRank di Google in modo che alcune pagine possano posizionarsi bene nella ricerca.

La premessa della filatura dell'articolo è semplice. Prendi un pezzo di testo originale e sostituisci parole diverse per creare una nuova versione. I primi tentativi soffrivano di una scarsa scelta delle parole durante la selezione delle sostituzioni.

Ecco il paragrafo precedente, scorrere uno spinner di articoli.

“Il motivo della riscrittura del testo è semplice. Prendi un pezzo unico di contenuto e sostituisci varie parole per creare nuovi contenuti unici. I primi sforzi hanno sperimentato una scarsa decisione sulla parola durante la scelta delle sostituzioni ".

Sebbene grammaticalmente corretto, è imbarazzante. I miglioramenti che utilizzano questo approccio finora sono stati minimi. Alcuni utilizzano l'API di elaborazione del linguaggio naturale di Google per condurre analisi della sintassi, identificare parti del discorso (PoS) ed estrarre token e frasi. Tuttavia, la qualità della produzione continua a essere debole e il mercato di riferimento per questi prodotti rimane lo stesso.

Alcune aziende che lavorano in questo spazio includono WordAi, SEO Article Generator, AI Spinner e Chimp Rewriter. Senza dubbio, ce ne sono molti di più, ma nessuno di loro va bene. Sebbene possano provare a posizionarsi come tali, questi prodotti hanno poco a che fare con l'intelligenza artificiale o l'elaborazione del linguaggio naturale.

I mixer di articoli sono un'altra classe di generatori di contenuti che hanno poco a che fare con la generazione del linguaggio naturale, nonostante il modo in cui possono essere commercializzati. Come suggerisce il nome, la miscelazione degli articoli implica la miscelazione di frasi da pagine relative all'argomento, intrecciandole in una narrazione e sostituendo frasi specifiche utilizzando sinonimi.

Ci sono problemi qui sia a livello macro che micro. Non c'è una vera struttura complessiva per questi pezzi. Anche a livello di frase, le scelte effettuate sembrano alquanto arbitrarie.

Due aziende i cui prodotti rientrano nella categoria della miscelazione di articoli sono Article Forge e AI Writer.

Narrativa dei dati strutturati

Le applicazioni in questa categoria prendono insiemi di dati altamente strutturati e li trasformano in una narrativa. L'Associated Press produce trimestralmente quasi 4.000 articoli sugli utili aziendali con l'aiuto dell'intelligenza artificiale. I siti di e-commerce possono anche creare descrizioni di prodotti, storie di categorie e newsletter utilizzando questo metodo.

Esistono numerosi casi d'uso per questo approccio, purché tu disponga dei dati strutturati per supportarlo. Questo è il fattore critico nel rendere questo lavoro su larga scala. Nell'esempio del rapporto sugli utili, la storia generale è abbastanza semplice e non cambia mai. Ciò che rende ogni storia diversa sono le variabili. Ecco un esempio di rapporto sui guadagni di Apple dell'Associated Press.

Ecco alcuni marchi che lavorano in questo spazio:

• Fabbro
• penna d'oca
• Semantica AXE
• Arria
• YSEOP
• textengine.io
• vFrase
• Specificio
• ginny
• CREWmachine

Queste piattaforme utilizzano un approccio basato su modelli o creano documenti in modo dinamico. Il più semplice è un approccio di riempimento delle lacune in cui i dati vengono riempiti nelle lacune all'interno del modello.

Linguaggi di creazione di modelli Web, script o testo per la produzione di regole rappresentano un passo avanti rispetto al semplice riempimento delle lacune. Ma senza sofisticate capacità linguistiche, fatica a generare testo di alta qualità.

Le funzioni grammaticali a livello di parola rendono relativamente più facile scrivere modelli complessi in quanto possono gestire l'ortografia, la morfologia, la morfofonologia e le loro eccezioni. Ma non commettere errori, generare output di qualità in questo modo rimane una sfida significativa.

Sintesi vocale

Sintesi vocale converte il testo scritto in audio dal suono naturale in una varietà di lingue. Possono essere utilizzati nell'interazione con chatbot e assistente vocale, trasformando ebook digitali in audiolibri e interagendo con i sistemi di navigazione dell'auto.

Di recente, le aziende hanno utilizzato reti neurali profonde per sintetizzare un parlato quasi identico alle registrazioni umane. I modelli vocali, l'intonazione e l'articolazione simili a quelli umani riducono significativamente l'affaticamento dell'ascolto quando si interagisce con i sistemi di intelligenza artificiale.

Una manciata di organizzazioni ben note domina quest'area:

• IBM Watson
• Microsoft
• Amazon Polly
• Google

Sommario

Negli ultimi due anni, la generazione del linguaggio naturale si è concentrata principalmente sulla sintesi vocale e sulla generazione di narrazioni da dati altamente strutturati. Con la tecnologia MarketMuse NLG, i professionisti del marketing possono ora sfruttare NLG per produrre contenuti di lunga durata.