Natural Language Processing with Tensor Flow – Thushan Ganegedara

En la era de la información digital en la que vivimos, la cantidad de datos ha crecido exponencialmente y está creciendo a un ritmo sin precedentes mientras leemos esto. La mayoría de estos datos son datos relacionados con el idioma (textuales o verbales), como correos electrónicos, publicaciones en redes sociales, llamadas telefónicas y artículos web. El procesamiento del lenguaje natural (PLN) aprovecha estos datos de manera eficiente para ayudar a los humanos en sus negocios o tareas diarias. La PNL ya ha revolucionado la forma en que utilizamos los datos para mejorar tanto los negocios como nuestras vidas, y seguirá haciéndolo en el futuro. Uno de los casos de uso más omnipresentes de la PNL son los asistentes virtuales (VA), como Siri de Apple, el Asistente de Google y Amazon Alexa.

Cada vez que le pregunta a su VA por «las tarifas más baratas para hoteles en Suiza», se activa una serie compleja de tareas de PNL. Primero, su VA debe comprender (analizar) su solicitud (por ejemplo, saber que necesita recuperar las tarifas de los hoteles, no los parques para perros). Otra decisión que debe tomar el VA es «¿qué es barato?». A continuación, el VA debe clasificar las ciudades de Suiza (quizás basándose en su historial de viajes anterior). Luego, el VA podría rastrear sitios web como Booking.com y Agoda.com para obtener las tarifas de los hoteles en Suiza y clasificarlas analizando tanto las tarifas como las reseñas de cada hotel. Como puede ver, los resultados que ve en unos segundos son el resultado de una serie muy intrincada de tareas complejas de PNL. Entonces, ¿qué hace que estas tareas de PNL sean tan versátiles y precisas para nuestras tareas diarias? Los elementos subyacentes son algoritmos de «aprendizaje profundo».

Los algoritmos de aprendizaje profundo son esencialmente redes neuronales complejas que pueden asignar datos sin procesar a una salida deseada sin requerir ningún tipo de ingeniería de características específicas de la tarea. Esto significa que puede proporcionar una opinión sobre el hotel de un cliente y el algoritmo puede responder directamente a la pregunta «¿Qué tan positivo es el cliente sobre este hotel?». Además, el aprendizaje profundo ya ha alcanzado, e incluso superado, el rendimiento a nivel humano en una variedad de tareas de PNL (por ejemplo, reconocimiento de voz y traducción automática). Al leer este libro, aprenderá cómo resolver muchos problemas interesantes de PNL mediante el aprendizaje profundo.

Entonces, si quieres ser un influencer que cambie el mundo, estudiar PNL es fundamental. Estas tareas van desde aprender la semántica de las palabras hasta generar nuevas historias y realizar traducciones de idiomas con solo mirar pares de oraciones bilingües. Todos los capítulos técnicos van acompañados de ejercicios, que incluyen una guía paso a paso para que los lectores implementen estos sistemas. Para todos los ejercicios del libro, usaremos Python con TensorFlow, una popular biblioteca de computación distribuida que hace que la implementación de redes neuronales profundas sea muy conveniente.