Как обработка естественного языка формирует будущее электронной коммерции

«Вопрос времени, когда компании во всех отраслях начнут использовать технологии глубокого обучения, такие как NLP, для извлечения скрытых инсайтов и их комбинирования с уникальным бизнес-опытом для инноваций и дифференциации».

Какая технология стоит за обработкой естественного языка?

Простыми словами, NLP (обработка естественного языка) — технология, позволяющая компьютерам понимать и обрабатывать реальные данные.

Началось в 1950-х с работы Алана Тьюринга «Вычислительная техника и интеллект», где он задал вопрос: «Могут ли машины мыслить?» Под этим он подразумевал: могут ли машины мыслить как люди, понимать факты и данные из человеческой реальности?

NLP — форма ИИ, использующая несколько дисциплин, включая компьютерную лингвистику, для придания структурированного смысла неструктурированному человеческому общению. В каком-то смысле она конвертирует человеческие слова (речь и текст) в бинарный код.

70 лет назад перфокарты были единственным способом общения с компьютером. Сегодня компьютеры могут «понимать» множество языков, выполнять устные или письменные команды, извлекать инсайты и применять их в будущем. Например, если вы один раз посмотрели красный джемпер онлайн, компьютер поймёт, что вам нравятся красные джемперы, и покажет все соответствующие товары по запросу «красный» + «джемпер».

NLP работает, анализируя мельчайшие компоненты человеческого языка — «атомы человеческого общения». Это могут быть слова, фразы или описания из каталога продуктов. Эти «атомы» сравниваются с собственной базой слов и записей, категоризируются и интерпретируются с помощью семантического анализа — фактически, понимаются.

Это позволяет устанавливать связи, недоступные людям. Сегодня, благодаря дешёвой огромной вычислительной мощности, выводы о предпочтениях отдельных людей поражают воображение.

Почему это выходит на рынок сейчас?

NLP развивался много лет. Широкий рынок обратил внимание только сейчас, потому что: (1) реальные применения ИИ стали лучше понятны бизнесу, и (2) наконец появилась достаточная вычислительная мощность для практического использования. Также не мешает, что компании вроде нашей смогли использовать вертикальную отраслевую экспертизу, выходя за рамки общих моделей и создавая алгоритмы, ориентированные на опыт, дающие реальные результаты — повышение конверсии или выручки.

До недавнего времени очень мало организаций вне академии или правительства имели вычислительную мощность для запуска алгоритмов глубокого обучения, необходимых для понимания и выявления корреляций в тексте. Благодаря недавним достижениям мы не только можем быстро потреблять и извлекать смысл из огромных объёмов текстовых данных, но и обладаем технологиями реального времени (появление Flink и Kafka) для их обработки вместе с поведением пользователей, извлечения нужных инсайтов и мгновенного реагирования соответствующим действием или решением.

Как отмечает Gartner, появление текстовых данных вызывает широкий интерес к ряду потенциальных продвинутых приложений ИИ. Использование NLP в области клиентского опыта, например, для извлечения тональности из текстовых сообщений и чатов, проложило путь к более широкой отраслевой адаптации и практическим применениям.

В области персонализации опыта мы только начинаем исследовать возможности и вдохновлены результатами использования NLP, например, для извлечения инсайтов из описаний каталога продуктов, отзывов, атрибутов и другого текста, чтобы глубже понять продукты клиентов и их взаимосвязи — гипоаллергенное, 100% хлопок и т.д.

«Вопрос времени, когда компании во всех отраслях начнут использовать технологии глубокого обучения, такие как NLP, для извлечения скрытых инсайтов и их комбинирования с уникальным бизнес-опытом для инноваций и дифференциации».

Стоит ли организациям применять NLP? Практические кейсы

Один сектор, где мы явно видим эффект — розница, где многие наши клиенты. Fast fashion и ритейлеры с большой ротацией товаров или вводящие целые новые каталоги сезонно могут особенно выиграть от NLP.

Персонализация традиционно лучше работала, когда есть много поведенческих данных по каждому продукту. Но что делать, если большой блок каталога новый или нишевый и не имеет данных? До недавнего времени лучшим было предлагать рекомендации «топ-продаж» как дополнение.

С NLP мы можем взять текстовые данные — описание продукта, заметки о стиле и посадке, рейтинги и отзывы — извлечь инсайты об этом продукте и связанных с ним, и использовать это глубокое понимание для немедленного предоставления рекомендаций и предложений, дополняющих новый или long-tail продукт.

Это гейм-чейнджер для ритейлеров/брендов, регулярно вводящих или быстро обновляющих новые стили или сезонные каталоги, позволяя персонализировать и показывать покупателям релевантные товары через кросс-продажи с самого начала.

Что дальше для NLP?

По мере адаптации NLP брендами и ритейлерами, кейсы будут эволюционировать. Далее мы видим расширение применения NLP: прогнозирование пути клиента, голосовые расширения, фасетированный поиск и многое другое. NLP с глубоким обучением — будущее покупок в электронной коммерции.

Ответы предоставил Радж Бадаринат, VP Ecosystems, RichRelevance