El procesamiento del lenguaje natural (PLN) es un subcampo de la IA que impulsa una serie de aplicaciones cotidianas, como asistentes digitales, por ejemplo, Siri o Alexa, sistemas de GPS y textos predictivos en teléfonos inteligentes.​​ 

Las versiones anteriores del PLN utilizaban la lingüística computacional basada en reglas con métodos estadísticos y aprendizaje automático para comprender y recopilar información de los mensajes de redes sociales, reseñas y otros datos. Enfoques más recientes aprovechan las redes neuronales y los modelos de lenguaje grande (LLM, por sus siglas en inglés) para realizar las siguientes tareas.​​ 

Para facilitar el PLN, a menudo se realizan una serie de subtareas, que incluyen:​​ 

  • Tokenización: El texto se divide en cláusulas individuales más pequeñas.​​ 
  • Stemming: Consiste en agrupar las palabras que tienen la misma raíz. Por ejemplo, "niños", "niña" y "niñez" tienen la misma raíz.​​ 
  • Lematización: Consiste en reducir las palabras contextualmente similares a su lema. Por ejemplo, "dije", "dijimos" y "diré" se reducen a "decir".​​ 
  • Eliminación de palabras vacías: Se eliminan palabras como preposiciones y artículos.​​ 
  • Etiquetado de categorías gramaticales: Se etiquetan sustantivos, verbos, adjetivos, adverbios, pronombres, etcétera.​​ 

Para facilitar la comunicación conversacional con un humano, el PLN emplea otras dos subramas "llamadas comprensión del lenguaje natural" (CLN) y "generación del lenguaje natural" (GLN). La primera comprende los algoritmos que analizan el texto para comprender las palabras contextualmente, mientras que la segunda ayuda a generar palabras significativas como lo haría un humano. Juntos, impulsan chatbots inteligentes, como ChatGPT.​​ 

Estas son las principales técnicas de PLN utilizadas en entornos empresariales y B2C.​​ 

  1. Resúmenes de texto: Los algoritmos de PLN escanean grandes cantidades de datos y condensan la información para brindar un resumen con puntos clave.​​ 
  2. Reconocimiento de voz: Esta técnica analiza los datos de audio para traducirlos a texto o asignarlos a palabras conocidas. Se utiliza para subtitular audio y ha sido esencial para ayudar a las personas con discapacidad auditiva.​​ 
  3. Traducciones automáticas: Traduce automáticamente palabras en diferentes idiomas para que los usuarios puedan beneficiarse de información no nativa con el mínimo esfuerzo. Google Translate es un buen ejemplo​​ 
  4. Sistemas de respuesta a preguntas: Los algoritmos de PLN escanean datos y buscan información relevante para proporcionar respuestas a un usuario. Estos sistemas pueden basarse en reglas o en modelos generativos preentrenados, como ChatGPT, que obtienen información accediendo a datos disponibles públicamente en Internet.​​ 
  5. Reconocimiento de entidades nombradas: El reconocimiento de entidades nombradas (NER, por sus siglas en inglés) es una técnica de PLN que identifica y extrae entidades, como personas, ubicaciones, marcas, objetos, monedas y demás.​​ 
  6. Búsqueda semántica: Una técnica de búsqueda que permite a un usuario recuperar información comprendiendo la intención de la búsqueda, en lugar de, simplemente, utilizando palabras clave.​​ 
  7. Análisis del sentimiento: son algoritmos de PLN que pueden reconocer las emociones en un texto para mostrar si es positivo, negativo o neutral y en qué medida.​​ 
  8. Sentimiento basado en aspectos: Esta técnica avanzada analiza el sentimiento en aspectos que se han extraído de los temas en un texto. Esta visión detallada del sentimiento del mercado indica a las marcas exactamente qué necesitan mejorar y qué va bien.​​ 

    9. Todas las técnicas y subtareas de PLN mencionadas anteriormente funcionan en conjunto para brindar el análisis de datos correcto sobre el sentimiento de los clientes y la marca a partir de datos de redes sociales o de otro tipo.​​