Les déploiements sans code, à grande échelle et les approches multimodales définiront la PNL dans 2…

La PNL en bref

Quand la plupart des gens pensent au traitement du langage naturel (NLP), les assistants vocaux comme Alexa et Siri viennent à l’esprit. Bien que l’interaction homme-machine ait parcouru un long chemin, elle ne fait qu’effleurer la surface de ce que la technologie peut faire. En fait, l’utilisation la plus percutante de la PNL n’implique pas du tout la parole.

Mais commençons par définir la PNL. La technologie est un sous-ensemble d’intelligence artificielle (IA) et d’apprentissage automatique (ML) qui vise à permettre aux ordinateurs de traiter et de comprendre le langage humain. Si la parole en fait partie, le progrès le plus marquant en PNL réside dans sa capacité à analyser le texte écrit.

En tant que tel, la PNL se déroule en grande partie dans les coulisses. Mais les gens interagissent avec lui plus qu’ils ne le savent. Des hôpitaux aux services financiers en passant par les cabinets d’avocats, la PNL alimente une bonne partie de la lecture, de l’écriture et de l’analyse des données utilisées pour administrer ces services. Même en tant que jeune technologie, elle a fait sa marque dans l’entreprise au cours des dernières années.

Quelle est la prochaine étape pour la PNL

Tous les signes indiquent que cette croissance se poursuit. Même au cœur de la pandémie mondiale, Les dépenses en PNL étaient en hausse, tandis que les dépenses informatiques générales en ont pris un coup. Les investissements dans la PNL ont continué sur cette trajectoire cette année. Selon un enquête récente de l’industrie, 93% des Tech Leaders ont indiqué que leurs budgets PNL avaient augmenté d’au moins 10 à 30% par rapport à 2020.

2021 a été une année prometteuse pour la PNL. Les cas d’utilisation ont aidé les utilisateurs dans tout, de l’identification des fausses informations et du contenu toxique en ligne à l’accélération des essais cliniques grâce à une meilleure sélection des candidats. Même au-delà des soins de santé et des médias, la PNL fait ses preuves dans tous les secteurs.

Mais plusieurs facteurs peuvent faire passer cette croissance au niveau supérieur en 2022. Les logiciels sans code, les progrès des déploiements à grande échelle et les approches multimodales de la PNL contribueront de manière significative à sa croissance au cours de l’année à venir. Voici pourquoi:

Le code bas est génial

Le low-code nécessite peu ou pas d’expertise en codage pour créer une application. Sans surprise, les solutions low-code ont eu un moment l’année dernière. Simplifier la PNL est un moyen infaillible de garantir une croissance continue dans le domaine. Il permet aux praticiens de tous niveaux d’utiliser la technologie. Pour résumer, l’exécution de nombreux modèles d’apprentissage en profondeur les plus complexes peut désormais être réduite à une seule ligne de code Python.

Pour les novices en PNL, cela abaisse la barrière à l’entrée. Avoir une éducation formelle et une expérience pratique de la PNL fondamentale, de l’apprentissage en profondeur et des bibliothèques d’apprentissage par transfert était une condition préalable. Désormais, tout le monde peut se lancer avec une simple compréhension de base de la technologie.

Ce n’est pas seulement utile pour les nouveaux venus dans le domaine. Pour les data scientists, la simplification permet un niveau d’automatisation qui leur permet de se concentrer sur des travaux plus importants. Cela deviendra de plus en plus important à mesure que le La pénurie de talents en IA persiste. Les solutions low-code présentent des avantages à tous les niveaux, et heureusement, nous en voyons de plus en plus chaque jour.

L’IA sans code devient une réalité

En 2022, nous nous appuierons sur la tendance low-code avec un logiciel sans code. Cela rendra l’IA et le ML plus accessibles à tous. En mettant plus de pouvoir entre les mains des experts du domaine, vous éliminez le besoin d’un scientifique des données, démocratisant encore plus la PNL. Nous voyons déjà ce début se jouer.

Envisagez de créer un site Web, par exemple. Ce qui nécessitait autrefois des compétences de codage peut désormais être largement réalisé par un graphiste. C’est ainsi que le non-code se répercutera sur les utilisateurs en dehors du titre du programmeur. Cela aidera également à affiner la PNL pour des cas d’utilisation métier spécifiques. Après tout, si vous construisez des modèles d’IA de soins de santé pour détecter COVID-19 dans une radiographie pulmonaire, vous voulez qu’un médecin pèse plus qu’un scientifique des données.

Le changement d’importance du scientifique des données à l’expert du domaine sera progressif, mais nous verrons beaucoup plus d’options sans code facilement appliquées pour faciliter cela au cours de l’année à venir. Ceci est similaire à la différence entre payer des programmeurs pour écrire du code et avoir Excel. No-code est conçu pour un ensemble différent d’utilisateurs non techniques. Enfin, il existe une classe d’outils qui leur permet de se familiariser avec la PNL.

Ajuster les modèles pour les déployer à grande échelle

Dans le enquête susmentionnée, les leaders technologiques ont cité la précision comme le facteur le plus important lorsqu’ils envisagent une solution de PNL. Cela dit, le réglage de la difficulté des modèles était l’un des plus grands défis cités par les leaders technologiques . Malheureusement, le réglage continu des modèles est essentiel pour des résultats précis. Tout aussi important, cela les empêche de se dégrader avec le temps.

La santé est une industrie où la surveillance et le réglage continus sont particulièrement importants. La technologie suppose que réparer une personne est comme réparer une voiture. Si quelque chose est cassé, vous pouvez simplement numériser un article universitaire ou une revue médicale et appliquer une solution pour le réparer. Mais les humains ne sont pas si simples. Il y a de nombreux facteurs en jeu. Les antécédents médicaux, les déterminants sociaux de la santé, la façon dont votre médecin interprète vos résultats par rapport à un autre n’en sont que quelques-uns.

En permettant aux experts du domaine, dans ce cas aux professionnels de la santé, d’ajuster les modèles, nous leur permettons d’ajuster correctement les modèles à des situations spécifiques. Très souvent, vous devez régler les modèles séparément à plus grande échelle. En effet, les modèles fonctionnent différemment dans différents environnements de production. Même si les deux sont en milieu clinique.

Dans les dernières nouvelles, une étude rétrospective dans JAMA Internal Medicine a révélé qu’un modèle développé pour prédire la septicémie chez les patients n’a pas réussi à identifier les deux tiers des personnes touchées. Alors que certains fournisseurs ont signalé le succès de l’outil, des chercheurs de la faculté de médecine de l’Université du Michigan ont trouvé que les résultats étaient nettement moins précis lorsqu’ils étaient appliqués à leurs propres patients.

Considérer comment les modèles fonctionneront dans différents contextes sur différentes populations peut faire la différence entre la vie et la mort dans les soins de santé. Mais c’est aussi important dans d’autres industries. La bonne nouvelle, c’est que nous nous améliorons dans ce domaine. Désormais, nous permettons aux utilisateurs de déployer des modèles à grande échelle plus rapidement et avec plus de précision que jamais.

Les solutions multimodales vont au-delà de la PNL au niveau supérieur

Le langage humain n’est pas noir et blanc. Nous interprétons le sens à partir du langage écrit, de la parole, des images, etc. Par conséquent, nous avons besoin de techniques de ML capables de « lire », « voir » et « écouter » en même temps. Les techniques d’apprentissage multimodal, qui utilisent différentes modalités de données en combinant des outils tels que la PNL et la vision par ordinateur, sont essentielles pour ces cas d’utilisation.

Alors que les modèles NLP sont excellents pour le traitement de texte, de nombreuses applications de mots réels utilisent des documents avec des formats plus complexes. Par exemple, les systèmes de santé incluent souvent des résultats de laboratoire visuels, des rapports de séquençage, des formulaires d’essais cliniques et d’autres documents numérisés. Lorsque la PNL est utilisée seule pour la compréhension des documents, la mise en page et le style sont compromis.

Cependant, avec les nouvelles avancées de l’apprentissage multimodal, les modèles peuvent apprendre à la fois du texte des documents via la PNL et de la mise en page visuelle grâce à des technologies telles que la vision par ordinateur. La combinaison de plusieurs technologies dans une certaine solution pour permettre de meilleurs résultats est au cœur de l’apprentissage multimodal. Nous commençons à voir davantage ce passage de la recherche à la production.

2021 a été une année exceptionnelle pour la PNL et nous pouvons nous attendre à ce que cela se poursuive dans la nouvelle année. Avec des outils plus faciles à utiliser, des résultats plus précis, des déploiements plus importants et des capacités de couplage avec d’autres technologies d’IA puissantes, il sera intéressant de voir où 2022 nous mène.