Следующий вызов для Искусственного Интеллекта: понимание нюансов языка

Перевод статьи AI’s Next Great Challenge: Understanding the Nuances of Language с сайта Harvard Business Review  нашего  проекта переводы статей по hr-аналитике на английском.
Перевод выполнила Ольга Смирнова (по ссылке профиль на Линкедине - рекомендую френдиться с профи), у Ольги свое, очень интересно дело, она создатель сайтов и он-лайн школ, рекомендую http://smirnovaolga.tilda.ws/ ! Это уже восьмой перевод Ольги. Читайте также

1. 10 метрик HR, которые вы можете, но, вероятно, еще не используете
2. Лидеры в HR аналитике: непрерывное стремление Capital One к улучшению исследований в области HR
3. Лидеры в HR аналитике: управление практическими исследованиями в Merck & Co
4. Искусственный интеллект в HR: прорывное приложение
5. Лидеры в HR аналитике: совместный подход к исследованиям в Microsoft
6. Как удостовериться, что гибкие команды могут работать вместе
7. Moneyball для бизнеса: как Искусственный Интеллект меняет управление талантами

Итак,

Следующий вызов для Искусственного Интеллекта: понимание нюансов языка

Язык - уникальная человеческая способность и воплощение нашего интеллекта. Но через ИИ - в частности, через обработку естественного языка (NLP) - мы предоставляем машинам языковую функциональность, открывая новую область возможностей того, как мы будем работать с ними.

Сегодня вы можете зайти в темную гостиную и попросить Алексу включить умный свет до приятной 75% -ной яркости. Или вы можете запросить информацию о погодных условиях на другом конце света. Прогресс, достигнутый в индустрии, был показан в недавней демо-версии Duplex от Google, в которой ИИ-агент созванивался с бизнесами и назначал встречи. То, что когда-то казалось научной фантастикой, теперь реальность, но для поддержания действительно высококлассных отношений человек-машина, машины должны быть способными к более интуитивным, контекстуальным и естественным разговорам – это все еще остается сложной задачей. Я строил свою карьеру, сосредотачиваясь на NLP, области исследований, почти такой же старой, как и сам ИИ, и мы все еще находимся на начальной стадии этого путешествия.

Язык - это механизм обмена информацией и связи с окружающими, но машины должны понимать тонкости языка и то, как мы, люди, общаемся, используя его. Успехи в анализе эмоциональной окраски, ответы на вопросы и совместное многозадачное обучение позволяют ИИ по-настоящему понимать людей и то, как мы общаемся.

Анализ эмоциональной окраски

Язык по своей сути труден. Он постоянно развивается, он сильно нюансирован, и среднестатистическому человеку требуются годы, чтобы достичь высокого уровня владения языком. С анализом эмоциональной окраски, мы можем использовать ИИ для понимания определенных вещей о некоем высказывании, например, упоминание бренда или обзор фильма является положительным, отрицательным или нейтральным. Но мы можем также разобраться в таких вещах, как отношение и намерения спикера (Она сердится? Счастлива? Удивлена? Готова купить?). От обслуживания клиентов до модерации онлайн-сообществ до алгоритмической торговли чрезвычайно важно, чтобы компании могли понимать общественное мнение по отношению к бренду, анализируя тысячи твитов или сотни обзоров продуктов мгновенно.

Анализ эмоциональной окраски уже используется некоторое время, но он не всегда был очень точным. Однако это меняется по мере достижений в NLP. В Salesforce, где я руковожу исследовательскими работами, наша услуга Einstein AI позволяет брендам получать в режиме реального времени анализ настроений в электронных сообщениях, социальных сетях и текстах чатов, чтобы обеспечить более эффективное обслуживание клиентов. Точный анализ эмоциональной окраски позволяет, например, обслуживающим агентам получить представление о том, каким недовольным клиентам нужно помочь в первую очередь или кому направить рекламные предложения. Также возможно выявить недостатки продукта, измерить общую удовлетворенность продуктом и даже промониторить восприятие бренда через каналы социальных сетей. Другие технические компании предлагают аналогичные услуги.

Нам также нужен контекст. Предположим, у вас есть мыльный бизнес и кто-то твитнул «Это мыло действительно хорошее для младенцев». Это можно рассматривать как позитивный отзыв о мыле для младенцев или язвительный комментарий, что это мыло ужасно для детей. В этом утверждении так много контекста, и это довольно простое высказывание! Обучение ИИ анализу всех возможных значений конструкции предложения и понимания того, что человек имеет в виду в данном контексте, является одной из важнейших задач в исследованиях NLP. Это требует как маркированных данных для улучшения модели обучения, так и новых моделей, которые могут изучать контекст и совместно использовать знания по многим различным задачам одновременно.

Ответы на вопросы

По мере того как NLP будет лучше распознавать значение текстов, интеллект цифровых ассистентов, помогающих управлять нашей жизнью, так же улучшится. Такие приложения, как Siri и Google Assistant, уже предоставляют довольно хорошие ответы на общие вопросы и выполняют довольно простые команды. В идеале, однако, мы должны иметь возможность задавать нашим компьютерам произвольные вопросы и получать хорошие ответы.

Один из способов дать лучшие ответы - убедиться, что компьютер понимает вопрос. Если вы спросите: «Когда прибудет мой самолет?», как компьютер узнает, говорите ли вы о своем рейсе или деревянной модели, которую вы заказали на Amazon? Компьютеры все лучше могут угадывать смысл через более глубокое понимание семантики, а также более разумное использование контекстуальных данных. В NLP мы выясняем, как преподать каждый из этих уровней контекста, чтобы ИИ мог обрабатывать все сразу и не пропускать важную информацию.

Например, динамические сети взаимодействия могут интерпретировать один документ по-разному в зависимости от того, какие вопросы задавали сети - «Какая команда представляла NFC в Super Bowl 50?» Или «Кто сделал тачдаун в четвертой четверти?» С помощью этой условной интерпретации она может затем итеративно выдвигать гипотезу о нескольких ответах, чтобы достичь наилучшего, наиболее точного результата.

Совместное многозадачное обучение

Научное сообщество умеет создавать модели ИИ, которые выполняют одну задачу очень хорошо. Но более интуитивные, диалоговые и контекстные интерфейсы потребуют модель ИИ, которая постоянно учится, интегрируя новые задачи со старыми и обучаясь выполнению все более сложных задач. Это относится к ИИ в целом, но в особенности важно, когда речь заходит о языке, что требует гибкости.

Вопрос «Кто мои заказчики?» представляет собой достаточно простую задачу: создать список заказчиков. Но как насчет вопроса «Кто мои лучшие заказчики на Тихоокеанском Северо-Западе для конкретного продукта?» Теперь мы добавили уровень сложности, который требует целого ряда интегрированных задач для ответа на квалифицирующие вопросы, такие как: Как определить кто «лучший»? Где находится каждый заказчик? Какие факторы способствуют тому, чтобы один заказчик интересовался одним продуктом по сравнению с другим? Добавляя один элемент к запросу, сложность вопроса резко возрастает.

Salesforce Research недавно создала Natural Language Decathlon, программу, которая позволяет объединить решение 10 самых сложных задач NLP в одной модели:

1. ответы на вопросы, 
2. машинный перевод, 
3. обобщение, 
4. формирование рассуждений на естественном языке, 
5. анализ эмоциональной окраски, 
6. присвоение семантических ролей, 
7. извлечение отношений, 
8. целенаправленный диалог, 
9. генерация запросов в базе данных 
10. определение к какому субъекту относится местоимение. 

Используя многозадачную модель ответ-вопрос, которая ставит каждую задачу в качестве ответа на вопрос, единая модель совместно изучает и обрабатывает различные задачи без каких-либо конкретных параметров или модулей. Это означает не только то, что специалистам по обработке данных больше не нужно создавать, обучать и оптимизировать отдельные модели для каждой задачи, но это также означает, что модель будет иметь возможности обучения с нуля - другими словами, модель может решать задачи, которые не видела раньше или которым не была специально обучена.

Поскольку исследователи продолжают улучшать модели, подобные этой, мы видим, что интерфейсы ИИ становятся более умными, поскольку они решают более сложные задачи.

Хотя мы долго работаем над NLP, мы все еще в самом начале. Однако надежда состоит в том, что совершенствование NLP позволит ИИ изменить то, как мы взаимодействуем с нашими машинами.

Анализ тональности текста с использованием word2vec и реализацией в pipeline Python

Анализ тональности текста или сентимент анализ - это метод классификации текста. Самый популярный пример из курсов по машинному обучению - прогноз оценки, которую поставит посетитель ресторана заведению на основе его отзыва. Или, по другому, можем ли мы спрогнозировать на основе отзыва посетителя, будет ли он рекомендовать этот ресторан или нет.
В HR сама собой напрашивается аналогичная задача: можем ли мы спрогнозировать на основе отзыва увольняющегося работника в exit интервью спрогнозировать, будет ли он рекомендовать нашу компанию коллегам / будет ли он отзываться о компании позитивно или негативно. Хотя, безусловно, класс решаемых задач значительно шире. Я бы отослал здесь к статье Raja Sengupta Как NLP может в корне изменить HR. NLP - это Natural language processing или проще - анализ текстов. Моя задача проще - я хочу показать код для решения одной задачи в Python.

word2vec vs "bag of words"

Одним из самых популярных методов анализа текстов (а точнее, этот метод просто хронологически более ранний - и, может быть, более интуитивно понятный) является метод "мешок слов "bag of words". Мы просто получаем столько переменных, сколько у нас слов в тексте (исключая "мусорные" или редкие слова). Т.е. если в отзывах у нас используется 1 485 слов, то у нас будет 1485 новых переменных / колонок. И если в отзыве содержится слово - оно же название переменной - то переменная принимает значение "1", в противном случае "0". Т.е. если респондент написал отзыв "хорошая компания", то из 1485 ячеек напротив данного респондента будет только две "1" - в колонках "хорошая" и "компания".
Этот подход интуитивно понятен, но он имеет ряд недостатков (что делать с "не"? и т.п...), но главное: в этом подходе не отражается смысл слов, фраз.
word2vec
Преодолением такого подхода является метод word2vec (буквально 'word' to 'vector'), который превращает весь текст в N-мерное пространство, и каждое слово это вектор со своими координатами, т.е. буквально можно записать так:

'опрос': array([ 0.05069825, -0.01941545,  0.00567565, -0.0276236 ,  0.01180002,
      .......  0.00385726])
Не показываю весь вектор, потому что он имеет 100 значений. И эти 100 значений - это переменные в нашем уравнении.
"Плюс" этого метода в том, что близкие по значению слова имеют близкие координаты векторов. Например, когда я делал модель для функционала HR, то для слова "компенсации" самые близкие координаты вектора имело слово "c&b". И это замечательно, потому что в подходе "bag of words" слова "c&b" и "компенсации" это разные слова, а в подходе word2vec эти слова хоть и не идентичны, но очень близки.

Данные

У меня свой датасет, которым я с вами не поделюсь, но вы можете опробовать этот код на своих данных. Структура данных достаточно проста:

1. переменная "текст";
2. бинарная переменная 1/ 0, +1 / -1 и т.п..

Я свои данные взял из нашего исследования факторов текучести персонала (участвуем в исследовании) . Помимо всего прочего, в нашем опросе есть две переменные:
"Отзыв о компании";
"Готовы ли Вы рекомендовать эту компанию в качестве работодателя своим знакомым, коллегам?"

Реализация в Python

Итак, начинаем  с загрузки данных

import pandas as pd
import numpy as np
df = pd.read_csv('data.csv', sep=',', encoding = 'cp1251')
df.info()
Data columns (total 2 columns):
y 792 non-null int64
Отзыв о компании 792 non-null object
dtypes: int64(1), object(1)

df['y'].value_counts()
1    404
0    388
Name: y, dtype: int64

Да, у нас очень небольшой датасет, лучше иметь несколько тысяч, даже несколько десятков тысяч строк данных. Но моя задача скромнее - показать алгоритм. Выборка у нас достаточно сбалансированная - соотношение тех, кто готов рекомендовать компанию, и тех, кто не готов - почти 50/50.
Первая задача, которую нам надо решить - создать словарь слов. Т.е. присвоить каждому слову координаты вектора. Для этого нам необходимо взять весь текст и обучить его. Но прежде нам необходимо преобразовать наши отзывы из формата pandas в формат, годный для преобразований word2vec.
Преобразуем таким образом

import nltk
import nltk.data
tokenizer = nltk.data.load('tokenizers/punkt/english.pickle')
from nltk.tokenize import sent_tokenize, word_tokenize
import re 

 def preproc(sentence):
    sent_text = re.sub(r'[^\w\s]','', sentence)
    words = sent_text.lower().split()
    return(words)

 def senttxt(sent, tokenizer, remove_stopwords=False ):
        raw_sentences = tokenizer.tokenize(oped.strip())
        sentences = []
        for raw_sentence in raw_sentences:
            
            sentences.append(preproc(raw_sentence))
        
        len(sentences)
        return sentences

txt_snt = df['Отзыв о компании'].tolist()
sentences = []
for i in range(0,len(nyt_opeds)):
    sent = txt_snt[i].replace("/.", '')
    sentences += senttxt(sent, tokenizer)

В итоге мы получаем объект вот такого формата

sentences[0]
['классическая',
 'российская',
 'компания',
 'с',
 'назначениями',
 'не',
 'по',
 'знаниям',
 'а',
 'по',
 'личной',
 'приверженности',
 'не',
 'соблюдающая',
 'свои',
 'же',
 'правила',
 'делающая',
 'глупость',
 'за',
 'глупостью',
 'и',
 'оправдывающая',
 'их',
 'еще',
 'большими',
 'глупостями']

Этот формат уже можно использовать для создания словаря. Что мы и делаем.

Как NLP может в корне изменить HR

Вы в курсе, что NLP это не нейро-лингвистическое программирование, как некоторые думают, NLP - Natural language processing. И это второе NLP мощнее, чем первое. И если Вы знали первое NLP, то пора уже познакомиться со вторым NLP. Автор статьи - индийский HR аналитик Raja Sengupta, не самый известный, но один из самых крутых, кого я знаю.
Статья из нашего проекта переводы статей по hr-аналитике на английском, перевод статьи сделали сразу три студентки Высшей Школы Экономики - Галкина Елизавета, Галлямова Аделия, Давоян Мария (девчата респект! вы переводите очень правильные статьи). Признаюсь, я изменил название статьи, переводчик назвал статью Как обработка естественного языка может в корне изменить человеческие ресурсы, я же обозначил пост как Как NLP может в корне изменить HR. Мое название вас скорее привлечет к прочтению.
Но таки прочитайте про NLP.

Как обработка естественного языка может в корне изменить человеческие ресурсы

Обработка естественного языка является постоянно растущей областью интересов в спектре прикладной аналитики и имеет отношение к HR. Фактически, это может в корне поменять качество идей. В данной статье мы расскажем вам - каким образом.

Обработка естественного языка имеет важное значение для HR

Знаете ли вы, что анализ текста был наиболее распространенным инструментом повышения производительности за последние 3 десятилетия (или около того) для HR? Он очень хорошо знаком с персоналом.

HR использует поиск ключевых слов Boolean для идентификации хороших резюме / заявок на работу уже давно. Однако часто с непредсказуемыми и юмористическими результатами.

Обработка естественного языка (NLP) анализирует текст на гораздо более высокий уровень подробности, детализации и точности. Острое понимание NLP было технологическим ограничением в прошлом, но в последнее время произошли серьезные успехи. Этому способствовало развитие распределенных вычислений и интенсивное исследование применения NLP академическими и профессиональными организациями по всему миру.

Суть функции людей заключается в эффективном анализе коммуникации, а естественный язык является наиболее распространенной средой человеческого общения. Тем не менее, объем NLP в функции людей должен возглавлять только оперативный HR.

Большинство деловых взаимодействий в сфере HR создает большие объемы естественного языка, который является неструктурированными данными. Подумайте о таких областях, как рекрутмент, отзывы сотрудников, опросы, оценки, обучение, судебные дела, консультирование и т.д.

Кроме того, устаревшие процессы и формы HR могут быть переработаны для накопления постоянно растущих объемов данных естественного языка. С помощью активной политики записи и транскрипции звука или даже небольшой реорганизации различных форм / опросов / приложений HR-процессов.

Основные преимущества для HR в отношении обработки естественного языка

Преимуществ много, что соответствует разным уровням участия и инвестиций HR.

Всё начинается с общей текстовой аналитики (анализ настроений). Далее идет к передовым представлениям (через модели вычислительной лингвистики) и может даже включать потенциальную полуавтоматизацию.

После внедрения такие службы могут поставляться через API [прим. application programming interface - программный интерфейс приложения] и подключение к базе данных. Или даже через автономные клиентские системы. Google и Microsoft являются основными примерами больших игроков в пространстве API NLP.

Каким образом понимание анализа естественного языка влияет на HR?

HR - специфичный NLP анализ, с меняющимися и часто прогрессивными уровнями идей, не только выступает в качестве поддержки принятия решений (DSS). Но также позволяет повысить точность и скорость для ключевых бизнес-процессов HR и улучшения показателей HR. Они также уменьшают человеческую предвзятость в процессе принятия решений. Примеры включают в себя счёт резюме и анализ опросов.

Часто NLP-системы действуют как «фильтрация первого или второго уровня» или «доказательства гипотез» для подтверждения человеческих решений в HR

Кривые эволюции NLP ниже указывают на потребности текстовой аналитики и вычислительной лингвистики, поскольку она максимизирует бизнес-преимущества NLP.

Структурированные и неструктурированные данные объединяются для улучшения качества информации для HR.

Например, ключевыми традиционными областями для моделирования данных HR являются истощение, прогулы, карьерные пути , компенсация и выгоды, и т.д. Для таких моделей, знания, полученные через NLP, могут вписываться в объясняющую переменную, тем самым повышая точность модели.

Обычно процессы управления персоналом, такие как опрос сотрудников, отзывы, оценки, состоят из нескольких структурированных точек данных (проверка, радио, выпадающее меню, слайд-боксы и т.д.). NLP можно использовать для дальнейшего включения и использования открытых ответов в этом опросе. Это улучшает качество информации.

В совокупности оба они улучшают показатели процессов управления персоналом.

Дезинформация относительно внедрения обработки естественного языка в процессы управления персоналом.

Это не тот случай, когда системы обработки естественного языка заменяют HR. Напротив, эти системы расширяют возможности персонала HR в рамках своей организации.

Совокупность человеческого языка, общения и динамического принятия решений, требуемые от HR в реальном мире, сложны. Это означает, что полная автоматизация непрактична и может быть совершенно контрпродуктивной. Машине не понять такие тонкие нюансы человеческого языка как сарказм, амбивалентность, деформированные комплименты, пассивная агрессия, диалекты и т. д.

Интересной аналогией является пример автопилотов и проводных систем полета. Они существуют уже более двух десятилетий, но никогда не заменяли людей в кабине полностью, хотя в симуляционных тестах для пилотов они превосходят человека.

Дроны (теоретически автопилотные) также контролируются пилотом-человеком.

Концепция полной автоматизации неуместна. Потери рабочих мест - это прежде всего программа реструктуризации / переподготовки / перестройки навыков. Это не результат автоматизации и может стать востребованной постепенно.

Узкие места в адаптации обработки естественного языка к HR

Сложно найти профессионалов, узко специализирующихся на продвинутых процессах NLP для HR. Большинство из них являются специалистами в области текстовой аналитики и не имеют глубокого понимания конкретных задач, связанных с персоналом. OrganizationView - хороший пример одного из узких специалистов в обозначенной области, и есть еще несколько.

Другими ключевыми областями являются безопасность / защита данных HR, доступность данных, качество, интеграция API. Программы взаимодействия и сотрудничества между HR и IT также имеют возможности для улучшения в этой области.

В последнее время были сделаны большие успехи в отношении применения NLP в других сферах. Например, NLP позволяет поставщикам услуг обрабатывать огромные объемы данных и делать прогнозы относительно оценок банкротств и контрактов в юридическом секторе. Написание скриптов в развлекательном бизнесе в корне изменилось с использованием NLP, а теперь настало время для применения его в HR.

Определенные подходы в NLP, имеющие отношение к HR:

Действующие HR должны взять на себя лидирующие и смежные области применения в своих собственных организациях. Влияние NLP на HR, вероятно, будет зависеть от доступности данных, безопасности, интеграции, политики компании или других конкретных организационных требований.

В целом существует три аспекта применения NLP к персоналу:

1. Типы общих идей для обработки естественного языка (в контексте применения в HR)

• Анализ настроений и чувств HR-документов
• Глубокое извлечение информации из HR-документов
• Классификация / ранжирование HR-документов в соответствии с бизнес-спецификациями
• Автоматизированное суммирование HR-документов (изучение темы)
• Установление гипотезы HR и совершенствование процесса (часть предписывающей аналитики)

2. Области применения обработки естественного языка (в контексте применения в HR)

• Классификация и оценка Заявлений/Резюме
• Оценка и анализ обратной связи на 360 градусов
• Анализ опросов и отзывов
• Обучающие тренинги, планирование карьеры
• Анализ содержания социальных сетей сотрудников
• Информация о документально подтвержденных юридических делах/исках
• Дизайн и инсайты о консультировании сотрудников
• NLP практически любых неструктурированных данных в рамках HR, включая транскрибируемые данные.

3. Обзор различных методологий NLP, используемых поставщиками (в контексте применения в HR)

● Статистическая маркировка

Статистическая маркировка предлагает информацию с разных уровней детализации, начиная с базовой классификации текста, анализа настроений до глубокого извлечения информации и моделирования темы / автоматического суммирования. Некоторые из популярных подходов к обнаружению информации / темам - это условные случайные поля, скрытые марковские модели и LDA.

● Символическая маркировка

Знакомство HR с базовым поиском ключевых слов Boolean для определения подходящих резюме - очень хороший пример символической маркировки. Но сегодня модели NLP, такие как вложенные, итеративные и условные «регулярные выражения», могут точно настраивать поиск символических тегов на самые глубокие возможные уровни детализации.

Комбинированный подход статистической и символической маркировки часто упоминается как «модель условных правил» в контексте NLP. Индивидуальные комбинации «моделей условных правил» обычно разрабатываются с помощью комплексного когортного анализа в сотрудничестве с HR.

Это также может помочь установить основанную на фактических данных HR гипотезу и эффективно продвигать инициативы в области управления персоналом в организационное руководство.

Пример применения НЛП в ключевом HR-процессе - найме

Основной подход к НЛП остается более или менее одинаковым для всех типов неструктурированных данных. Впрочем, ради более понятного примера для HR возьмем резюме, получающее определенное количество баллов по шкале «Найм» в условиях больших неструктурированных данных.

В сфере HR НЛП может помочь в классификации резюме, ранжировании, извлечение глубинной информации, идентификации и полу-автоматизации процесса приема. А подробнее:

• Классифицировать и ранжировать резюме по своей основной квалификации, опыта или каких-либо других приоры. Как желаемые навыки и профессиональный опыт.
• Классифицировать резюме по их стили форматирования. Как Хронологический, хронологическом, гибрид, навыков и квалификации на основе функциональных форматов на основе.
• Определение основных разделах резюме (тема модель основывается на приоритете по кадрам)
• Выявления пробелов в профессиональных/ академических записей в резюме
• Выявление потенциального мошенничества/ неверной информации и аномалии в резюме
• Глубокое извлечение информации из резюме. Например, сочетание профессиональных навыков/ образования + рейтинги вузов + профессиональный опыт + окружение и контекст + международное задания/ мест + премий и наград + рекомендации/ профессиональная сеть ) через соединение “условные правила моделей”

Однако, степень точности может отличаться в зависимости от задачи.

В системах, где применяются полу-структурированный сбор данных (например через заявки, поступающие через онлайн-форму), NLP может выступать в сочетании со структурированием данных (SQL) для повышения качества и точности анализа.

Полу-автоматизация также могут быть применена к моделям NLP , позволяя

• Делать  периодическое и автоматизированное оценивание данных через базовые задания и базы данных (процедуры/триггеры/функции)
• Автоматизированной проверки и классификации данных
• Автоматического отправления электронных писем кандидатам (например, для дополнительного тестирования или вызова на интервью) , а также для отправления отчетов для команды HR.

Все это могло бы снизить стоимость работы рекрутера и добавить точности в отборе кандидата. NLP подход может с большой вероятностью найти лучшего кандидата, избегая человеческих ошибок. 

Типичные услуги, предлагаемые NLP

NLP обычно предлагают комбинацию из услуг, упомянутых выше, в том числе суммирование, тематического моделирования и создание моделей.

Однако, инновационный маркетинг и различные схемы продвижения могут создать впечатление, что есть методы в NLP различны у разных производителей – даже если они принципиально одинаковы.

Поэтому важно, чтобы отдел HR, чтобы был в состоянии различить предложения NLP и мог выбрать подходящие для конкретных бизнес-требований и ограничений

NLP может осуществляться через API сервисы/ интеграцию  с базами данных или автономных путей к клиентам (на базе Windows). Статические системы периодической отчетности могут также улучшить работу NLP. 

Будущее…

HR является основным претендентом на принятие NLP-технологий, так как HR сфера изначально ориентирована на людей и общение. Таким образом, бизнес-процессы в области HR генерируют огромные объемы данных, связанных с естественным языком.

Это дает возможность для HR. Это также позволяет персоналу  более разумно воздействовать на организацию.