Hispanopedia Wiki
Articulo de referencia

Generación de lenguaje natural

La generación de lenguaje natural ( GLN ) es un proceso de software que produce texto en lenguaje natural . Un estudio ampliamente citado sobre métodos de GLN describe la GLN co...

Hispanopedia WikiContenido en espanolLectura gratuita

La generación de lenguaje natural ( GLN ) es un proceso de software que produce texto en lenguaje natural . Un estudio ampliamente citado sobre métodos de GLN describe la GLN como "el subcampo de la inteligencia artificial y la lingüística computacional que se ocupa de la construcción de sistemas informáticos capaces de producir textos comprensibles en inglés u otros idiomas humanos a partir de alguna representación subyacente no lingüística de la información". [ 1 ]

Aunque existe un amplio consenso en que el resultado de cualquier proceso de NLG es texto, hay cierto desacuerdo sobre si las entradas de un sistema NLG deben ser no lingüísticas. [ 2 ] Las aplicaciones comunes de los métodos NLG incluyen la producción de diversos informes, por ejemplo, informes meteorológicos [ 3 ] e informes de pacientes; [ 4 ] subtítulos de imágenes; [ 5 ] y chatbots como ChatGPT .

La generación automática de lenguaje natural (GLN) puede compararse con el proceso que utilizan los humanos para convertir ideas en texto escrito o hablado. Los psicolingüistas prefieren el término producción del lenguaje para este proceso, que también puede describirse en términos matemáticos o modelarse en una computadora para la investigación psicológica. Los sistemas de GLN también pueden compararse con los traductores de lenguajes de programación artificiales, como los descompiladores o transpiladores , que también generan código legible a partir de una representación intermedia . Los lenguajes humanos tienden a ser considerablemente más complejos y permiten mucha más ambigüedad y variedad de expresión que los lenguajes de programación, lo que hace que la GLN sea más compleja.

La generación de lenguaje natural ( GLN) puede considerarse complementaria a la comprensión del lenguaje natural (CLN): mientras que en la CLN el sistema necesita desambiguar la oración de entrada para producir la representación en lenguaje de máquina, en la GLN el sistema necesita tomar decisiones sobre cómo expresar una representación con palabras. Las consideraciones prácticas para construir sistemas de CLN y GLN no son simétricas. La CLN necesita lidiar con entradas de usuario ambiguas o erróneas, mientras que las ideas que el sistema quiere expresar mediante GLN generalmente se conocen con precisión. La GLN necesita elegir una representación textual específica y coherente entre muchas representaciones potenciales, mientras que la CLN generalmente intenta producir una única representación normalizada de la idea expresada. [ 6 ]

La GNL existe desde que se desarrolló ELIZA a mediados de la década de 1960, pero los métodos se utilizaron comercialmente por primera vez en la década de 1990. [ 7 ] Las técnicas de GNL abarcan desde sistemas simples basados ​​en plantillas, como la combinación de correspondencia que genera cartas modelo , hasta sistemas con una comprensión compleja de la gramática humana. La GNL también puede lograrse entrenando un modelo estadístico mediante aprendizaje automático , generalmente con un gran corpus de textos escritos por humanos. [ 8 ]

Ejemplo

El sistema de pronóstico de polen para Escocia [ 9 ] es un ejemplo sencillo de un sistema NLG simple que podría basarse en una plantilla. Este sistema toma como entrada seis números que proporcionan los niveles de polen previstos en diferentes partes de Escocia. A partir de estos números, el sistema genera un breve resumen textual de los niveles de polen como resultado.

Por ejemplo, utilizando los datos históricos del 1 de julio de 2005, el software produce:

Los niveles de polen de gramíneas para el viernes han aumentado desde los niveles moderados a altos de ayer, con valores de alrededor de 6 a 7 en la mayor parte del país. Sin embargo, en las zonas del norte, los niveles de polen serán moderados, con valores de 4.

En cambio, el pronóstico real (escrito por un meteorólogo humano) a partir de estos datos fue:

Se prevé que los niveles de polen se mantengan altos, en el nivel 6, en la mayor parte de Escocia, e incluso en el nivel 7 en el sureste. El único respiro se encuentra en las Islas del Norte y en el extremo noreste de la Escocia continental, donde los niveles de polen son moderados.

La comparación de estos dos sistemas ilustra algunas de las decisiones que deben tomar los sistemas de generación de lenguaje natural (GLN); estas decisiones se analizan con más detalle a continuación.

Etapas

El proceso para generar texto puede ser tan simple como mantener una lista de texto predefinido que se copia y pega, posiblemente enlazado con algún texto de unión. Los resultados pueden ser satisfactorios en dominios sencillos como máquinas de horóscopos o generadores de cartas comerciales personalizadas. Sin embargo, un sistema de generación de lenguaje natural (GLN) sofisticado necesita incluir etapas de planificación y fusión de información para permitir la generación de texto que parezca natural y no se vuelva repetitivo. Las etapas típicas de la generación de lenguaje natural, según lo propuesto por Dale y Reiter, [ 6 ] son:

Determinación del contenido
Decidir qué información mencionar en el texto. Por ejemplo, en el ejemplo del polen anterior, decidir si mencionar explícitamente que el nivel de polen es 7 en el sureste.
Estructuración de documentos
Organización general de la información a transmitir. Por ejemplo, decidir describir primero las zonas con altos niveles de polen, en lugar de las zonas con bajos niveles de polen.
Agregación
Combinar oraciones similares para mejorar la legibilidad y la naturalidad. Por ejemplo, combinar las oraciones "Los niveles de polen de gramíneas para el viernes han aumentado de los niveles moderados a altos de ayer." y "Los niveles de polen de gramíneas estarán alrededor de 6 a 7 en la mayor parte del país." en una sola oración: "Los niveles de polen de gramíneas para el viernes han aumentado de los niveles moderados a altos de ayer con valores de alrededor de 6 a 7 en la mayor parte del país."
Elección léxica
Ponerle palabras a los conceptos. Por ejemplo, decidir si se debe usar "medio" o "moderado" al describir un nivel de polen de 4.
Generación de expresiones de referencia
Crear expresiones referenciales que identifiquen objetos y regiones. Por ejemplo, decidir usar « en las Islas del Norte y el extremo noreste de Escocia continental» para referirse a una región específica de Escocia. Esta tarea también incluye tomar decisiones sobre pronombres y otros tipos de anáfora .
Realización
Crear el texto propiamente dicho, que debe ser correcto según las reglas de sintaxis , morfología y ortografía . Por ejemplo, usar " will be" para el futuro del verbo " to be" .

Un enfoque alternativo para la NLG es utilizar el aprendizaje automático "de extremo a extremo" para construir un sistema, sin tener etapas separadas como las anteriores. [ 10 ] En otras palabras, construimos un sistema NLG entrenando un algoritmo de aprendizaje automático (a menudo una LSTM ) en un gran conjunto de datos de entrada y textos de salida correspondientes (escritos por humanos). El enfoque de extremo a extremo ha tenido quizás más éxito en la generación de subtítulos para imágenes , [ 11 ] que consiste en generar automáticamente un subtítulo textual para una imagen.

Aplicaciones

Generación automática de informes

Desde una perspectiva comercial, las aplicaciones de NLG más exitosas han sido los sistemas de conversión de datos a texto , que generan resúmenes textuales de bases de datos y conjuntos de datos; estos sistemas suelen realizar tanto análisis de datos como generación de texto. Las investigaciones han demostrado que los resúmenes textuales pueden ser más efectivos que los gráficos y otras representaciones visuales para el apoyo a la toma de decisiones, [ 12 ] [ 13 ] [ 14 ] y que los textos generados por computadora pueden ser superiores (desde la perspectiva del lector) a los textos escritos por humanos. [ 15 ]

Los primeros sistemas comerciales de conversión de datos a texto generaron pronósticos meteorológicos a partir de datos meteorológicos. El primer sistema de este tipo en implementarse fue FoG, [ 3 ] utilizado por Environment Canada para generar pronósticos meteorológicos en francés e inglés a principios de la década de 1990. El éxito de FoG impulsó otros trabajos, tanto de investigación como comerciales. Entre las aplicaciones recientes se incluye el pronóstico con texto mejorado de la Oficina Meteorológica del Reino Unido . [ 16 ]

Los sistemas de conversión de datos a texto se han aplicado desde entonces en diversos entornos. Tras el pequeño terremoto cerca de Beverly Hills, California, el 17 de marzo de 2014, Los Angeles Times informó detalles sobre la hora, la ubicación y la magnitud del sismo en los 3 minutos posteriores al evento. Este informe fue generado automáticamente por un «roboperiodista», que convirtió los datos entrantes en texto mediante una plantilla predefinida. [ 17 ] [ 18 ] Actualmente existe un considerable interés comercial en el uso de NLG para resumir datos financieros y empresariales. De hecho, Gartner ha afirmado que NLG se convertirá en una característica estándar del 90 % de las plataformas modernas de BI y análisis. [ 19 ] NLG también se está utilizando comercialmente en periodismo automatizado , chatbots , generación de descripciones de productos para sitios de comercio electrónico, resumen de historiales médicos, [ 20 ] [ 4 ] y mejora de la accesibilidad (por ejemplo, describiendo gráficos y conjuntos de datos a personas ciegas [ 21 ] ).

Un ejemplo de uso interactivo de la generación de lenguaje natural (GLN) es el marco WYSIWYM . Sus siglas significan " Lo que ves es lo que quisiste decir" y permiten a los usuarios ver y manipular la vista que se genera continuamente (salida de la GLN) de un documento subyacente en lenguaje formal (entrada de la GLN), editando así el lenguaje formal sin necesidad de aprenderlo.

De cara al futuro, el progreso actual en la generación de texto a partir de datos abre la puerta a la personalización de textos para audiencias específicas. Por ejemplo, los datos de bebés en cuidados neonatales pueden transformarse en texto de forma diferente en un entorno clínico, con distintos niveles de detalle técnico y lenguaje explicativo, según el destinatario (médico, enfermero, paciente). La misma idea puede aplicarse en el ámbito deportivo, generando informes diferentes para los aficionados de equipos específicos. [ 22 ]

Subtítulos de imágenes

En los últimos años, ha aumentado el interés por generar automáticamente subtítulos para imágenes, como parte de un esfuerzo más amplio por investigar la interacción entre la visión y el lenguaje. Un ejemplo de generación de texto a partir de datos, el algoritmo de subtitulado de imágenes (o descripción automática de imágenes) consiste en tomar una imagen, analizar su contenido visual y generar una descripción textual (generalmente una oración) que verbalice los aspectos más destacados de la imagen.

Un sistema de subtitulado de imágenes consta de dos subtareas. En el análisis de imágenes, se detectan y etiquetan las características y atributos de una imagen, antes de mapear estos resultados a estructuras lingüísticas. Investigaciones recientes utilizan enfoques de aprendizaje profundo a través de características de una red neuronal convolucional preentrenada como AlexNet, VGG o Caffe, donde los generadores de subtítulos utilizan una capa de activación de la red preentrenada como sus características de entrada. La generación de texto, la segunda tarea, se realiza utilizando una amplia gama de técnicas. Por ejemplo, en el sistema Midge, las imágenes de entrada se representan como tripletas que consisten en detecciones de objetos/cosas, detecciones de acciones/ poses y relaciones espaciales. Estas se mapean posteriormente a tripletas <sustantivo, verbo, preposición> y se realizan utilizando una gramática de sustitución de árboles. [ 22 ]

Un método común en la generación de subtítulos para imágenes consiste en utilizar un modelo de visión (como una ResNet ) para codificar una imagen en un vector y, posteriormente, utilizar un modelo de lenguaje (como una RNN ) para decodificar el vector en un subtítulo. [ 23 ] [ 24 ]

A pesar de los avances, persisten desafíos y oportunidades en la investigación sobre captura de imágenes. Si bien la reciente introducción de Flickr30K, MS COCO y otros conjuntos de datos extensos han permitido el entrenamiento de modelos más complejos, como las redes neuronales, se ha argumentado que la investigación en la generación de subtítulos para imágenes podría beneficiarse de conjuntos de datos más amplios y diversificados. El diseño de medidas automáticas que puedan imitar los juicios humanos al evaluar la idoneidad de las descripciones de imágenes es otra necesidad en este campo. Otros desafíos abiertos incluyen la respuesta visual a preguntas (VQA) [ 25 ] , así como la construcción y evaluación de repositorios multilingües para la descripción de imágenes [ 22 ] .

Chatbots

Otro ámbito donde la generación de lenguaje natural (GLN) se ha aplicado ampliamente es en los sistemas de diálogo automatizados , frecuentemente en forma de chatbots. Un chatbot es una aplicación de software que permite mantener conversaciones en línea mediante texto o conversión de texto a voz , en lugar de interactuar directamente con un agente humano. Si bien las técnicas de procesamiento del lenguaje natural (PLN) se utilizan para descifrar la información proporcionada por el usuario, la GLN optimiza la respuesta de los algoritmos del chatbot para facilitar diálogos en tiempo real.

Los primeros sistemas de chatbot, incluido Cleverbot , creado por Rollo Carpenter en 1988 y publicado en 1997, respondían a las preguntas identificando cómo un humano había respondido a la misma pregunta en una base de datos de conversaciones mediante técnicas de recuperación de información (RI). Los sistemas de chatbot modernos se basan principalmente en modelos de aprendizaje automático (AA), como el aprendizaje secuencia a secuencia y el aprendizaje por refuerzo, para generar respuestas en lenguaje natural. También se han explorado modelos híbridos. Por ejemplo, el asistente de compras de Alibaba primero utiliza un enfoque de RI para recuperar los mejores candidatos de la base de conocimiento, y luego utiliza el modelo seq2seq basado en AA para reordenar las respuestas candidatas y generar la respuesta. [ 26 ]

Escritura creativa y humor computacional

La generación creativa de lenguaje mediante NLG se ha planteado como hipótesis desde los inicios del campo. Un pionero reciente en esta área es Phillip Parker, quien ha desarrollado un conjunto de algoritmos capaces de generar automáticamente libros de texto, crucigramas, poemas y libros sobre temas que van desde la encuadernación hasta las cataratas. [ 27 ] La aparición de grandes modelos de lenguaje preentrenados basados ​​en transformadores, como GPT-3, también ha permitido avances significativos, demostrando dichos modelos una notable capacidad para tareas de creación y escritura. [ 28 ]

Un área relacionada de aplicación de la NLG es la producción computacional de humor. JAPE (Joke Analysis and Production Engine) es uno de los primeros sistemas automatizados de producción de humor a gran escala que utiliza un enfoque basado en plantillas codificadas manualmente para crear acertijos con juegos de palabras para niños. HAHAcronym crea reinterpretaciones humorísticas de cualquier acrónimo dado, además de proponer nuevos acrónimos adecuados a partir de algunas palabras clave. [ 29 ]

A pesar de los avances, persisten muchos desafíos en la producción automatizada de contenido creativo y humorístico que rivalice con la producción humana. En un experimento para generar titulares satíricos, los resultados de su mejor modelo basado en BERT se percibieron como graciosos el 9,4 % de las veces (mientras que los titulares reales de The Onion lo fueron el 38,4 %) y un modelo GPT-2 ajustado con titulares satíricos alcanzó el 6,9 %. [ 30 ]   Se ha señalado que dos problemas principales con los sistemas de generación de humor son la falta de conjuntos de datos anotados y la falta de métodos de evaluación formales, [ 29 ] que podrían aplicarse a la generación de otros contenidos creativos. Algunos han argumentado que, en comparación con otras aplicaciones, ha habido una falta de atención a los aspectos creativos de la producción del lenguaje dentro de la GNL. Los investigadores de GNL pueden beneficiarse de conocimientos sobre qué constituye la producción creativa del lenguaje, así como de características estructurales de la narrativa que tienen el potencial de mejorar la producción de GNL incluso en sistemas de datos a texto. [ 22 ]

Evaluación

Al igual que en otros campos científicos, los investigadores de NLG necesitan probar qué tan bien funcionan sus sistemas, módulos y algoritmos. Esto se llama evaluación . Existen tres técnicas básicas para evaluar los sistemas NLG:

  • Evaluación basada en tareas (extrínseca) : se entrega el texto generado a una persona y se evalúa su eficacia para realizar una tarea (o para lograr su objetivo comunicativo). Por ejemplo, un sistema que genera resúmenes de datos médicos puede evaluarse entregando estos resúmenes a médicos y determinando si les ayudan a tomar mejores decisiones. [ 4 ]
  • Valoraciones humanas : entregue el texto generado a una persona y pídale que valore la calidad y la utilidad del mismo.
  • Métricas : compara los textos generados con textos escritos por personas a partir de los mismos datos de entrada, utilizando una métrica automática como BLEU , METEOR , ROUGE y LEPOR .

Un objetivo fundamental es evaluar la utilidad de los sistemas de generación de lenguaje natural (GLN) para ayudar a las personas, lo cual constituye la primera de las técnicas mencionadas. Sin embargo, las evaluaciones basadas en tareas son laboriosas y costosas, y pueden resultar difíciles de llevar a cabo (especialmente si requieren la participación de personas con conocimientos especializados, como médicos). Por lo tanto, al igual que en otras áreas del procesamiento del lenguaje natural (PLN), las evaluaciones basadas en tareas son la excepción, no la norma.

Recientemente, los investigadores están evaluando la correlación entre las calificaciones humanas y las métricas con las evaluaciones basadas en tareas (predicción de las mismas). El trabajo se lleva a cabo en el contexto de los eventos de tareas compartidas Generation Challenges [ 31 ] . Los resultados iniciales sugieren que las calificaciones humanas son mucho mejores que las métricas en este sentido. En otras palabras, las calificaciones humanas suelen predecir la efectividad de la tarea al menos en cierta medida (aunque existen excepciones), mientras que las calificaciones producidas por las métricas a menudo no la predicen bien. Estos resultados son preliminares. En cualquier caso, las calificaciones humanas son la técnica de evaluación más popular en la generación de lenguaje natural (GLN); esto contrasta con la traducción automática , donde las métricas se utilizan ampliamente.

Una IA puede evaluarse según su fidelidad a los datos de entrenamiento o, alternativamente, según su veracidad . Una respuesta que refleja los datos de entrenamiento pero no la realidad es fiel pero no veraz. Una respuesta segura pero infiel es una alucinación . En el procesamiento del lenguaje natural, una alucinación se define a menudo como «contenido generado que carece de sentido o no se ajusta al contenido original proporcionado». [ 32 ]

Véase también

Referencias

  1. ↑ Reiter, Ehud; Dale, Robert (marzo de 1997). "Construcción de sistemas de generación de lenguaje natural aplicado" . Ingeniería del lenguaje natural . 3 (1): 57– 87. doi : 10.1017/S1351324997001502 . ISSN 1469-8110 . S2CID 8460470 .  
  2. ↑ Gatt A, Krahmer E (2018). "Revisión del estado del arte en la generación de lenguaje natural: tareas principales, aplicaciones y evaluación" . Journal of Artificial Intelligence Research . 61 (61): 65– 170. arXiv : 1703.09902 . doi : 10.1613/jair.5477 . S2CID 16946362 . 
  3. 1 2 Goldberg E, Driedger N, Kittredge R (1994). "Uso del procesamiento del lenguaje natural para producir pronósticos meteorológicos". IEEE Expert . 9 (2): 45– 53. doi : 10.1109/64.294135 . S2CID 9709337 . 
  4. 1 2 3 Portet F, Reiter E, Gatt A, Hunter J, Sripada S, Freer Y, Sykes C (2009). "Generación automática de resúmenes textuales a partir de datos de cuidados intensivos neonatales" (PDF) . Inteligencia Artificial . 173 ( 7–8 ): 789–816 . doi : 10.1016/j.artint.2008.12.002 .
  5. ↑ Farhadi A, Hejrati M, Sadeghi MA, Young P, Rashtchian C, Hockenmaier J, Forsyth D (2010-09-05). Cada imagen cuenta una historia: Generación de oraciones a partir de imágenes (PDF) . Conferencia europea sobre visión por computadora. Berlín, Heidelberg: Springer. pp. 15–29 . doi : 10.1007/978-3-642-15561-1_2 . 
  6. 1 2 Dale, Robert; Reiter, Ehud (2000). Building natural language generation systems . Cambridge, Reino Unido: Cambridge University Press. ISBN 978-0-521-02451-8.
  7. ↑ Ehud Reiter (21 de marzo de 2021). Historia de NLG . Archivado del original el 12 de diciembre de 2021.
  8. ↑ Perera R, Nand P (2017). "Avances recientes en la generación de lenguaje natural: una revisión y clasificación de la literatura empírica". Computing and Informatics . 36 (1): 1– 32. doi : 10.4149/cai_2017_1_1 . hdl : 10292/10691 .
  9. ↑ R Turner, S Sripada, E Reiter, I Davy (2006). Generación de descripciones espaciotemporales en pronósticos de polen. Actas de EACL06
  10. ↑ "Desafío E2E NLG" . Archivado del original el 4 de diciembre de 2022. Consultado el 28 de junio de 2018 .
  11. ↑ "DataLabCup: Leyenda de la imagen" .
  12. ↑ Law A, Freer Y, Hunter J, Logie R, McIntosh N, Quinn J (2005). "Una comparación de presentaciones gráficas y textuales de datos de series temporales para apoyar la toma de decisiones médicas en la unidad de cuidados intensivos neonatales". Journal of Clinical Monitoring and Computing . 19 (3): 183– 94. doi : 10.1007/s10877-005-0879-3 . PMID 16244840. S2CID 5569544 .  
  13. ↑ Gkatzia D, Lemon O, Reiser V (2017). "La generación de datos a texto mejora la toma de decisiones en condiciones de incertidumbre" (PDF) . IEEE Computational Intelligence Magazine . 12 (3): 10– 17. Bibcode : 2017ICIM...12c..10G . doi : 10.1109/MCI.2017.2708998 . S2CID 9544295 . 
  14. ↑ "¿Texto o gráficos?" . 26-12-2016.
  15. ↑ Reiter E, Sripada S, Hunter J, Yu J, Davy I (2005). "Elección de palabras en pronósticos meteorológicos generados por computadora" . Inteligencia Artificial . 167 ( 1–2 ): 137–69 . doi : 10.1016/j.artint.2005.06.006 .
  16. ↑ S Sripada, N Burnett, R Turner, J Mastin, D Evans (2014). Generación de un estudio de caso: NLG satisface la demanda de la industria meteorológica en cuanto a calidad y cantidad de pronósticos meteorológicos textuales. Actas de INLG 2014
  17. ↑ Schwencke, Ken Schwencke Ken; Periodista, A.; Programador, Computadora; en 2014, dejó Los Angeles Times (17-03-2014). "Réplica de terremoto: sismo de 2.7 sacude cerca de Westwood" . Los Angeles Times . Recuperado el 03-06-2022 .{{cite web}}: CS1 maint: nombres numéricos: lista de autores ( enlace )
  18. ↑ Levenson, Eric (17 de marzo de 2014). "Un periodista del LA Times explica cómo un bot escribió su artículo sobre el terremoto por él" . The Atlantic . Consultado el 3 de junio de 2022 .
  19. ↑ "Las redes neuronales y las plataformas modernas de BI harán evolucionar los datos y el análisis" .
  20. ↑ Harris MD (2008). "Construcción de un sistema NLG comercial a gran escala para un EMR" (PDF) . Actas de la Quinta Conferencia Internacional sobre Generación de Lenguaje Natural . págs. 157–60 . 
  21. ↑ "Bienvenido a la página de iGraph-Lite" . www.inf.udec.cl. Archivado del original el 16 de marzo de 2010.
  22. 1 2 3 4 Gatt, Albert; Krahmer, Emiel (2018-01-29). "Revisión del estado del arte en la generación de lenguaje natural: tareas principales, aplicaciones y evaluación". arXiv : 1703.09902 [ cs.CL ].
  23. ↑ Vinyals, Oriol; Toshev, Alexander; Bengio, Samy; Erhan, Dumitru (2015). "Show and Tell: A Neural Image Caption Generator" : 3156– 3164.{{cite journal}}: Para citar una revista se requiere |journal=( ayuda )
  24. ↑ Karpathy, Andrej; Fei-Fei, Li (2015). "Alineaciones visuales-semánticas profundas para generar descripciones de imágenes" : 3128–3137 .{{cite journal}}: Para citar una revista se requiere |journal=( ayuda )
  25. ↑ Kodali, Venkat; Berleant, Daniel (2022). "Avances recientes y rápidos en la arquitectura de respuesta visual a preguntas: una revisión". Actas de la 22.ª Conferencia Internacional IEEE sobre EIT . págs. 133–146 . arXiv : 2203.01322 . 
  26. ↑ Mnasri, Maali (2019-03-21). "Avances recientes en PLN conversacional: Hacia la estandarización de la creación de chatbots". arXiv : 1903.09025 [ cs.CL ].
  27. ↑ "Cómo escribir más de 1 millón de libros" . HuffPost . 11 de febrero de 2013. Consultado el 3 de junio de 2022 .
  28. ↑ "Explorando GPT-3: Escala, capacidades, primeras demostraciones y límites reales" . SanishTech . 12 de marzo de 2021. Archivado del original el 15 de agosto de 2020. Consultado el 11 de octubre de 2025 .
  29. 1 2 Winters, Thomas (30-04-2021). "Que las computadoras aprendan humor no es broma" . Harvard Data Science Review . 3 (2). doi : 10.1162/99608f92.f13a2337 . S2CID 235589737 . 
  30. ↑ Horvitz, Zachary; Do, Nam; Littman, Michael L. (julio de 2020). "Generación de noticias satíricas basadas en el contexto" . Actas del segundo taller sobre procesamiento del lenguaje figurado . En línea: Asociación de Lingüística Computacional: 40–50 . doi : 10.18653/v1/2020.figlang-1.5 . S2CID 220330989 . 
  31. ↑ Desafíos generacionales
  32. ^ Ji, Ziwei; Lee, Nayeon; Frieske, Rita; Yu, Tiezheng; Su, Dan; Xu, Yan; Ishii, Etsuko; Bang, Yejin; Madotto, Andrea; Fung, Pascale (17 de noviembre de 2022). "Encuesta sobre alucinaciones en la generación del lenguaje natural" . Encuestas de Computación ACM . 55 (12) 3571730. arXiv : 2202.03629 . doi : 10.1145/3571730 . S2CID 246652372 . 

Lecturas adicionales

  • Dale, Robert; Reiter, Ehud (2000). Building natural language generation systems . Cambridge, Reino Unido: Cambridge University Press. ISBN 978-0-521-02451-8.
  • Evans, Roger; Piwek, Paul; Cahill, Lynne (2002). ¿Qué es NLG? INLG2002. Nueva York, EE. UU.papel
  • Gatt, Albert; Krahmer, Emiel (2018). "Revisión del estado del arte en la generación de lenguaje natural: tareas principales, aplicaciones y evaluación" . Journal of Artificial Intelligence Research . 61 : 65–170 . arXiv : 1703.09902 . doi : 10.1613/jair.5477 . S2CID 16946362 . 
  • Reiter, Ehud (16 de enero de 2018). "¿Cómo aprendo sobre NLG?" .
Lecturas relacionadas
6 articulos
Lenguaje naturalEn neuropsicología , lingüística y filosofía del lenguaje , una lengua natural o lengua ordinaria es cualquier lengua que se produce de forma natur...Robot conversacionalUn asistente virtual conversacional El chatbot ELIZA de 1966 Un chatbot (originalmente chatterbot ) [1] es una aplicación de software o interfaz we...ChatGPTChatGPTChatGPT es un chatbot de inteligencia artificial generativa [2] [3] desarrollado por OpenAI . Lanzado en 2022 basado en el modelo de lenguaje grand...Logotipo de Wikimedia CommonsPsicolingüísticaLa psicolingüística o psicología del lenguaje es el estudio de la interrelación entre los factores lingüísticos y otros aspectos de la mente y el c...Producción del lenguajeLa producción del lenguaje es la producción del lenguaje hablado o escrito. En psicolingüística , describe todas las etapas entre tener un concepto...Traductor (informática)Traductor (informática)Un traductor o procesador de lenguaje de programación es un programa informático que convierte las instrucciones de programación escritas en forma ...