Supongo que se pregunta por qué necesitamos usar otros lenguajes como prolog o Java u otros lenguajes de programación al escribir algoritmos de inteligencia artificial o al hacer que los sistemas informáticos realicen tareas de inteligencia artificial (por ejemplo, interactuar con un sistema de inteligencia artificial existente).
La razón principal se debe a la complejidad y la ambigüedad del lenguaje natural: el lenguaje natural es lo suficientemente difícil para que los humanos comprendan exactamente lo que significa. Como puede imaginar, es aún más difícil para los sistemas informáticos. Para las computadoras “lenguaje natural” es fijo, instrucciones inequívocas. Para algunos detalles ver:
3.1 Problemas con los lenguajes naturales.
Sobre la necedad de la “programación del lenguaje natural”. (EWD 667)
Dicho esto, la comprensión y la programación del lenguaje natural son áreas activas de investigación y ha habido mucho progreso y sistemas que han dado pasos para poder comprender el lenguaje natural y llevar a cabo tareas de IA u otros programas a partir de las instrucciones del lenguaje natural. En particular, puede echar un vistazo a Watson y Wolfram-Alpha:
- ¿Es el alojamiento web lo mismo que el alojamiento en la nube de cloud computing?
- ¿Cómo funcionaba la computadora de guía Apollo con tan poco poder de procesamiento?
- ¿El trabajo humano se vuelve menos efectivo cada día en relación con la inteligencia artificial?
- ¿Cómo se ven otros lenguajes humanos en la abstracción visual (en binario)?
- ¿Qué campos de la informática están dedicados a mejorar la vida humana? ¿De qué maneras se utilizan para abordar los grandes problemas de nuestro mundo como la pobreza, el hambre y las enfermedades?
Watson (computadora)
¿Qué es IBM Watson?
Saluda a IBM Watson
La programación con lenguaje natural realmente va a funcionar
Programación en lenguaje natural
Muchos algoritmos y técnicas ayudan a comprender o traducir el lenguaje natural a algo con lo que una computadora podría trabajar, la mayoría requiere algún tipo de procesamiento previo de texto, por ejemplo, tokenizarlo y convertir tokens en números de índice (incluso los enfoques de “aprendizaje profundo” requieren pre -procesamiento, la mayoría incluso lo lleva más lejos y convierte los términos en vectores o la colección de términos en un vector de frecuencia de términos).
Algunos ejemplos de enfoques de modelado de lenguaje común:
Modelo de bolsa de palabras
n-gramo
Modelo de tema
Modelos de lenguaje de red neuronal (“aprendizaje profundo”)