Fotografie de ROMAN ODINTSOV
 

Imaginează-ți o lume în care mașinile sunt capabile să înțeleagă ce spui și cum te simți; unde poți vorbi cu un computer și acesta va răspunde; și unde tehnologia poate cerceta textul și îl poate rezuma pentru tine. Așteptaţi un minut. Nu trebuie să vă imaginați nimic – este o realitate astăzi, odată cu adoptarea NLP.

Ca un subdomeniu al AI, procesarea limbajului natural (NLP) a apărut ca o descoperire în tehnologie, permițând computerelor să comunice folosind limbajul uman. Este dimensiunea pieței a fost evaluată la 18.9 miliarde de dolari în 2023 și este de așteptat să crească la 68 de miliarde de dolari până în 2028. Nimic nu este surprinzător în acest sens, în ceea ce privește diversele aplicații ale NLP în lumea modernă, de la chatbot la traducerea automată și analiza documentelor.

În această postare, discutăm despre impactul transformator al NLP asupra afacerilor, cazurile sale de utilizare și exemplele din lumea reală pe industrie. Atingem, de asemenea, pe scurt beneficiile procesării limbajului natural, provocările sale și oportunitățile viitoare pe care ni le aduce.

NLP este o combinație de tehnici lingvistice, statistice și de învățare automată (ML) care permit procesarea unor cantități masive de date. Acest lucru permite computerelor să înțeleagă nuanțele din limbajul uman, să înțeleagă contextul și să răspundă la acesta într-un mod semnificativ. Cu alte cuvinte, algoritmii NLP urmăresc să unească comunicarea umană cu AI.

Dar acest lucru nu a fost întotdeauna cazul. Infograficul de mai jos acoperă evoluția NLP-ului de-a lungul timpului până când a atins potențialul actual. Factorii cheie pentru adoptarea NLP au fost îmbunătățirile puterii de calcul, progresele în AI și învățarea automată și disponibilitatea datelor. Acesta din urmă a apărut în mare parte din cauza cloud-ului, care a oferit o scalabilitate mai bună și costuri mai mici pentru stocarea și procesarea datelor.

Evoluția NLP
 

Evoluția NLP a fost, de asemenea, o tranziție de la sisteme bazate pe reguli la algoritmi ML, care pot învăța să „înțeleagă” limbajul. Într-o abordare bazată pe reguli, un expert codifică manual fiecare regulă în NLP. De aceea, aceste sisteme sunt mai statice și mai neadaptabile în comparație cu învățarea automată.

Explorând în continuare natura NLP, ar trebui să menționăm obiectivele sale fundamentale de a înțelege și interacționa cu limbajul uman. În consecință, distingem între:

• Înțelegerea limbajului natural (NLU), care se preocupă de extragerea sensului. Ajută la înțelegerea complexităților și nuanțelor limbajului scris și vorbit, abordând ambiguitățile și variațiile contextuale. De exemplu, NLU este util pentru a face diferența între accente sau pentru a înțelege argoul.
• Natural Language Generation (NLG), care se ocupă cu producerea de răspunsuri asemănătoare oamenilor din date. Folosind metode statistice și modele lingvistice pentru a analiza volume mari de date, NLG ajută la „răspunde” la interogările utilizatorilor într-o manieră conversațională. De asemenea, se ocupă de rezumarea textului, traducerea automată și crearea de conținut.

Înțelegerea limbajului natural vs. Generarea limbajului natural
 

Acum putem sublinia cum funcționează NLP. Practic, sunt 2 pași:

1. Transformarea textului în ceva pe care o mașină poate înțelege
2. Analizarea textului pentru a înțelege cu adevărat contextul și limbajul și pentru a extrage sensul

În același timp, se întâmplă multe sub capota unui sistem de procesare a limbajului natural pentru a permite mașinii să efectueze aceste două acțiuni. Să aruncăm o privire rapidă asupra componentelor cheie NLP pentru a înțelege cum funcționează mai bine:

• Tokenizare: pentru a descompune un text în unități mai mici, cum ar fi cuvinte sau expresii (jetoane), pentru a le procesa în bucăți mai mici și ușor de gestionat
• Analiza sintaxelor: pentru a analiza structurile gramaticale pentru a înțelege corect relațiile sintactice din propoziții
• Etichetarea unei părți de vorbire: pentru a atribui etichete gramaticale (de exemplu, substantiv, verb etc.) cuvintelor dintr-o propoziție pentru a le adăuga la analiza sintactică
• Analiza semantică: pentru a surprinde sensul și contextul din spatele cuvintelor, frazelor și propozițiilor
• Analiza sentimentelor: pentru a determina sentimentul sau emoția exprimată în text ca pozitiv, negativ sau neutru
• Named Entity Recognition (NER): Pentru a identifica și clasifica entitățile, adică nume, organizații, locații etc.
• Modele statistice și ML: pentru a procesa și analiza volume de date. Algoritmii ML supravegheați funcționează cel mai bine pentru sarcini precum clasificarea textului și analiza sentimentelor, în timp ce algoritmii nesupravegheați pentru grupare și modelarea subiectelor.
• Modele de limbaj: Pentru a prezice probabilitatea secvențelor de cuvinte într-un context. Această tehnică este utilizată pe scară largă în sarcinile de completare automată și de generare a limbajului
• Modele de traducere în limbă: pentru a converti textul dintr-o limbă în alta. Modelele avansate, cum ar fi traducerea automată neuronală, pot spori semnificativ acuratețea traducerii.
• Tehnici de generare a limbajului: pentru a genera răspunsuri asemănătoare omului pe baza datelor sau a contextului dat. Această abordare este folosită pentru chatbot, rezumarea textului etc.

Combinația și integrarea acestor componente le permit oamenilor de știință de date să construiască sisteme NLP puternice și să contribuie la rezultate mai bune de comunicare AI.

Procesarea limbajului natural câștigă avânt în toate industriile, iar noi aplicații apar în fiecare an. Mai jos trecem în revistă cele mai frecvente cazuri de utilizare a NLP pentru a descoperi mai multe despre potențialul afacerii dvs. de a transforma comunicarea cu NLP.

Aplicații de top ale NLP

AI conversațional și chatbot

Asistenții virtuali inteligenți și chatboții sunt primii care îți vin în minte atunci când te gândești la NLP. Sistemele AI conversaționale NLP de astăzi sunt suficient de sofisticate pentru a se angaja în dialoguri autentice și adecvate contextului cu utilizatorii.

Asistentii virtuali precum Siri sau Alexa sunt folosiți zilnic, gestionând sarcini minore, cum ar fi setarea mementourilor, efectuarea și primirea apelurilor telefonice și găsirea unde să parcăm. Chatbot-urile bazate pe NLP contribuie la afaceri prin extinderea serviciilor de asistență și îmbunătățirea personalizării.

Priviți mai jos chatbot-ul Lyro dezvoltat de Tidio. Spre deosebire de chatbot-urile obișnuite, Lyro nu necesită nicio pregătire din partea agenților de asistență - compania îl activează și începe să răspundă imediat la întrebările utilizatorilor.

Imagine de la Tydius

Traducere automată

Traducerea automată este al doilea cel mai proeminent caz de utilizare al NLP. Studenții, traducătorii de limbi străine, turiștii și mulți alții nu își pot imagina viața fără Google Translate astăzi. Și, deși traducerea automată a existat cu mult înainte de NLP, ea a adus-o la un nou nivel prin:

• Adăugând mai multă precizie și fluență cu utilizarea transformatoarelor
• Promovarea și facilitarea traducerii limbilor în timp real
• A face posibilă traducerea în funcție de context, care a lăsat metodele tradiționale de traducere cuvânt cu cuvânt în trecut
• Ajută la localizarea conținutului pentru a lua în considerare preferințele culturale și dialectele locale

Pentru a o face mai ilustrativă, iată DeepL, un concurent mai puțin cunoscut al Google Translate. Instrumentul acceptă traducerea în 26 de limbi pentru a ajuta utilizatorii să înlăture barierele lingvistice. Are, de asemenea, integrarea aplicației și un widget de traducere a site-ului web.

Imagine de la deepl

Managementul documentelor

NLP are, de asemenea, capabilități unice de conversie a vorbirii în text care ajută la îmbunătățirea acurateței și eficienței documentației. Lăsând deoparte cazurile de utilizare simpliste, cum ar fi dictarea textului în loc să-l tastați, putem vorbi și despre următoarele:

• Rezumat text: rezumatele automate furnizate de AI sunt utile atunci când trebuie să digerați rapid cantități mari de informații. NLP nu rezumă pur și simplu texte lungi - extragerea cuvintelor cheie și clasarea propozițiilor permit NLP să rezumă un text într-o manieră coerentă prin captarea punctelor cheie.
• Extragerea informațiilor: Printre alte abordări în NLP, NER este eficient în special pentru regăsirea automată a informațiilor și descoperirea cunoștințelor. Acest lucru economisește în mod semnificativ timp și efort pentru ca un cercetător să nu răsfoie o cantitate mare de informații.
• Clasificarea textului: Când vine vorba de volume mari de date textuale, NLP poate ajuta la clasificarea acestora. În timp ce obține datele mai organizate, compania beneficiază și de accesibilitatea îmbunătățită a informațiilor.

Generare de conținut

Datorită capacității sale de a surprinde esența evenimentelor și a datelor, NLP poate genera conținut pe baza informațiilor date. Probabil că toată lumea a auzit deja de Chat GPT și modul în care creează conținut unic și semnificativ cu indicațiile potrivite. Modele ca acesta pot ușura viața creatorilor de conținut, ajutându-i să scrie instrucțiuni despre produse, postări pe rețelele sociale, articole, e-mailuri și altele.

Luați în considerare un exemplu mai puțin obișnuit de instrument de creare de conținut AI decât GPT. OwlyWriter AI poate economisi ore de muncă a agentului de marketing atunci când vine vorba de SMM. De la crearea de subtitrări pentru postări la generarea de idei de conținut până la scrierea de postări, instrumentul îi ajută pe profesioniștii din rețelele sociale să învingă blocajul scriitorului și să lucreze mai eficient.

Imagine de la HootSuite

Recunoaștere a vorbirii

O altă aplicație excelentă a NLP este recunoașterea vorbirii, care permite mașinilor să traducă limba vorbită în text scris. Din nou, asistenții vocali precum Siri sau Google Assistant sunt cele mai iluminatoare exemple în acest caz.

Există încă o mulțime de alte cazuri de utilizare pentru recunoașterea vorbirii, cum ar fi serviciile de transcriere sau dispozitivele controlate prin voce. Amintiți-vă despre caracteristica care permite șoferilor să controleze mașinile în siguranță, fără mâini. De asemenea, dispozitivele inteligente de acasă sunt toate dezvoltate pe baza NLP.

Analiza sentimentelor

Analiza sentimentelor, ca una dintre tehnicile NLP, funcționează cel mai bine pentru a analiza recenziile clienților și sentimentele rețelelor sociale pentru a obține opinii publice despre produs sau serviciu sau pentru a urmări tendințele.

De exemplu, NLP poate ajuta companiile să analizeze feedback-ul clienților despre lansarea recentă a produsului pentru a lua decizii mai informate pentru satisfacția clienților. De asemenea, activează aplicațiile pentru monitorizarea rețelelor sociale, cum ar fi Brandwatch. Acestea monitorizează conținutul rețelelor sociale pentru ca companiile să cunoască opiniile publice și sentimentele față de mărci, să urmărească tendințele și să gestioneze reputația online.

Imagini de Brandwatch

Search Engine Optimization

Motoarele de căutare precum Google folosesc NLP pentru a îmbunătăți acuratețea rezultatelor căutării lor. Această abordare vă ajută să înțelegeți mai bine intenția utilizatorului din spatele interogării și să o potriviți cu cele mai relevante rezultate ale căutării.

Filtrare spam

Un alt domeniu pe care NLP l-a revoluționat include filtrarea spam-ului. Și aici vorbim nu numai despre e-mail, ci și despre alte aplicații. De exemplu, YouTube folosește NLP pentru a filtra datele spam în secțiunea de comentarii a videoclipurilor sale. Folosește un instrument numit TubeSpam, care a fost antrenat folosind clasificatorul Naïve Bayes pentru a filtra spamul.

Lista aplicațiilor NLP este mult mai lungă. Am discutat despre cele mai mari cazuri de utilizare, dar le-am omis pe cele mai mici, cum ar fi funcțiile de corectare automată și completare automată, detectarea fraudelor etc. Pentru a face cercetarea noastră mai completă, să vorbim despre exemple din viața reală a modului în care NLP transformă industriile.

Deși NLP este implementat cu succes în diverse industrii, cea mai mare cotă de piață este în tehnologie, asistență medicală, retail, servicii financiare, asigurări și marketing. Vedeți despre fiecare dintre acestea în detaliu.

Cota de piață globală NLP în funcție de industrie

Serviciu clienți

Chatbot-urile și asistenții virtuali bazați pe NLP au modificat serviciul pentru clienți o dată și pentru totdeauna. Acum, clienții pot obține asistență 24/7, în timp ce agenții beneficiază de un volum de lucru redus. Erica – chatbot-ul creat de Bank of America – oferă sprijin financiar și îndrumări clienților și ajută la navigarea online. NLP îi permite Ericei să învețe preferințele și nevoile utilizatorilor și să ofere recomandări personalizate.

Să ne uităm la exemple specifice de utilizare a NLP în serviciul pentru clienți:

• Asistenți vocali bazați pe NLP pentru a înțelege cererea utilizatorului și a o direcționa către agentul uman potrivit
• Chatbot automatizați pentru sarcini simple, cum ar fi răspunsul la întrebări, verificarea informațiilor, programarea întâlnirilor etc.
• Utilizarea asistenților virtuali pentru interacțiuni hands-free cu dispozitive și servicii
• Analiza feedback-ului clienților și analiza sentimentelor - de exemplu, un chatbot poate începe cu scuze atunci când are de-a face cu un client frustrat

Comerț electronic și retail

Majoritatea site-urilor de comerț electronic de renume astăzi, cum ar fi Amazon, eBay sau Walmart, folosesc căutarea semantică bazată pe NLP, care îmbunătățește vizibilitatea produsului și experiența de căutare. Spre deosebire de cuvintele cheie potrivite, căutarea semantică este mai intuitivă și urmărește să înțeleagă intenția utilizatorului din spatele interogării.

Pe lângă căutarea semantică, NLP are și alte aplicații în retail:

• Analiza sentimentului clienților pentru a înțelege mai multe despre loialitatea mărcii și, în cele din urmă, pentru a consolida marca
• Comerț conversațional cu asistenți vocali
• Recomandări personalizate de produse

Educaţie

În domeniul educației, NLP are cele mai creative cazuri de utilizare. Un exemplu excelent include sistemul de recomandare a cursurilor Coursera, care îi ajută pe utilizatori să găsească cele mai bune cursuri în funcție de interesele lor. Gândiți-vă și la Grammarly, o soluție bazată pe NLP, care vă face scrisul clar și fără erori.

Alte exemple de NLP în educație includ, dar nu se limitează la:

• Sisteme inteligente de instruire
• Generarea de întrebări de examen pe baza manualelor sau a altor materiale de instruire
• Evaluare automată și analiză de feedback
• Software de detectare a plagiatului
• Învățare adaptivă și instruire personalizată și feedback pentru elevi

Finanțe și Banca

Ați primit vreodată un apel de la bancă pentru a vă întreba despre activități suspecte în contul dvs.? Aceste apeluri sunt de obicei declanșate de NLP. Detectarea fraudei este una dintre cele mai mari aplicații ale NLP în finanțe. La un moment dat, Mastercard Decision Intelligence, care a fost dezvoltat special pentru a indica activitatea frauduloasă, a ajutat compania să reduce frauda cu 50%. Verificați singur potențialul de soluție:

https://mastercard-a.akamaihd.net/global-risk/videos/DecisionIntelligenceExternalVideoGLOBALJul19.mp4

Etichetă alternativă: Mastercard Decision Intelligence

Alte două moduri de utilizare a NLP în sectorul financiar includ:

• Analiza sentimentelor pe diverse date text, cum ar fi rapoarte financiare, postări pe rețelele sociale și articole de știri, pentru a prezice prețurile acțiunilor și fluctuațiile pieței și, astfel, pentru a ajuta comercianții și investitorii să ia decizii mai informate
• Extragerea datelor din rapoarte și documente financiare, precum și rezumarea știrilor financiare pentru actualizări rapide

Farmaceutice

Tehnologia NLP este utilă furnizorilor de servicii medicale pentru a rezuma și clasifica note clinice și informații despre pacient. În acest fel, ei pot accesa mai rapid datele și pot păstra documentația organizată. Înregistrările electronice de sănătate au devenit posibile în mare parte datorită procesării limbajului natural.

De asemenea, NLP poate ajuta la transcriere, permițând medicilor să dicteze note și să minimizeze introducerea manuală a datelor. Sistemele clinice NLP pot ajuta cu diagnostice, alcătuirea planului de tratament și recomandări personalizate de terapie. De exemplu, Merative LP folosește algoritmi NLP pentru dezvoltarea planurilor de tratament pentru cancer pentru pacienții săi.

Asigurări

Ca și în finanțe, NLP în asigurări este folosit pentru a identifica daune frauduloase. Analizând diferite tipuri de date, cum ar fi profilurile clienților, comunicarea și rețelele sociale, NLP detectează indicatorii de fraudă și trimite aceste cereri pentru o inspecție suplimentară. The Companie de asigurări din Turcia au îmbunătățit rentabilitatea investiției cu 210% după ce au trecut la sistemul de detectare a fraudelor bazat pe ML.

Cum funcționează un sistem de detectare a fraudei ML
 

Companiile de asigurări pot beneficia și de NLP prin monitorizarea tendințelor din industrie cu ajutorul text mining și a informațiilor de piață. În acest fel, companiile obțin informații despre cum se descurcă concurenții și iau mai multe decizii bazate pe date.

Drept

În sectorul juridic, NLP este cel mai util atunci când vine vorba de lucrul cu documente. Profesioniștii din domeniul juridic pot folosi această tehnologie în revizuirea și analiza contractelor, rezumarea textului, analiza rezultatului cazului etc. Algoritmii NLP ajută avocații și avocații să scaneze o mulțime de texte legale pentru a găsi date, termeni sau clauze specifice.

Luminance folosește NLP pentru a crește eficiența due diligence și revizuirea contractelor. Spre deosebire de GPT mai generalist, modelul a fost instruit pe peste 150 de milioane de documente legale și verificat de experți din industrie. Compania promite utilizatorilor economii de timp de până la 90%. prin procesarea automată a contractelor.

În afară de aceasta, profesioniștii din domeniul juridic aplică NLP în monitorizarea conformității reglementărilor, analiza transcripției de supraveghere și cercetarea juridică.

Producția și lanțul de aprovizionare

Ca peste tot, NLP în producție și lanțul de aprovizionare funcționează cel mai bine pentru a menține datele organizate și pentru a eficientiza comunicarea. De exemplu, poate ajuta la analizarea și filtrarea volumelor de documente de expediere și la rezolvarea provocărilor logistice.

Chatbot-urile pot fi utile pentru a răspunde mai rapid la întrebările clienților sau furnizorilor. Tesla a încorporat chatbot-uri pentru a oferi clienților experiențe excepționale cu mult timp în urmă. Acestea programează conduceri de testare și răspund la întrebări simple despre mașinile Tesla.

Prin integrarea chatbot-urilor cu ERP-ul producătorului sau cu alte sisteme vechi, chatboții pot ajuta, de asemenea, la păstrarea informațiilor într-un singur loc și la îmbunătățirea colaborării între departamente.

Marketing

După cum am menționat, analiza sentimentelor este utilizată pe scară largă în marketing pentru a înțelege opiniile clienților despre mărci. Acest lucru ajută la propunerea de produse sau servicii personalizate clienților și la stimularea procesului decizional. De exemplu, McDonald's folosește NLP pentru a monitoriza plângerile clienților pe rețelele sociale și pentru a instrui angajații să răspundă corect la aceste reclamații.

Cu ajutorul NER, NLP este, de asemenea, valorificat pentru a identifica subiecte în tendințe și informații despre clienți pentru a le utiliza în continuare în materialele de vânzări sau îmbunătățirea designului produselor.

Recrutare

În recrutare, NLP este utilizat pentru selectarea candidaților pentru a îmbunătăți acuratețea și viteza. De exemplu, o platformă de aprovizionare a locurilor de muncă B2B dezvoltată de Intelliarts poate potrivi profilurile candidaților de pe site-urile de căutare de locuri de muncă și de pe site-urile de rețele sociale precum LinkedIn cu descrieri de poziție. În plus, soluția ține de principiile Diversității, Echității și Incluziunii (DEI). La ieșire, clientul primește o aprovizionare simplificată de candidați, dar cu cerințele DEI așa cum s-a intenționat.

Platformă de aprovizionare a locurilor de muncă B2B

În ciuda popularității tot mai mari a NLP în industrii și a progresului său, unele provocări încă există în drumul său spre integrarea în sistemele existente. Iată atât provocările, cât și potențialele soluții pentru acestea:

Provocări vs. Soluții pentru NLP

NLP continuă să se dezvolte, apărând noi soluții pentru a face față provocărilor de mai sus. În același timp, în cercetarea NLP apar noi aplicații și tendințe. Să vedem cele mai recente dezvoltări ale NLP și cum acestea ar putea revoluționa și mai mult interacțiunile om-AI:

• Pre-instruire și transfer de învățare: Modelele pre-instruite precum GPT-3 sau T5 sunt una dintre cele mai importante progrese în NLP astăzi. Și această tendință rămâne cu siguranță datorită rezultatelor sale eficiente, precum și oportunității de a transfera învățarea pentru a adapta cunoștințele învățate de la o sarcină la alte sarcini și domenii.
• NLP multimodal: NLP depășește în cele din urmă textul, iar cercetătorii își încearcă capacitățile în vorbire, videoclipuri și imagini. Multimodalitatea își găsește aplicațiile în diferite domenii, de la subtitrări video la vehicule autonome până la o analiză mai precisă a sentimentelor.
• AI conversațională: Multimodalitatea NLP se afișează, de asemenea, în progresele AI conversaționale, care își propune să facă interacțiunea om-AI mai naturală și intuitivă. Asistenții vocali pentru casele inteligente sunt probabil cei mai interesați pentru cercetători acum.
• NLP multilingv: NLP multilingv și multilingv îi interesează pe cercetători datorită oportunităților sale de a îmbunătăți comunicarea globală, de a crește accesul la informații și diversitatea culturală.
• AI explicabilă și de încredere: cererea de IA explicabilă și de încredere se referă la sporirea încrederii utilizatorilor, a răspunderii și a responsabilității în NLP. Acest lucru este relevant în special pentru domenii sensibile precum sănătatea, educația și dreptul.
• AI etică și responsabilă: cercetătorii urmăresc, de asemenea, să abordeze părtinirile, corectitudinea și preocupările etice în NLP pentru a crea aplicații AI mai responsabile. Un exemplu excelent aici este detectarea deepfake pentru a identifica și semnaliza informațiile video și audio manipulate de AI.

Domenii de cercetare în curs de desfășurare în NLP

Conceptul de NLP a revoluționat interacțiunile om-mașină, remodelând modul în care este accesată informația și are loc comunicarea. Prin integrarea AI cu învățarea profundă, computerele au dobândit capacitatea de a citi texte, de a interpreta vorbirea, de a analiza conversații, de a determina sentimente și multe altele, dovedind puterea NLP în extragerea de informații valoroase din date.

Vedem posibilități infinite de NLP în zilele noastre, de la chatbot și asistenți virtuali la analiza sentimentelor și traducerea limbilor. Acestea au transformat deja multe industrii și au crescut experiența utilizatorilor. Dar cercetarea și dezvoltarea continuă în NLP promit un viitor și mai luminos, marcat de mai multe progrese și tendințe. Acest lucru are potențialul de a face comunicarea mai fluidă și mai incluzivă decât oricând.

Olena Zherebetska este scriitor de conținut la Intelliarts, scriind despre cele mai recente știri și inovații în știința datelor și ML. Are 7 ani de experiență în scris și îi place să aprofundeze atunci când cercetează subiecte tehnologice.

• Distribuție de conținut bazat pe SEO și PR. Amplifică-te astăzi.
• PlatoData.Network Vertical Generative Ai. Împuterniciți-vă. Accesați Aici.
• PlatoAiStream. Web3 Intelligence. Cunoștințe amplificate. Accesați Aici.
• PlatoESG. carbon, CleanTech, Energie, Mediu inconjurator, Solar, Managementul deșeurilor. Accesați Aici.
• PlatoHealth. Biotehnologie și Inteligență pentru studii clinice. Accesați Aici.
• Sursa: https://www.kdnuggets.com/natural-language-processing-bridging-human-communication-with-ai?utm_source=rss&utm_medium=rss&utm_campaign=natural-language-processing-bridging-human-communication-with-ai