Fonte: imagem produzida pelo Flow, com prompts do redator.
Redator: Heitor Augusto Colli Trebien
Quais são os paradigmas do processamento de linguagem natural?
Paradigma simbólico
Segundo Caseli e Volpe (2024), até a década de 1980 o processamento de língua (ou linguagem) natural (PLN) seguia o paradigma simbólico, no qual o conhecimento da língua era descrito de forma explícita por meio de regras, léxicos e modelos lógicos criados por especialistas.
Nesse modelo, as máquinas seguiam regras definidas por humanos, como as de concordância gramatical entre substantivos e adjetivos.
Paradigma estatístico
A partir dos anos 1990, com o aumento da capacidade de memória e processamento dos computadores, surgiu o paradigma estatístico. Nesse novo modelo, as máquinas passaram a aprender a língua analisando grandes conjuntos de textos, chamados de corpus.
Em vez de regras fixas, elas utilizam probabilidades baseadas na frequência com que palavras e estruturas aparecem nos textos. Esses modelos estatísticos permitem realizar tarefas como classificação, resumo, tradução e geração de textos.
A tradução automática foi a aplicação que mais destacou esse paradigma, que predominou até a década de 2010.
Paradigma neural
Com o avanço contínuo da tecnologia, as máquinas passaram a ter ainda mais capacidade de memória e processamento, o que permitiu o uso de estruturas muito complexas, como as Redes Neurais Profundas (deep learning). Atualmente, esse paradigma neural é o mais utilizado nas tarefas de processamento de língua natural (PLN).
Assim como no paradigma estatístico, as redes neurais aprendem a partir de grandes volumes de dados (corpora). No entanto, o processo de aprendizagem é diferente, pois ocorre por meio de várias camadas de processamento que identificam padrões na língua.
Ao contrário dos métodos tradicionais de aprendizado de máquina, nos quais o funcionamento do aprendizado é mais explícito, no deep learning não é possível compreender exatamente como o modelo chegou a determinado resultado.
Além disso, nesse paradigma, o conhecimento linguístico não é representado por regras ou símbolos, mas por valores numéricos. Isso torna o funcionamento interno do modelo difícil de interpretar, fazendo com que o código seja considerado opaco e seus resultados nem sempre previsíveis.
Paradigma híbrido
Para tentar solucionar as dificuldades que o paradigma neural trouxe, Caseli e Volpe mencionaram a adoção de paradigmas híbridos. A proposta desse método de PLN é integrar os anteriores: o simbólico, o estatístico e o neural.
Como nenhuma dessas abordagens, isoladamente, é suficiente para resolver todos os problemas, surgem os paradigmas híbridos, que combinam principalmente o modelo simbólico com outros paradigmas.
Essa combinação permite maior explicitação do conhecimento e torna mais compreensíveis os caminhos seguidos pelos algoritmos.
Além de estar ligado à Inteligência Artificial, o PLN se relaciona com diversas áreas de pesquisa e atuação profissional, como mineração de textos, recuperação de informação e ciência de dados.
Atualmente, quase todas as aplicações computacionais que trabalham com textos utilizam, em algum nível, técnicas de PLN.
Considerações importantes acerca das abordagens
As abordagens utilizadas no Processamento de Língua Natural (PLN) são variadas e vão desde o paradigma simbólico, mais tradicional, até os paradigmas estatístico e neural, que surgiram com os avanços tecnológicos.
Cada uma dessas abordagens apresenta vantagens e limitações, e a escolha da estratégia mais adequada depende de diferentes fatores, como a necessidade de especialistas para criar regras (no paradigma simbólico), o poder computacional disponível (especialmente importante no paradigma neural) e a existência de grandes volumes de dados linguísticos (essenciais para abordagens baseadas em corpus).
Grande parte das estratégias de PLN trabalha com caracteres e padrões de ocorrência, e não com unidades linguísticas ou significados propriamente ditos. Esses modelos aprendem a partir da coocorrência de palavras e contextos nos textos, mas não compreendem o sentido das palavras.
Por exemplo, um modelo neural não entende que a palavra “casa” se refere ao local onde alguém mora; ele apenas reconhece padrões de uso. Assim, pode-se dizer que a maioria das aplicações de PLN não aprende a língua em si, mas reproduz e generaliza padrões observados nos dados de treinamento.
Embora haja grande investimento no desenvolvimento de algoritmos de aprendizado de máquina e arquiteturas neurais, ainda existe pouca atenção aos modelos de representação semântica.
A linguagem natural é extremamente complexa e não pode ser plenamente compreendida apenas por meio de frequências e padrões estatísticos. Por isso, nenhum método atual consegue capturar completamente o conhecimento linguístico.
Dessa forma, o avanço do PLN depende do desenvolvimento de abordagens híbridas, que integrem métodos estatísticos e neurais com estruturas semânticas explícitas, tornando o processamento da língua mais completo e robusto.
Referência
CASELI, H. M.; VOLPE, M. G. (org.). Processamento de Linguagem Natural: Conceitos, Técnicas e Aplicações em Português– 2a. Edição. São Carlos: BPLN, 2024. Disponível em: https://brasileiraspln.com/livro-pln/2a-edicao.