Introduzione all'elaborazione del linguaggio naturale (PNL)
L'elaborazione del linguaggio naturale (NLP) è un sottocampo dinamico dell'intelligenza artificiale (IA) che si concentra sull'interazione tra computer e linguaggio umano. In sostanza, l'NLP mira a colmare il divario tra la comunicazione umana e la comprensione dei computer, consentendo alle macchine di interpretare, analizzare e generare il linguaggio umano in modo naturale e intuitivo.
L'NLP combina i punti di forza della linguistica computazionale, dell'apprendimento automatico e del deep learning per elaborare e dare un senso a enormi quantità di dati linguistici. Sfruttando queste tecnologie avanzate, l'NLP consente ai computer di comprendere le sfumature, il contesto e l'intento del linguaggio umano, sia parlato che scritto. Questa capacità è essenziale per un'ampia gamma di applicazioni, dagli assistenti virtuali e chatbot alla traduzione linguistica e all'analisi del sentiment.
L'obiettivo principale dell'elaborazione del linguaggio naturale (PNL) è creare sistemi in grado di interagire in modo fluido con le persone, rendendo la tecnologia più accessibile e reattiva alle nostre esigenze comunicative quotidiane. Con la continua evoluzione della PNL, sta trasformando il modo in cui interagiamo con le macchine, aprendo nuove possibilità per una comunicazione efficiente, efficace e simile a quella umana.
Che cos'è l'elaborazione del linguaggio naturale (PNL)?
L'elaborazione del linguaggio naturale (NLP) è una tecnologia di intelligenza artificiale all'avanguardia che aiuta le macchine a comprendere, interpretare ed elaborare il linguaggio umano, alimentando applicazioni come chatbot, motori di ricerca e assistenti vocali come Alexa e Siri. L'NLP ha origine nel campo dell'informatica ed è strettamente correlata alla scienza dei dati, che fornisce le basi computazionali e analitiche per il suo sviluppo. L'NLP può anche essere utilizzata per tradurre i linguaggi naturali in linguaggi di programmazione, creando un ponte tra la comunicazione umana e il codice.
Uno dei motivi principali per cui sistemi e computer sono stati in grado di imitare con precisione la comunicazione umana è l'abbondante disponibilità di dati sotto forma di audio, testi, dati di conversazione sui social media, video, email e altro ancora. Tuttavia, disporre di dati sufficienti è fondamentale per addestrare efficacemente i modelli di PNL, poiché ampi set di dati etichettati sono necessari per un apprendimento automatico e un riconoscimento vocale accurati. Lo sviluppo di sintassi meticolose ha permesso ai modelli di comprendere con precisione le sfumature della comunicazione umana, tra cui sarcasmo, omonimi, umorismo e altro ancora.
Alcune delle applicazioni più basilari della PNL includono:
- Traduzione in lingua in tempo reale
- Filtri antispam nei servizi di posta elettronica
- Assistenti vocali e chatbot
- Riepilogo del testo
- Funzionalità di correzione automatica
- Analisi del sentiment e altro ancora
Approcci all'elaborazione del linguaggio naturale.
Alcuni degli approcci alla PNL sono:
PNL supervisionata: Addestra modelli su dati etichettati per fare previsioni accurate, come la classificazione delle email.
PNL non supervisionata: Funziona con dati non etichettati per trovare schemi, utile per attività come la modellazione di argomenti.
Comprensione del linguaggio naturale (NLU): Aiuta le macchine a interpretare e comprendere il significato del linguaggio umano.
Generazione del linguaggio naturale (NLG): Crea testi simili a quelli umani, come riassunti di testi o risposte di chatbot. Fai riferimento a più
Dimensioni e crescita del mercato NLP
Il mercato dell'elaborazione del linguaggio naturale (NLP) sta mostrando promesse fenomenali e si prevede che verrà valutato circa 156.80 miliardi di dollari entro il 2030. Questa crescita è a un CAGR annuo del 27.55%.
Inoltre, oltre l'85% delle grandi organizzazioni sta lavorando per adottare la PNL entro il 2025. La crescita sbalorditiva della PNL è alimentata da diverse ragioni come:
- Maggiore incorporazione dell’intelligenza artificiale in prodotti e servizi
- La corsa per fornire la migliore esperienza al cliente
- Esplosione di dati digitali
- La disponibilità di soluzioni basate su cloud a basso costo
- L’adozione delle tecnologie in diversi settori tra cui quello sanitario, manifatturiero, automobilistico e altro ancora
L’adozione e l’implementazione così massiccia della PNL hanno anche un costo, dato che un rapporto di McKinsey ha rivelato che l’automazione della PNL renderebbe obsoleto l’8% dei posti di lavoro. Tuttavia, il rapporto sostiene anche che ciò sarebbe responsabile della creazione del 9% dei nuovi ruoli lavorativi.
Per quanto riguarda l’accuratezza dei risultati, i modelli PNL all’avanguardia hanno riportato un’accuratezza del 97% sul benchmark GLUE.
Come funziona l'elaborazione del linguaggio naturale (NLP)?
I sistemi di elaborazione del linguaggio naturale (NLP) utilizzano algoritmi di apprendimento automatico per analizzare grandi quantità di dati non strutturati ed estrarre informazioni rilevanti. Gli algoritmi vengono addestrati a riconoscere schemi e a trarre inferenze basate su tali schemi. Ecco come funziona:
- Elaborazione del testo: Discutere tecniche come la tokenizzazione, lo stemming e la lemmatizzazione.
- Analisi sintattica: Spiega l'analisi sintattica e grammaticale.
- Analisi semantica: Estrazione del significato della copertina e comprensione del contesto.
Vantaggi dell'elaborazione del linguaggio naturale (NLP)
Maggiore efficienza e precisione della documentazione
Un documento generato dalla PNL riassume accuratamente qualsiasi testo originale che gli esseri umani non possono generare automaticamente. Inoltre, può svolgere attività ripetitive come l'analisi di grandi quantità di dati per migliorare l'efficienza umana.
Possibilità di creare automaticamente un riepilogo di contenuti testuali grandi e complessi
Il linguaggio di elaborazione naturale può essere utilizzato per semplici attività di estrazione di testo come l'estrazione di fatti da documenti, l'analisi delle opinioni o l'identificazione di entità denominate. L'elaborazione naturale può essere utilizzata anche per compiti più complessi, come la comprensione dei comportamenti e delle emozioni umane.
Consente agli assistenti personali come Alexa di interpretare le parole pronunciate
La PNL è utile per gli assistenti personali come Alexa, consentendo all'assistente virtuale di comprendere i comandi vocali. Aiuta anche a trovare rapidamente informazioni rilevanti da database contenenti milioni di documenti in pochi secondi.
Consente l'utilizzo di chatbot per l'assistenza clienti
La NLP può essere utilizzata in chatbot e programmi per computer che utilizzano l'intelligenza artificiale per comunicare con le persone tramite testo o voce. Il chatbot utilizza la NLP per capire cosa sta digitando la persona e rispondere in modo appropriato. Consentono inoltre a un'organizzazione di fornire assistenza clienti 24 ore su 7, XNUMX giorni su XNUMX su più canali.
L'esecuzione dell'analisi del sentimento è più semplice
L'analisi del sentimento è un processo che implica l'analisi di una serie di documenti (come recensioni o tweet) relativi al loro atteggiamento o stato emotivo (ad esempio, gioia, rabbia). L'analisi del sentimento può essere utilizzata per classificare e classificare i post sui social media o altro testo in diverse categorie: positivo, negativo o neutro.
Approfondimenti di analisi avanzate che in precedenza erano fuori portata
La recente proliferazione di sensori e dispositivi connessi a Internet ha portato a un'esplosione del volume e della varietà di dati generati. Di conseguenza, molte organizzazioni sfruttano la NLP per dare un senso ai propri dati per prendere decisioni aziendali migliori.
Sfide con l'elaborazione del linguaggio naturale (NLP)
Errori ortografici
Le lingue naturali sono piene di errori di ortografia, errori di battitura e incongruenze di stile. Ad esempio, la parola "processo" può essere scritta come "processo" o "elaborazione". Il problema è aggravato quando si aggiungono accenti o altri caratteri che non sono nel dizionario.
Differenze linguistiche
Un madrelingua inglese potrebbe dire: "Vado a lavorare domani mattina", mentre un madrelingua italiano direbbe "Domani Mattina vado al lavoro". Anche se queste due frasi significano la stessa cosa, la PNL non capirà quest'ultima a meno che tu non la traduca prima in inglese.
Pregiudizi innati
I linguaggi di elaborazione naturali si basano sulla logica umana e sui set di dati. In alcune situazioni, i sistemi NLP possono eseguire i pregiudizi dei loro programmatori o dei set di dati che utilizzano. A volte può anche interpretare il contesto in modo diverso a causa di pregiudizi innati, portando a risultati imprecisi.
Parole con più significati
La PNL si basa sul presupposto che il linguaggio sia preciso e non ambiguo. In realtà, il linguaggio non è né preciso né univoco. Molte parole hanno più significati e possono essere usate in modi diversi. Ad esempio, quando diciamo "abbaiare", può essere corteccia di cane o corteccia d'albero.
Incertezza e falsi positivi
I falsi positivi si verificano quando la PNL rileva un termine che dovrebbe essere comprensibile ma a cui non è possibile rispondere correttamente. L'obiettivo è creare un sistema di PNL in grado di identificare i suoi limiti e chiarire la confusione utilizzando domande o suggerimenti.
Dati di allenamento
Una delle maggiori sfide con il linguaggio di elaborazione naturale sono i dati di addestramento imprecisi. Più dati di allenamento hai, migliori saranno i tuoi risultati. Se fornisci al sistema dati errati o distorti, o imparerà le cose sbagliate o imparerà in modo inefficiente.
Attività di PNL
"Sta andando alla grande."
Una semplice frase di quattro parole come questa può avere una gamma di significati basata sul contesto, sul sarcasmo, sulle metafore, sull'umorismo o su qualsiasi emozione sottostante utilizzata per trasmetterla.
Sebbene comprendere questa frase nel modo in cui doveva essere sia naturale per noi umani, le macchine non sono in grado di distinguere tra emozioni e sentimenti diversi. È proprio qui che entrano in gioco diverse attività della PNL per semplificare le complicazioni nelle comunicazioni umane e rendere i dati più digeribili, elaborabili e comprensibili per le macchine.
Alcuni compiti principali includono:
Riconoscimento vocale
Ciò comporta la conversione di dati vocali o audio in testo. Questo processo è fondamentale per qualsiasi applicazione di PNL che offra opzioni di comando vocale. Il riconoscimento vocale tiene conto della diversità di pronuncia, dialetti, fretta, disordine, volume, tono e altri fattori per decifrare il messaggio desiderato.
Etichettatura vocale
Similmente a come ci sono state insegnate le basi della grammatica a scuola, questo insegna alle macchine a identificare parti del discorso in frasi come sostantivi, verbi, aggettivi e altro ancora. Ciò insegna anche ai sistemi a capire quando una parola viene utilizzata come verbo e la stessa parola viene utilizzata come sostantivo.
Disambiguazione di Word Sense
Questo è un processo cruciale responsabile della comprensione del vero significato di una frase. Prendendo in prestito il nostro esempio precedente, l’uso dell’analisi semantica in questo compito consente a una macchina di capire se un individuo ha pronunciato “Sta andando alla grande” come commento sarcastico durante una crisi.
Riconoscimento di entità nominate
Quando sono presenti più istanze di sostantivi come nomi, posizione, paese e altro, viene implementato un processo chiamato Riconoscimento di entità denominate. Ciò identifica e classifica le entità in un messaggio o comando e aggiunge valore alla comprensione della macchina.
Risoluzione di co-riferimento
Gli esseri umani sono spesso molto creativi nella comunicazione, ed è per questo che esistono numerose metafore, similitudini, verbi frasali ed espressioni idiomatiche. Tutte le ambiguità che ne derivano vengono chiarite dal compito di risoluzione della correlazione, che consente alle macchine di apprendere che letteralmente non piove a catinelle, ma si riferisce all'intensità della pioggia.
Generazione del linguaggio naturale
Questo compito prevede la generazione di testo di tipo umano a partire dai dati. Potrebbe trattarsi di testo personalizzato in base a slang, gerghi, regioni e altro ancora.
Perché l'elaborazione del linguaggio naturale (NLP) è importante?
I computer sono molto semplici. Non capiscono le lingue umane. Per consentire alle macchine di pensare e comunicare come farebbero gli esseri umani, la PNL è la chiave.
È attraverso questa tecnologia che possiamo consentire ai sistemi di analizzare criticamente i dati e comprendere le differenze nelle lingue, negli slang, nei dialetti, nelle differenze grammaticali, nelle sfumature e altro ancora.
Sebbene si tratti di un approccio rudimentale, il perfezionamento di modelli con abbondanti dati di addestramento ottimizzerà i risultati, consentendo ulteriormente alle aziende di implementarli per diversi scopi, tra cui:
- Scoprire informazioni critiche dai dati interni
- Distribuire l'automazione per semplificare flussi di lavoro, comunicazioni e processi
- Personalizzazione e iper-personalizzazione delle esperienze
- Implementare funzionalità di accessibilità per includere persone diversamente abili negli ecosistemi informatici
- Alimentare l’innovazione in settori di nicchia come l’oncologia clinica, la gestione della flotta nella catena di fornitura, il processo decisionale basato sui dati nelle auto autonome e altro ancora
Casi d'uso
Elaborazione intelligente dei documenti
Questo caso d'uso comporta l'estrazione di informazioni da dati non strutturati, come testo e immagini. La PNL può essere utilizzata per identificare le parti più rilevanti di tali documenti e presentarli in modo organizzato.
Analisi del sentimento
L'analisi del sentimento è un altro modo in cui le aziende potrebbero utilizzare la PNL nelle loro operazioni. Il software analizzerebbe i post sui social media su un'azienda o un prodotto per determinare se le persone ne pensano positivamente o negativamente.
Intercettazione di una frode
La PNL può essere utilizzata anche per il rilevamento delle frodi analizzando dati non strutturati come e-mail, telefonate, ecc. e database assicurativi per identificare schemi o attività fraudolente in base a parole chiave.
Rilevamento della lingua
NLP viene utilizzato per rilevare la lingua di documenti di testo o tweet. Questo potrebbe essere utile per le società di moderazione dei contenuti e di traduzione di contenuti.
AI conversazionale / Chatbot per l'assistenza clienti
Un'IA conversazionale (spesso chiamata chatbot) è un'applicazione che comprende l'input del linguaggio naturale, parlato o scritto, ed esegue un'azione specifica. Un'interfaccia conversazionale può essere utilizzata per scopi di assistenza clienti, vendita o intrattenimento.
Riepilogo del testo
Un sistema NLP può essere addestrato a riassumere il testo in modo più leggibile rispetto al testo originale. Ciò è utile per articoli e altri testi lunghi in cui gli utenti potrebbero non voler perdere tempo a leggere l'intero articolo o documento.
Traduzione di testo / Traduzione automatica
La PNL viene utilizzata per tradurre automaticamente il testo da una lingua all'altra utilizzando metodi di apprendimento profondo come le reti neurali ricorrenti o le reti neurali convoluzionali.
Domanda-Risposta
La risposta alle domande (QA) è un'attività nell'elaborazione del linguaggio naturale (NLP) che riceve una domanda come input e restituisce la sua risposta. La forma più semplice di risposta alle domande è trovare una voce corrispondente nella base di conoscenza e restituirne il contenuto, noto come "recupero di documenti" o "recupero di informazioni".
Redazione dei dati / Redazione delle informazioni di identificazione personale (PII)
Uno dei casi d’uso più specializzati della PNL risiede nella redazione di dati sensibili. Settori come NBFC, BFSI e il settore sanitario ospitano abbondanti volumi di dati sensibili provenienti da moduli assicurativi, studi clinici, cartelle cliniche personali e altro ancora.
L'elaborazione del linguaggio naturale (NLP) viene implementata in tali domini attraverso tecniche come il riconoscimento di entità nominate (Named Entity Recognition) per identificare e raggruppare dati sensibili, come nomi, recapiti, indirizzi e altro ancora, relativi a individui. Tali dati vengono quindi resi anonimi in base alle esigenze.
Social Media Monitoring
Gli strumenti di monitoraggio dei social media possono utilizzare tecniche di NLP per estrarre menzioni di un marchio, prodotto o servizio dai post sui social media. Una volta rilevate, queste menzioni possono essere analizzate per sentiment, coinvolgimento e altre metriche. Queste informazioni possono quindi informare le strategie di marketing o valutarne l'efficacia.
business Analytics
Analisi aziendale e PNL sono un binomio perfetto, poiché questa tecnologia consente alle organizzazioni di dare un senso agli enormi volumi di dati non strutturati che le accompagnano. Tali dati vengono quindi analizzati e visualizzati come informazioni per estrarre insight aziendali critici per l'ambito di miglioramento, ricerche di mercato, analisi del feedback, ricalibrazione strategica o misure correttive.
Altri possibili casi d'uso possono essere la correzione grammaticale, l'analisi dei sentimenti, il rilevamento dello spam, la generazione di testo, il riconoscimento vocale, il NER, il tagging delle parti del discorso e altro ancora.
[Leggi anche: I migliori set di dati NLP per potenziare i tuoi modelli di apprendimento automatico]
Settori che sfruttano la PNL
Settore Sanitario
La PNL offre vantaggi gratificanti al settore sanitario come:
- l'estrazione di insight da cartelle cliniche e l'analisi di dati non strutturati
- Migliorare e personalizzare i sistemi di supporto alle decisioni cliniche
- Ottimizza le risposte dei chatbot per esperienze di cura dei pazienti senza interruzioni
- Monitorare, prevedere e mitigare le reazioni avverse ai farmaci e implementare strategie di farmacovigilanza e altro ancora
Fintech
Le implicazioni della PNL nel fintech sono completamente diverse, offrendo vantaggi come:
- Elaborazione e onboarding dei documenti senza soluzione di continuità
- Ottimizza la gestione del rischio e il rilevamento delle frodi
- Valutazione del merito creditizio dei privati per il finanziamento
- Personalizzazione di prodotti finanziari in termini di tenure, premi e altro ancora
Media e pubblicità
La PNL apporta una svolta creativa ai professionisti dei media e della pubblicità, aiutandoli a:
- Personalizzazione dei contenuti e fornitura di contenuti in lingua vernacolare
- Analisi di precisione e targeting delle user personas
- Ricerche di mercato su tendenze, argomenti e conversazioni per opportunità di attualità
- Sviluppo del testo pubblicitario, ottimizzazione del posizionamento e altro ancora
Settore Retail
La PNL offre vantaggi sia ai clienti che alle aziende nello spazio di vendita al dettaglio attraverso:
- Motori di raccomandazione precisi
- Ottimizzazione della ricerca vocale
- Suggerimenti di servizi basati sulla posizione
- Pubblicità mirata come programmi fedeltà, sconti per i nuovi utenti e altro ancora
Produzione
L’Industria 4.0 è incredibilmente completata dall’incorporazione di modelli NLP attraverso:
- Monitoraggio automatizzato dello stato della macchina e rilevamento dei difetti
- Analisi del processo in tempo reale
- Ottimizzazione dei percorsi e dei programmi di consegna, inclusa la gestione della flotta
- Migliore sicurezza dei lavoratori e del luogo di lavoro attraverso l'analisi predittiva e altro ancora
Immaginare il futuro della PNL
Anche se molto sta già accadendo in questo ambito, gli appassionati di tecnologia sono già carichi di potenzialità per le possibilità che questa tecnologia offrirà negli anni a venire. Di tutta la confusione che circonda le conversazioni sul futuro della PNL, quella che spicca è la PNL spiegabile.
PNL spiegabile
Poiché le decisioni aziendali cruciali e le strategie di customer experience iniziano sempre più a derivare da decisioni alimentate dalla PNL, arriva anche la responsabilità di spiegare il ragionamento alla base delle conclusioni e dei risultati.
Questo è ciò che si occuperà di Explainable NLP, garantendo ulteriormente la responsabilità e promuovendo la fiducia nelle soluzioni di intelligenza artificiale e sviluppando un ecosistema trasparente di fraternità dell'IA.
Oltre alla PNL spiegabile, il futuro della tecnologia riguarderebbe anche:
- Padronanza vernacolare
- Integrazione con tecnologie specializzate come la visione artificiale e la robotica
- Utilizzo della PNL per affrontare preoccupazioni globali tra cui sostenibilità, istruzione, cambiamento climatico e altro ancora
Strumenti e modellazione NLP
Il rapido progresso dell'elaborazione del linguaggio naturale è stato alimentato da un solido ecosistema di strumenti, framework e tecniche di modellazione NLP. Queste risorse consentono a data scientist, professionisti dell'NLP e aziende di creare, addestrare e implementare potenti soluzioni NLP su misura per una varietà di attività NLP.
Gli strumenti e le librerie di PNL più diffusi, come NLTK, spaCy, Stanford NLP e Hugging Face Transformers, forniscono elementi essenziali per l'elaborazione e l'analisi dei dati testuali. Questi strumenti supportano un'ampia gamma di tecniche di PNL. incluso il tagging delle parti del discorso, il riconoscimento di entità denominate, l'analisi del sentimento e la modellazione degli argomenti. Facilitano inoltre la gestione di dati di testo non strutturati, consentendo l'estrazione di informazioni preziose da fonti come post sui social media, feedback dei clienti e cartelle cliniche.
La modellazione NLP si basa fortemente su dati di addestramento di alta qualità. Dati etichettati Viene utilizzato per addestrare modelli di apprendimento automatico e modelli di apprendimento profondo, consentendo loro di riconoscere pattern, identificare relazioni semantiche ed eseguire attività di PNL complesse come la traduzione linguistica e la classificazione del testo. Più dati di addestramento sono disponibili, più accurati e robusti diventano i modelli di PNL risultanti.
La moderna modellazione NLP sfrutta spesso architetture di apprendimento profondo, come reti neurali ricorrenti (RNN) e trasformatori, per raggiungere prestazioni all'avanguardia in attività come la traduzione automatica, la generazione del linguaggio naturale e l'analisi semantica. Questi algoritmi avanzati vengono addestrati su enormi database di ricerca NLP e perfezionati attraverso un continuo training NLP, garantendo che i sistemi NLP possano adattarsi a nuovi linguaggi, domini e stili di comunicazione.
Utilizzando la giusta combinazione di strumenti NLP, set di dati di formazione e tecniche di modellazione, le organizzazioni possono automatizzare attività ripetitive, migliorare l'esperienza del cliente e ricavare informazioni fruibili dai propri dati digitali.
Conclusione
La PNL è la strada da seguire per offrire prodotti e servizi migliori. Con tale importanza e vantaggi arriva anche la domanda di metodologie di formazione ermetiche. Poiché la consegna nitida dei risultati e il loro perfezionamento diventano cruciali per le aziende, c'è anche una crisi in termini di dati di formazione richiesti per migliorare algoritmi e modelli. Anche la regolamentazione e l’attenuazione dei pregiudizi hanno la massima priorità.
È qui che entra in gioco Shaip per aiutarti ad affrontare tutte le preoccupazioni relative alla richiesta di dati di addestramento per i tuoi modelli. Con metodologie etiche e su misura, ti offriamo set di dati di formazione nei formati di cui hai bisogno. Esplora le nostre offerte per scoprire di più su di noi.
Vuoi sfruttare le soluzioni NLP per la tua azienda? Contatti Contatta Shaip oggi stesso per scoprire come la nostra competenza può far progredire le tue iniziative di intelligenza artificiale.
Domande frequenti (FAQ)
1. Che cos'è l'elaborazione del linguaggio naturale (PNL)?
La PNL è una branca dell'IA che si concentra sull'interazione tra computer e linguaggio umano. Consente alle macchine di comprendere, interpretare e generare il linguaggio umano.
2. Come funziona la PNL?
La PNL utilizza algoritmi per analizzare i dati linguistici, scomponendo le frasi in parole, espressioni e sintassi per estrarne il significato ed eseguire attività.
3. Quali sono i vantaggi della PNL?
L'elaborazione del linguaggio naturale migliora la comunicazione tra esseri umani e macchine, potenzia il servizio clienti tramite chatbot e facilita l'analisi dei dati elaborando grandi quantità di dati di testo.
4. Quali sono le sfide che la PNL deve affrontare?
Le sfide includono l'ambiguità linguistica, la comprensione del contesto e l'elaborazione di linguaggi non standard, come lo slang o i dialetti.
5. Quali sono alcuni esempi di applicazioni della PNL?
Tra gli esempi rientrano gli assistenti virtuali come Siri, gli strumenti di analisi dei sentimenti e i servizi di traduzione automatica come Google Translate.
6. Come viene utilizzata la PNL in ambito sanitario?
In ambito sanitario, la PNL viene utilizzata per attività quali l'analisi delle cartelle cliniche, l'automazione della documentazione e l'estrazione di informazioni rilevanti dai dati dei pazienti.
