Il Natural Language Processing (NLP) è l’area dell’AI che permette a un computer di comprendere, interpretare e generare linguaggio umano scritto o parlato. In Azure, la maggior parte dei task NLP testuali è raccolta nella famiglia text analytics, esposta oggi dal servizio Azure AI Language (uno dei servizi di Azure AI services, orchestrabili anche tramite Azure AI Foundry). L’idea di fondo è ricorrente: fornisci del testo non strutturato in input e ottieni informazioni strutturate in output, senza dover addestrare un modello da zero. Vediamo i quattro scenari fondamentali richiesti dall’esame.
Key phrase extraction
La key phrase extraction individua i concetti principali di un testo, cioè le espressioni che ne riassumono l’argomento.
- Input: un documento di testo (una recensione, un ticket, un articolo).
- Output: un elenco di frasi chiave (parole o gruppi di parole).
Esempio: dalla frase “Il ristorante aveva un servizio lento ma piatti eccellenti e un’ottima carta dei vini” il servizio potrebbe estrarre servizio lento, piatti eccellenti, carta dei vini. È utile per catalogare grandi volumi di documenti, individuare rapidamente i temi ricorrenti nel feedback dei clienti o generare tag automatici.
Named entity recognition (NER)
Il Named Entity Recognition riconosce e classifica entità reali citate nel testo, assegnando a ciascuna una categoria.
- Input: testo libero.
- Output: un elenco di entità con tipo (Person, Location, Organization, DateTime, Quantity, ecc.) e posizione nel testo.
Esempio: in “Satya Nadella ha parlato a Seattle il 12 marzo per Microsoft” NER estrae Satya Nadella (Person), Seattle (Location), 12 marzo (DateTime), Microsoft (Organization). Una funzione correlata è il rilevamento di PII (Personally Identifiable Information), che individua e maschera dati sensibili come numeri di carta o codici fiscali — spesso richiamata negli scenari di privacy e integrata con Microsoft Purview.
Sentiment analysis
La sentiment analysis valuta il tono emotivo di un testo, indicando se l’opinione espressa è positiva, negativa o neutra.
- Input: testo (tipicamente recensioni, commenti social, email).
- Output: un’etichetta (positive / negative / neutral / mixed) con un punteggio di confidenza tra 0 e 1.
Esempio: “Adoro il nuovo aggiornamento, l’app è velocissima!” → positive (score circa 0.98). La modalità opinion mining collega inoltre il sentiment a singoli aspetti (es. “il servizio è negativo, ma il cibo è positivo”). È lo strumento tipico per il monitoraggio della brand reputation e l’analisi automatica del feedback.
Language detection
La language detection identifica la lingua in cui è scritto un testo.
- Input: una stringa o un documento.
- Output: il nome della lingua, il codice ISO e un punteggio di confidenza.
Esempio: “Bonjour, comment ça va ?” → French, fr, confidenza 1.0. È spesso il primo passo di una pipeline: si rileva la lingua per instradare il testo al modello o all’operatore corretto, o per abilitare la traduzione tramite Azure AI Translator. Con testo multilingue viene restituita la lingua predominante.
Inquadramento nei casi d’uso business
Tutti questi task condividono lo stesso pattern testo → dati strutturati e si combinano in soluzioni concrete: analisi automatica delle recensioni, triage dei ticket di supporto, moderazione dei contenuti, estrazione di conoscenza da documenti aziendali. Poiché usano modelli pre-addestrati, non richiedono dataset di training né competenze di data science: bastano una chiamata all’endpoint e la chiave del servizio.
Trappole tipiche d’esame
- Scenario: vuoi sapere se i clienti sono soddisfatti dalle loro recensioni → usa la sentiment analysis, non la key phrase extraction (che dice di cosa parlano, non come si sentono).
- Scenario: devi estrarre nomi di persone, luoghi e aziende da un contratto → è Named Entity Recognition (NER), non key phrase extraction.
- Scenario: devi solo capire in quale lingua è scritto un messaggio in arrivo → language detection; la traduzione è invece compito di Azure AI Translator.
- Scenario: vuoi individuare e mascherare numeri di carta di credito in un testo → funzione PII detection di Azure AI Language, non sentiment o NER generico.
- Scenario: un unico servizio Azure per key phrase, NER, sentiment e language detection → è Azure AI Language; ricorda che tutti questi rientrano nella categoria text analytics dell’NLP.