- Natural Language Understanding (NLU) adalah bagian dari AI yang membantu komputer memahami apa yang sebenarnya dimaksudkan oleh orang-orang ketika mereka berbicara atau mengetik, mencari tahu maksud dan detail penting mereka.
- Ia bekerja dengan memecah kalimat, mengidentifikasi kata-kata atau nama-nama kunci, dan menghubungkan kata-kata dengan perannya dalam kalimat untuk memahami konteksnya.
- NLU digunakan di banyak alat yang kita gunakan setiap hari, seperti asisten suara (Siri, Alexa), chatbot layanan pelanggan, penyortiran email, dan menganalisis umpan balik untuk menemukan tren atau perasaan dalam teks.
- Teknik-teknik utama dalam NLU meliputi tokenisasi (memecah kalimat menjadi kata-kata), penandaan bagian dari ucapan, mendeteksi nama atau tanggal, mencari tahu apa yang diinginkan pengguna, dan menggunakan konteks percakapan sebelumnya untuk balasan yang lebih baik.
NLU mungkin terdengar seperti akronim lain dalam ekosistem AI, tetapi ini merupakan bagian integral untuk membuat AI memahami apa yang sebenarnya kita maksud.
Bagaimana Siri mengetahui kapan Anda meminta petunjuk arah dan kapan Anda memutar lagu?
Bagaimana agen AI mengetahui perbedaan antara pertanyaan produk dan permintaan dukungan?
Mari kita uraikan cara kerja NLU dan mengapa NLU diperlukan untuk interaksi AI yang lebih cerdas.
Apa itu NLU?
Pemahaman bahasa alami (NLU) adalah bagian dari pemrosesan bahasa alami (NLP) yang memungkinkan mesin menafsirkan dan memahami bahasa manusia.
NLU digunakan dalam chatbot AI, asisten virtual, dan alat analisis sentimen. Hal ini memungkinkan mesin untuk menafsirkan maksud pengguna secara akurat - apakah itu teks atau suara - sehingga mesin dapat menindaklanjuti dengan tindakan yang sesuai.
NLU dianggap sebagai masalah yang sulit diselesaikan oleh AI (juga dikenal sebagai AI-complete), yang berarti masalah ini membutuhkan kecerdasan buatan untuk diselesaikan. NLU tidak mungkin diselesaikan tanpa kecerdasan buatan (AI).
Bagaimana cara kerja NLU?
.webp)
NLU menguraikan bahasa manusia untuk menginterpretasikan makna dan maksudnya. Berikut ini cara kerjanya selangkah demi selangkah:
1. Pra-Pemrosesan Teks
Sebelum analisis dimulai, teks dibersihkan dengan menghapus elemen yang tidak perlu seperti tanda baca dan kata henti untuk fokus pada konten yang bermakna.
2. Mengidentifikasi Komponen Utama
Sistem mengekstrak entitas, kata kunci, dan frasa, mengidentifikasi bagian teks yang paling relevan untuk analisis lebih lanjut.
3. Menganalisis Struktur Kalimat
Dengan memeriksa hubungan kata dan tata bahasa, NLU menentukan bagaimana kata dan konsep yang berbeda berinteraksi dalam sebuah kalimat.
4. Pemetaan terhadap Maksud dan Tujuan
Komponen yang diekstraksi disesuaikan dengan maksud atau tujuan yang telah ditentukan, sehingga membantu sistem memahami tujuan pengguna.
5. Menyempurnakan Pemahaman dengan Konteks
Interaksi di masa lalu dan petunjuk kontekstual membantu meningkatkan akurasi, sehingga sistem NLU dapat menyesuaikan respons berdasarkan riwayat percakapan.
6. Menghasilkan Keluaran Terstruktur
Terakhir, sistem menghasilkan respons terstruktur yang dapat memicu tindakan, menjalankan perintah, atau memberikan informasi yang relevan.
Contoh Dunia Nyata
Mari kita uraikan dengan sebuah contoh.
Patrick menggunakan agen AI di tempat kerja yang terintegrasi dengan semua aplikasi utamanya, termasuk kalendernya.
Patrick mengetik ke agen AI-nya: "Jadwalkan pertemuan dengan Anqi pada pukul 13.00 besok, atau waktu yang serupa. Jadwalkan tindak lanjut selama dua minggu setelahnya."
Dalam alur kerja AI agennya , agennya akan melakukannya:
- Identifikasi maksudnya: Agen mengidentifikasi bahwa Patrick ingin menjadwalkan pertemuan
- Ekstrak entitas kunci: Agen mengidentifikasi bahwa Patrick sedang berbicara tentang 'Anqi' kontak, '13:00' waktu, dan 'besok', tanggal.
- Analisis ucapan: Agen mengidentifikasi bahwa item tindakan adalah 'penjadwalan', dan harus dilakukan dengan Anqi, serta waktu dan harinya adalah pukul 13.00 besok.
- Pemahaman kontekstual: Agen memeriksa kalender Patrick dan Anqi untuk memastikan ketersediaan. Jika jam 1 siang besok tidak tersedia, agen akan mengusulkan waktu yang sama, seperti yang diminta.
- Tindakan terakhir: Agen menjadwalkan pertemuan dan tindak lanjut dengan mengirimkan undangan kalender kepada Patrick dan Anqi.
Penggunaan NLU di Dunia Nyata
Kemungkinan besar Anda menjumpai NLU dalam kehidupan sehari-hari, bahkan sering kali tanpa menyadarinya. Berikut ini adalah beberapa aplikasi dunia nyata yang paling umum:
Generasi pemimpin
NLU adalah komponen utama dari AI lead generation, sebuah bentuk kualifikasi prospek melalui AI percakapan. Dengan menggunakan pemahaman bahasa alami, chatbot dapat mengidentifikasi kebutuhan dan kemampuan prospek yang masuk. Mereka bahkan dapat memesan pertemuan kalender dengan perwakilan penjualan secara langsung setelah memenuhi syarat untuk mendapatkan prospek.
Asisten suara
Asisten suara seperti Siri, Alexa, dan Google Assistant mengandalkan NLU untuk memahami maksud di balik perintah yang Anda ucapkan.
Misalnya, ketika Anda mengatakan, "Atur pengingat untuk janji temu kuku saya pada pukul 2 siang," asisten memecah kalimat Anda, mengidentifikasi maksud (mengatur pengingat), dan mengekstrak entitas (janji temu kuku, besok, pukul 2 siang).
NLU memungkinkan para asisten ini untuk memahami permintaan verbal dan menindaklanjuti dengan tindakan yang tepat.
Chatbot layanan pelanggan
Ketika Anda berinteraksi dengan chatbot dukungan pelanggan dan mengetik, "Di mana paket saya?", bot menggunakan NLU untuk menentukan bahwa maksud Anda adalah untuk memeriksa status pengiriman.
NLU mengekstrak entitas yang diperlukan - informasi pesanan Anda - dan memberikan pembaruan yang benar. Kemampuan untuk memahami dan merespons berbagai pertanyaan pelanggan inilah yang membuat NLU menjadi bagian penting dari otomatisasi layanan pelanggan modern.
Penyortiran dan otomatisasi email
NLU juga ditemukan di balik sistem otomatisasi email. Misalnya, alat yang didukung NLU dapat membaca email yang masuk, memahami isinya, dan secara otomatis menyortirnya ke dalam kategori seperti "mendesak", "promosi", atau "rapat".
Sistem ini bahkan dapat menghasilkan respons yang sesuai berdasarkan konten email, sehingga menghemat waktu bisnis dalam mengelola komunikasi.
Analisis teks untuk umpan balik dan survei
Perusahaan sering menggunakan NLU untuk menganalisis umpan balik dari survei, ulasan, dan postingan media sosial.
NLU membantu mengidentifikasi pola dan sentimen dalam bahasa tertulis, sehingga memungkinkan untuk memahami kebutuhan dan opini pelanggan.
Sebagai contoh, sistem NLU dapat memindai ratusan ulasan pelanggan dan menentukan apakah sebagian besar pengguna merasa positif atau negatif tentang fitur tertentu dengan menggunakan analisis sentimen.
Komponen Utama
Tokenisasi
Tokenisasi adalah proses memecah kalimat menjadi unit-unit yang lebih kecil, seperti kata atau frasa, agar lebih mudah diproses oleh AI.
Contoh: "Jadwalkan rapat untuk jam 3 sore besok" ditandai menjadi ["Jadwalkan," "sebuah," "rapat," "untuk," "jam 3 sore," "besok"].
Penandaan Part-of-Speech (POS)
Penandaan POS mengidentifikasi struktur tata bahasa dari sebuah kalimat dengan melabeli setiap kata sebagai kata benda, kata kerja, kata sifat, dll.
Contoh: Dalam "Jadwalkan rapat," AI menandai "Jadwalkan" sebagai kata kerja dan "rapat" sebagai kata benda.
Pengakuan Entitas Bernama (NER)
Named Entity Recognition (NER) mendeteksi dan mengklasifikasikan entitas penting seperti nama, lokasi, dan tanggal di dalam teks.
Contoh: Dalam "Pesan penerbangan ke New York Jumat depan," AI mengidentifikasi "New York" sebagai lokasi dan "Jumat depan" sebagai tanggal.
Klasifikasi Maksud
Klasifikasi maksud menentukan tujuan atau maksud yang mendasari pengguna di balik masukan mereka.
Contoh: "Pesan meja untuk dua orang" diklasifikasikan sebagai maksud untuk melakukan reservasi.
Penguraian Ketergantungan
Penguraian ketergantungan menganalisis hubungan antar kata untuk memahami struktur tata bahasa kalimat.
Contoh: Dalam "Kirim laporan ke Maria," AI mengidentifikasi bahwa "Maria" adalah penerima laporan.
Analisis Kontekstual
Analisis kontekstual menggunakan percakapan di sekitar atau interaksi sebelumnya untuk memastikan tanggapan yang relevan dan akurat.
Contoh: Jika pengguna sebelumnya bertanya tentang proyek tertentu, AI dapat menyesuaikan respons di masa mendatang berdasarkan konteks tersebut.
Membangun agen NLU khusus
Dengan kemajuan teknologi AI yang pesat, siapa pun dapat membangun agen AI dengan kemampuan NLU.
Botpress adalah platform pembuatan bot yang dapat dikembangkan tanpa henti yang dibuat untuk perusahaan. stack kami memungkinkan pengembang untuk membangun chatbot dan agen AI untuk kasus penggunaan apa pun.
Memulai dengan mudah dengan tingkat gratis kami, tutorial ekstensif, dan Botpress Academy.
Mulai membangun hari ini. Gratis.
Hal-hal yang sering ditanyakan
1. Bagaimana NLU berhubungan dengan machine learning dan deep learning?
NLU (Natural Language Understanding) bergantung pada pembelajaran mesin untuk mengidentifikasi pola dalam data teks dan pembelajaran mendalam untuk memodelkan struktur bahasa yang kompleks. Arsitektur pembelajaran mendalam seperti transformer memungkinkan sistem NLU menafsirkan konteks dan maksud dengan akurasi tinggi.
2. Apa perbedaan antara NLU dan Natural Language Generation (NLG)?
NLU (Natural Language Understanding) adalah tentang menafsirkan dan mengekstraksi makna dari input pengguna, sedangkan NLG (Natural Language Generation) berfokus pada menghasilkan respons yang mirip manusia. Singkatnya, NLU membaca dan memahami. NLG menulis dan merespons.
3. Seberapa akuratkah NLU saat ini, dan faktor apa saja yang memengaruhi akurasinya?
Sistem NLU modern dapat mencapai akurasi lebih dari 90% dalam domain yang terdefinisi dengan baik, tetapi kinerjanya bergantung pada faktor-faktor seperti kualitas data pelatihan, variasi bahasa, kompleksitas domain, dan seberapa baik model menangani ambiguitas atau kueri multi-tujuan.
4. Berapa banyak data yang biasanya dibutuhkan untuk membangun model NLU yang andal?
Untuk membangun model NLU yang andal, Anda biasanya membutuhkan ribuan contoh berlabel per maksud atau entitas, meskipun dengan menggunakan pembelajaran transfer dan model yang sudah dilatih sebelumnya (seperti BERT atau GPT) dapat secara signifikan mengurangi kebutuhan data menjadi beberapa ratus contoh per kelas.
5. Bagaimana Anda mengintegrasikan mesin NLU dengan alat bantu lain seperti CRM, kalender, atau database?
Anda mengintegrasikan mesin NLU dengan alat bantu dengan menghubungkannya ke API yang memungkinkan sistem mengambil tindakan setelah maksud pengguna terdeteksi - seperti membuat janji temu, mengambil info kontak, atau memperbarui catatan. Hal ini melibatkan skrip backend atau menggunakan platform dengan dukungan integrasi asli.
%20(1).webp)
