- La comprensione del linguaggio naturale (Natural Language Understanding, NLU) è un aspetto dell'IA che aiuta i computer a capire cosa intendono realmente le persone quando parlano o digitano, individuando le loro intenzioni e i dettagli più importanti.
- Funziona scomponendo le frasi, identificando le parole o i nomi chiave e collegando le parole al loro ruolo in una frase per cogliere il contesto.
- L'NLU è utilizzato in molti strumenti che usiamo quotidianamente, come gli assistenti vocali (Siri, Alexa), i chatbot del servizio clienti, l'ordinamento delle e-mail e l'analisi dei feedback per individuare tendenze o sensazioni nel testo.
- Le tecniche chiave dell'NLU includono la tokenizzazione (suddivisione delle frasi in parole), il tagging part-of-speech, il rilevamento di nomi o date, la comprensione di ciò che l'utente vuole e l'utilizzo del contesto delle conversazioni passate per ottenere risposte migliori.
NLU potrebbe sembrare solo un altro acronimo nell'ecosistema dell'IA, ma è fondamentale per far sì che l'IA capisca cosa intendiamo veramente.
Come fa Siri a sapere quando si chiedono indicazioni stradali e non quando si ascolta una canzone?
Come fa un agente AI a capire la differenza tra una domanda su un prodotto e una richiesta di assistenza?
Vediamo come funziona la NLU e perché è necessaria per interazioni AI più intelligenti.
Che cos'è l'NLU?
La comprensione del linguaggio naturale (NLU) è un sottoinsieme dell'elaborazione del linguaggio naturale (NLP) che consente alle macchine di interpretare e comprendere il linguaggio umano.
L'NLU è utilizzato nei chatbot di intelligenza artificiale, negli assistenti virtuali e negli strumenti di analisi del sentiment. Consente alle macchine di interpretare accuratamente l'intento dell'utente, che si tratti di testo o voce, in modo da poter seguire l'azione appropriata.
La NLU è considerata un problema difficile per l'intelligenza artificiale (noto anche come AI-completo), il che significa che richiede l'intelligenza artificiale per essere risolto. L'NLU è impossibile senza l'intelligenza artificiale (AI).
Come funziona l'NLU?
.webp)
L'NLU analizza il linguaggio umano per interpretarne il significato e l'intento. Ecco come funziona passo dopo passo:
1. Pre-elaborazione del testo
Prima di iniziare l'analisi, il testo viene ripulito rimuovendo gli elementi superflui, come la punteggiatura e le parole di sospensione, per concentrarsi sui contenuti significativi.
2. Identificazione dei componenti chiave
Il sistema estrae entità, parole chiave e frasi, identificando le parti più rilevanti del testo per un'ulteriore analisi.
3. Analizzare la struttura della frase
Esaminando le relazioni tra le parole e la grammatica, la NLU determina il modo in cui parole e concetti diversi interagiscono all'interno di una frase.
4. Mappatura degli intenti e degli obiettivi
I componenti estratti vengono abbinati a intenti o obiettivi predefiniti, aiutando il sistema a comprendere lo scopo dell'utente.
5. Affinare la comprensione con il contesto
Le interazioni passate e gli indizi contestuali contribuiscono a migliorare l'accuratezza, consentendo al sistema NLU di adattare le risposte in base alla cronologia delle conversazioni.
6. Generazione di un output strutturato
Infine, il sistema produce una risposta strutturata che può attivare azioni, eseguire comandi o fornire informazioni rilevanti.
Esempio del mondo reale
Vediamo un esempio.
Al lavoro Patrick utilizza un agente AI che si integra con tutte le sue applicazioni principali, compreso il calendario.
Patrick scrive al suo agente AI: "Fissa un incontro con Anqi per le 13 di domani, o qualcosa di simile. Programmare un follow-up per due settimane dopo".
Nel corso del suo flusso di lavoro di intelligenza artificiale , il suo agente:
- Identificare l'intento: L'agente identifica che Patrick vuole fissare un incontro.
- Estrarre le entità chiave: L'agente identifica che Patrick sta parlando di 'Anqi' il contatto, '13' l'ora e 'domani' la data.
- Analisi dell'enunciato: L'agente identifica che l'azione è "programmare", che deve essere eseguita con Anqi e che l'ora e il giorno devono essere le 13:00 di domani.
- Comprensione contestuale: L'agente controlla i calendari di Patrick e Anqi per verificare la disponibilità. Se le 13:00 di domani non sono libere, proporrà un orario simile, come richiesto.
- Azione finale: L'agente pianifica l'incontro e il follow-up inviando gli inviti sul calendario a Patrick e Anqi.
Usi reali dell'NLU

È probabile che vi imbattiate nell'NLU nella vostra vita quotidiana, spesso senza nemmeno accorgervene. Ecco alcune delle applicazioni più comuni nel mondo reale:
Generazione di lead
L'NLU è una componente chiave della lead generation AI, una forma di qualificazione dei lead attraverso l'AI conversazionale. Utilizzando la comprensione del linguaggio naturale, i chatbot possono identificare le esigenze e le capacità dei lead in arrivo. Possono anche prenotare incontri con i rappresentanti di vendita direttamente dopo aver qualificato un lead.
Assistenti vocali
Gli assistenti vocali come Siri, Alexa e Google Assistant si basano sull'NLU per comprendere l'intento dietro i comandi vocali.
Ad esempio, quando si dice: "Fissa un promemoria per il mio appuntamento con le unghie alle 14", l'assistente scompone la frase, identifica l'intento (fissare un promemoria) ed estrae le entità (appuntamento con le unghie, domani, alle 14).
L'NLU permette a questi assistenti di dare un senso alle richieste verbali e di seguire l'azione giusta.
Chatbot per il servizio clienti
Quando si entra in contatto con un chatbot di assistenza clienti e si digita "Dov'è il mio pacco?", il bot utilizza l'NLU per determinare che l'intento dell'utente è quello di controllare lo stato di consegna.
Estrae l'entità necessaria - le informazioni sull'ordine - e fornisce l'aggiornamento corretto. Questa capacità di comprendere e rispondere alle varie richieste dei clienti è ciò che rende l'NLU una parte essenziale della moderna automazione del servizio clienti.
Smistamento e automazione delle e-mail
L'NLU è anche alla base dei sistemi di automazione delle e-mail. Ad esempio, gli strumenti basati sull'NLU possono leggere le e-mail in arrivo, comprenderne il contenuto e ordinarle automaticamente in categorie come "urgenti", "promozioni" o "riunioni".
Questi sistemi possono anche generare risposte appropriate in base al contenuto dell'e-mail, facendo risparmiare tempo alle aziende nella gestione della comunicazione.
Analisi del testo per feedback e sondaggi
Le aziende utilizzano spesso l'NLU per analizzare i feedback provenienti da sondaggi, recensioni e post sui social media.
L'NLU aiuta a identificare modelli e sentimenti nel linguaggio scritto, rendendo possibile la comprensione delle esigenze e delle opinioni dei clienti.
Ad esempio, un sistema NLU può scansionare centinaia di recensioni di clienti e determinare se la maggior parte degli utenti si esprime positivamente o negativamente su una specifica caratteristica utilizzando l'analisi del sentiment.
Componenti chiave

Tokenizzazione
La tokenizzazione è il processo di scomposizione di una frase in unità più piccole, come parole o frasi, per facilitarne l'elaborazione da parte dell'intelligenza artificiale.
Esempio: "Programmare una riunione per le 15 di domani" viene tokenizzato in ["Programmare", "a", "riunione", "per", "15", "domani"].
Etichettatura Part-of-Speech (POS)
La marcatura POS identifica la struttura grammaticale di una frase etichettando ogni parola come nome, verbo, aggettivo, ecc.
Esempio: In "Organizza una riunione", l'intelligenza artificiale etichetta "Organizza" come verbo e "riunione" come sostantivo.
Riconoscimento di entità denominate (NER)
Il Named Entity Recognition (NER) rileva e classifica entità importanti come nomi, luoghi e date all'interno del testo.
Esempio: In "Prenota un volo per New York venerdì prossimo", l'intelligenza artificiale identifica "New York" come località e "venerdì prossimo" come data.
Classificazione degli intenti
La classificazione dell'intento determina l'obiettivo o lo scopo che sta alla base dell'input dell'utente.
Esempio: "Prenotare un tavolo per due" è classificato come l'intenzione di effettuare una prenotazione.
Parsing delle dipendenze
Il parsing delle dipendenze analizza le relazioni tra le parole per comprendere la struttura grammaticale della frase.
Esempio: In "Invia il rapporto a Maria", l'IA identifica che "Maria" è il destinatario del rapporto.
Analisi contestuale
L'analisi contestuale utilizza le conversazioni circostanti o le interazioni precedenti per garantire risposte pertinenti e accurate.
Esempio: Se un utente ha chiesto in precedenza informazioni su un progetto specifico, l'intelligenza artificiale può adattare le risposte future in base a quel contesto.
Creare un agente NLU personalizzato
Con il rapido progresso della tecnologia AI, chiunque può costruire un agente AI con capacità NLU.
Botpress è una piattaforma di creazione di bot estensibile all'infinito costruita per le aziende. Il nostro stack consente agli sviluppatori di creare chatbot e agenti AI per qualsiasi caso d'uso.
Iniziare a lavorare è facile grazie al nostro livello gratuito, ai tutorial esaustivi e al Botpress Academy.
Iniziate a costruire oggi stesso. È gratuito.
Domande frequenti
1. In che modo l'NLU si collega all'apprendimento automatico e all'apprendimento profondo?
L'NLU si basa su tecniche di apprendimento automatico e di deep learning, che aiutano il sistema ad apprendere modelli linguistici dai dati piuttosto che affidarsi a regole rigide. L'apprendimento profondo, in particolare, consente una comprensione più avanzata del contesto e delle sfumature.
2. Qual è la differenza tra NLU e Natural Language Generation (NLG)?
L'NLU aiuta le macchine a capire quello che dite, mentre l'NLG si occupa di far sì che le macchine rispondano con un linguaggio simile a quello umano. Pensate all'NLU come alla comprensione della lettura e all'NLG come alla scrittura.
3. Quanto è accurata la NLU oggi e quali sono i fattori che ne influenzano l'accuratezza?
La NLU è abbastanza buona, soprattutto con i modelli moderni, ma l'accuratezza dipende ancora dalla qualità e dalle dimensioni dei dati di addestramento, dal dominio in cui viene utilizzata e dalla capacità di gestire l'ambiguità o il gergo.
4. Quanti dati sono in genere necessari per costruire un modello NLU affidabile?
Varia, ma in genere sono necessarie migliaia di esempi etichettati per intento o entità per ottenere prestazioni solide, anche se l'apprendimento per trasferimento e i modelli pre-addestrati possono ridurre significativamente questo numero.
5. Come si integra un motore NLU con altri strumenti come CRM, calendari o database?
Di solito, si collega il motore NLU alle API dei propri strumenti (come un calendario o un CRM) in modo che possa attivare azioni basate sull'input dell'utente, come la programmazione di riunioni o l'estrazione di dati sui clienti, una volta compreso l'intento.