- Natural Language Understanding (NLU) ialah aspek AI yang membantu komputer memahami maksud sebenar orang apabila mereka bercakap atau menaip, memikirkan niat dan butiran penting mereka.
- Ia berfungsi dengan memecahkan ayat, mengenal pasti kata kunci atau nama, dan menghubungkan perkataan dengan peranannya dalam ayat untuk memahami konteks.
- NLU digunakan dalam banyak alatan yang kami gunakan setiap hari, seperti pembantu suara (Siri, Alexa), bot sembang perkhidmatan pelanggan, pengisihan e-mel dan menganalisis maklum balas untuk melihat arah aliran atau perasaan dalam teks.
- Teknik utama dalam NLU termasuk tokenisasi (memecahkan ayat menjadi perkataan), penandaan sebahagian daripada pertuturan, mengesan nama atau tarikh, memikirkan perkara yang pengguna mahu dan menggunakan konteks perbualan lepas untuk balasan yang lebih baik.
NLU mungkin terdengar seperti satu lagi akronim dalam ekosistem AI, tetapi ia penting untuk membuat AI memahami apa yang kami maksudkan sebenarnya.
Bagaimanakah Siri tahu apabila anda meminta arah berbanding memainkan lagu?
Bagaimanakah ejen AI mengetahui perbezaan antara soalan produk dan permintaan sokongan?
Mari kita pecahkan cara NLU berfungsi dan sebab ia perlu untuk interaksi AI yang lebih bijak.
Apakah NLU?
Pemahaman bahasa semula jadi (NLU) ialah subset pemprosesan bahasa semula jadi (NLP) yang membolehkan mesin mentafsir dan memahami bahasa manusia.
NLU digunakan dalam AI chatbots , pembantu maya dan alat analisis sentimen. Ia membolehkan mesin mentafsir dengan tepat niat pengguna – sama ada teks atau suara – supaya mereka boleh membuat susulan dengan tindakan yang sesuai.
NLU dianggap sebagai masalah AI-hard (juga dikenali sebagai AI-complete), bermakna ia memerlukan kecerdasan buatan untuk diselesaikan. NLU adalah mustahil tanpa kecerdasan buatan (AI).
Bagaimanakah NLU berfungsi?
.webp)
NLU memecahkan bahasa manusia untuk mentafsir makna dan maksudnya. Begini cara ia berfungsi langkah demi langkah:
1. Pra-Memproses Teks
Sebelum analisis dimulakan, teks dibersihkan dengan membuang unsur-unsur yang tidak perlu seperti tanda baca dan berhenti perkataan untuk memberi tumpuan kepada kandungan yang bermakna.
2. Mengenalpasti Komponen Utama
Sistem mengekstrak entiti, kata kunci dan frasa , mengenal pasti bahagian teks yang paling berkaitan untuk analisis lanjut.
3. Menganalisis Struktur Ayat
Dengan meneliti perhubungan perkataan dan tatabahasa , NLU menentukan cara perkataan dan konsep yang berbeza berinteraksi dalam ayat.
4. Pemetaan kepada Niat dan Matlamat
Komponen yang diekstrak dipadankan dengan niat atau objektif yang telah ditetapkan, membantu sistem memahami tujuan pengguna.
5. Memperhalusi Pemahaman dengan Konteks
Interaksi masa lalu dan petunjuk konteks membantu meningkatkan ketepatan , membolehkan sistem NLU melaraskan respons berdasarkan sejarah perbualan.
6. Menjana Output Berstruktur
Akhir sekali, sistem menghasilkan respons berstruktur yang boleh mencetuskan tindakan, melaksanakan arahan atau menyampaikan maklumat yang berkaitan.
Contoh Dunia Nyata
Mari kita pecahkan dengan contoh.
Patrick menggunakan ejen AI di tempat kerja yang menyepadukan dengan semua aplikasi utamanya, termasuk kalendarnya.
Patrick menaip kepada ejen AInya: “Jadualkan pertemuan dengan Anqi pada pukul 1 petang esok, atau kadang-kadang serupa. Jadualkan susulan selama dua minggu selepas itu.”
Dalam perjalanan aliran kerja AI ejennya, ejennya akan:
- Kenal pasti niat: Ejen mengenal pasti bahawa Patrick ingin menjadualkan mesyuarat
- Ekstrak entiti utama: Ejen mengenal pasti bahawa Patrick bercakap tentang 'Anqi' kenalan, '1pm' masa dan 'esok', tarikh.
- Analisis ujaran: Ejen mengenal pasti bahawa item tindakan adalah 'penjadualan', dan ia harus dilakukan dengan Anqi, dan masa dan hari sepatutnya pukul 1 petang esok.
- Pemahaman kontekstual: Ejen menyemak kalendar Patrick dan Anqi untuk memastikan ketersediaan. Jika 1 tengah hari esok tidak percuma, ia akan mencadangkan masa yang sama, seperti yang diminta.
- Tindakan akhir: Ejen menjadualkan mesyuarat dan tindakan susulan dengan menghantar jemputan kalendar kepada Patrick dan Anqi.
Penggunaan NLU di Dunia Sebenar
Berkemungkinan anda menemui NLU dalam kehidupan seharian anda, selalunya tanpa disedari. Berikut ialah beberapa aplikasi dunia sebenar yang paling biasa:
Penjanaan utama
NLU ialah komponen utama penjanaan petunjuk AI , satu bentuk petunjuk yang layak melalui AI perbualan. Menggunakan pemahaman bahasa semula jadi, chatbots boleh mengenal pasti keperluan dan kebolehan petunjuk masuk. Mereka juga boleh menempah mesyuarat kalendar dengan wakil jualan secara langsung selepas melayakkan petunjuk.
Pembantu suara
Pembantu suara seperti Siri, Alexa dan Google Assistant bergantung pada NLU untuk memahami maksud di sebalik perintah pertuturan anda.
Contohnya, apabila anda menyebut, "Tetapkan peringatan untuk janji temu kuku saya pada pukul 2 petang," pembantu itu memecahkan ayat anda, mengenal pasti niat (menetapkan peringatan) dan mengekstrak entiti (janji janji kuku, esok, 2 petang).
NLU membenarkan pembantu ini memahami permintaan lisan dan membuat susulan dengan tindakan yang betul.
Chatbot perkhidmatan pelanggan
Apabila anda berinteraksi dengan bot sembang sokongan pelanggan dan menaip, "Di mana pakej saya?", bot menggunakan NLU untuk menentukan bahawa niat anda adalah untuk menyemak status penghantaran.
Ia mengeluarkan entiti yang diperlukan - maklumat pesanan anda - dan menyediakan kemas kini yang betul. Keupayaan untuk memahami dan menjawab pelbagai pertanyaan pelanggan inilah yang menjadikan NLU bahagian penting dalam automasi perkhidmatan pelanggan moden.
Pengisihan dan automasi e-mel
NLU juga terdapat di sebalik sistem automasi e-mel. Sebagai contoh, alatan berkuasa NLU boleh membaca e-mel masuk, memahami kandungan dan mengisihnya secara automatik ke dalam kategori seperti "mendesak", "promosi" atau "mesyuarat".
Sistem ini malah boleh menjana respons yang sesuai berdasarkan kandungan e-mel, menjimatkan masa perniagaan dalam menguruskan komunikasi.
Analisis teks untuk maklum balas dan tinjauan
Syarikat sering menggunakan NLU untuk menganalisis maklum balas daripada tinjauan, ulasan dan siaran media sosial.
NLU membantu mengenal pasti corak dan sentimen dalam bahasa bertulis, membolehkan anda memahami keperluan dan pendapat pelanggan.
Sebagai contoh, sistem NLU boleh mengimbas beratus-ratus ulasan pelanggan dan menentukan sama ada kebanyakan pengguna berasa positif atau negatif tentang ciri tertentu menggunakan analisis sentimen.
Komponen Utama
Tokenisasi
Tokenisasi ialah proses memecahkan ayat kepada unit yang lebih kecil, seperti perkataan atau frasa, untuk memudahkan AI memproses.
Contoh : "Jadualkan mesyuarat pada pukul 3 petang esok" ditandakan menjadi ["Jadual," "a," "mesyuarat," "untuk," "3 PTG," "esok"].
Tagging Part-of-Speech (POS).
Penandaan POS mengenal pasti struktur tatabahasa ayat dengan melabelkan setiap perkataan sebagai kata nama, kata kerja, kata sifat, dsb.
Contoh : Dalam "Jadualkan mesyuarat," AI menandai "Jadual" sebagai kata kerja dan "mesyuarat" sebagai kata nama.
Pengiktirafan Entiti Dinamakan (NER)
Pengecaman Entiti Dinamakan (NER) mengesan dan mengelaskan entiti penting seperti nama, lokasi dan tarikh dalam teks.
Contoh : Dalam "Tempah penerbangan ke New York Jumaat depan," AI mengenal pasti "New York" sebagai lokasi dan "Jumaat depan" sebagai tarikh.
Klasifikasi Niat
Pengelasan niat menentukan matlamat atau tujuan asas pengguna di sebalik input mereka.
Contoh : "Tempah meja untuk dua orang" diklasifikasikan sebagai niat untuk membuat tempahan.
Penghuraian Ketergantungan
Penghuraian ketergantungan menganalisis hubungan antara perkataan untuk memahami struktur tatabahasa ayat.
Contoh : Dalam "Hantar laporan kepada Maria," AI mengenal pasti bahawa "Maria" ialah penerima laporan.
Analisis Kontekstual
Analisis kontekstual menggunakan perbualan sekeliling atau interaksi terdahulu untuk memastikan respons adalah relevan dan tepat.
Contoh : Jika sebelum ini pengguna bertanya tentang projek tertentu, AI mungkin menyesuaikan respons masa depan berdasarkan konteks tersebut.
Bina ejen NLU tersuai
Dengan kemajuan pesat teknologi AI, sesiapa sahaja boleh membina ejen AI dengan keupayaan NLU.
Botpress ialah platform pembinaan bot yang tidak berkesudahan yang dibina untuk perusahaan. kami stack membolehkan pembangun membina chatbots dan ejen AI untuk sebarang kes penggunaan.
Bermula adalah mudah dengan peringkat percuma kami, tutorial yang meluas dan Academy Botpress .
Mula membina hari ini. Ia percuma.
Soalan lazim
1. Bagaimanakah NLU berkaitan dengan pembelajaran mesin dan pembelajaran mendalam?
NLU dibina pada pembelajaran mesin dan teknik pembelajaran mendalam, yang membantu sistem mempelajari corak bahasa daripada data dan bukannya bergantung pada peraturan yang tegar. Pembelajaran mendalam, khususnya, menguatkan pemahaman konteks dan nuansa yang lebih maju.
2. Apakah perbezaan antara NLU dan Penjanaan Bahasa Semulajadi (NLG)?
NLU membantu mesin memahami perkara yang anda perkatakan, manakala NLG adalah tentang mendapatkan mesin untuk bertindak balas dalam bahasa seperti manusia. Fikirkan NLU sebagai pemahaman membaca dan NLG sebagai penulisan.
3. Sejauh manakah tepat NLU hari ini, dan apakah faktor yang mempengaruhi ketepatannya?
NLU agak bagus, terutamanya dengan model moden, tetapi ketepatan masih bergantung pada kualiti dan saiz data latihan, domain yang digunakan dan sejauh mana ia mengendalikan kesamaran atau slanga.
4. Berapa banyak data yang biasanya diperlukan untuk membina model NLU yang boleh dipercayai?
Ia berbeza-beza, tetapi secara amnya, anda memerlukan beribu-ribu contoh berlabel bagi setiap niat atau entiti untuk prestasi yang kukuh walaupun pembelajaran pemindahan dan model pra-latihan boleh mengurangkannya dengan ketara.
5. Bagaimanakah anda mengintegrasikan enjin NLU dengan alatan lain seperti CRM, kalendar atau pangkalan data?
Biasanya, anda menyambungkan enjin NLU kepada API daripada alatan anda (seperti kalendar atau CRM) supaya ia boleh mencetuskan tindakan berdasarkan input pengguna, seperti menjadualkan mesyuarat atau menarik data pelanggan, setelah ia memahami niat.
.png)
