Hoe werkt natural language understanding NLU?

Natural Language Understanding (NLU) heeft de manier veranderd waarop bedrijven met hun klanten communiceren. De mogelijkheid om de intentie van klanten te ontcijferen uit tekstberichten, e-mails en andere vormen van communicatie is essentieel geworden voor grote en kleine bedrijven.

‍

Wat is natuurlijk taalbegrip (NLU)?

Natural Language Understanding (NLU) is een tak van kunstmatige intelligentie (AI). NLU is een van de belangrijkste deelgebieden van natuurlijke taalverwerking (NLP), een vakgebied dat computationele linguïstiek op zinvolle en spannende manieren toepast.

NLP is een brede term die verschillende deelgebieden omvat, zoals informatie ophalen, informatie-extractie, tekst mining, spraakherkenning, taalmodellen, dialoogbeheer, automatische vertaling, conversatie-interfaces, natuurlijke taal generatie (NLG), en nog veel meer. NLU is een van de belangrijkste gebieden van NLP omdat het machines in staat stelt ons te begrijpen.

Het doel van NLU is om computersoftware in staat te stellen natuurlijke menselijke taal in verbale en geschreven vorm te begrijpen. NLU gebruikt algoritmen om menselijke spraak om te zetten in een goed gedefinieerd gegevensmodel van semantische en pragmatische definities.

Er zijn twee fundamentele concepten in NLU:

Intentieherkenning

Het doel van intentieherkenning is om het sentiment van de gebruiker in een tekst te identificeren en het doel van de communicatie te bepalen. Omdat het de betekenis van de tekst vaststelt, kan intentieherkenning worden beschouwd als het belangrijkste onderdeel van NLU-systemen.

Herkenning van entiteiten

De focus van entiteitherkenning is het identificeren van de entiteiten in een bericht om de belangrijkste informatie over hen te extraheren. Entiteitherkenning is gebaseerd op twee hoofdtypen entiteiten, numerieke entiteiten en benoemde entiteiten genaamd. Een numerieke entiteit kan verwijzen naar elk type numerieke waarde, inclusief getallen, valuta, datums en percentages. Genoemde entiteiten daarentegen kunnen de namen van mensen, bedrijven en locaties zijn.

Een aanvraag voor een vliegticket naar het eiland Man op 11 januari kan bijvoorbeeld als volgt worden uitgesplitst:

• Vliegticket [intentie]
• Reizen per vliegtuig [intentie]
• Eiland Man [locatie]
• 11 januari [datum]

‍

Het doel van NLU-trainingsgegevens

Trainingsgegevens, ook wel "voorbeelduitingen" genoemd, zijn een set geschreven voorbeelden van het type communicatie waarmee een systeem dat gebruik maakt van NLU naar verwachting zal communiceren. Het doel van het gebruik van NLU trainingsgegevens is om een NLU systeem voor te bereiden op het verwerken van echte menselijke spraak.

Trainingsgegevens organiseren ongestructureerde taal in sets die bekend staan als "buckets". Het doel van deze emmers is om voorbeelden van spraak te bevatten die, hoewel verschillend, dezelfde of een vergelijkbare betekenis hebben. Dezelfde emmer kan bijvoorbeeld de zinnen "boek me een rit" en "bel alstublieft een taxi naar mijn locatie" bevatten, omdat de bedoeling van beide zinnen op dezelfde actie duidt.

‍

Hoe werkt NLU in een chatbot?

Natural language understanding wordt gebruikt door chatbots om te begrijpen wat mensen zeggen als ze hun eigen woorden gebruiken. Dit maakt vloeiende gesprekken tussen mensen en chatbots mogelijk. Om een AI in staat te stellen NLU met succes in te zetten, moet deze eerst worden getraind. Door trainingsgegevens te gebruiken, kan chatbots met machine-leercapaciteiten begrijpen hoe context kan worden afgeleid uit ongestructureerde taal.

In het geval van chatbots , die is gemaakt om virtuele assistenten voor klanten te zijn, zullen de trainingsgegevens die ze krijgen relevant zijn voor hun taken en zullen ze concepten met betrekking tot andere onderwerpen niet begrijpen. Net als mensen zal een AI, als hij niet de juiste concepten heeft geleerd, niet de informatie hebben om complexe taken uit te voeren.

Als automatische spraakherkenning is geïntegreerd in de infrastructuur van de chatbot, dan kan deze spraak omzetten naar tekst voor NLU-analyse. Dit betekent dat bedrijven tegenwoordig conversatieassistenten kunnen maken die begrijpen wat gebruikers zeggen, instructies kunnen opvolgen en zelfs kunnen reageren met behulp van gegenereerde spraak.

Om NLU succesvol te implementeren, moet een chatbot in staat zijn om:

• Delen van spraak begrijpen en genereren
• Entiteiten extraheren en begrijpen
• De betekenis van woorden bepalen
• Andere verwerkingsactiviteiten gebruiken om concepten, zinnen en grammatica met elkaar te verbinden tot een beeld van bedoeling en betekenis.

Het verschil tussen bot en conversationele AI

‍

Een voorbeeld van het begrijpen van natuurlijke taal

Een duidelijk voorbeeld van NLU aan het werk is te vinden in je inbox. Alle grote e-mailoplossingen worden geleverd met NLU-gestuurde spamfilters. Deze organiseren inkomende e-mails om spam en computervirussen te verwijderen. Bedrijven kunnen e-mailfilters ook gebruiken om uitgaande e-mails te inspecteren om er zeker van te zijn dat alle werknemers zich aan het bedrijfsbeleid houden.

‍

Toepassingen en gebruikssituaties voor het begrijpen van natuurlijke taal

Gesprek chatbots

Klantenservice heeft een revolutie ondergaan door de introductie van conversationele AI. Dankzij de implementatie van klantenservice chatbots hoeven klanten niet meer lang in de wacht te staan om hulp te krijgen bij producten en diensten.

Door NLU te implementeren kan chatbots , die anders alleen kale antwoorden zouden kunnen geven, trefwoordherkenning gebruiken om hun conversatiemogelijkheden te vergroten. Met NLU-ondersteuning kan chatbots onmiddellijk 24/7 klantenondersteuning bieden in elke fase van het klanttraject. Deze competentie verbetert de klanttevredenheid drastisch door een snel communicatiekanaal te creëren om veelvoorkomende problemen op te lossen.

Klantenservice chatbots die gebruik maakt van NLU is in staat om:

• FAQ's beantwoorden
• Afrekenen en verzenden vereenvoudigen
• Persoonlijke input en richting geven

Met NLU chatbots kunnen bedrijven een breder scala aan gebruikersvragen beantwoorden tegen lagere operationele kosten. Deze chatbots kunnen de klantenservice overnemen op gebieden waar menselijke agenten tekortschieten. Een callcenter dat chatbots gebruikt, kan bijvoorbeeld op elk moment van de dag bereikbaar blijven voor klanten. Omdat chatbots niet moe of gefrustreerd raakt, kunnen ze consistent een positieve toon aanslaan, waardoor de reputatie van een merk intact blijft. NLU kan chatbots een zekere mate van emotionele intelligentie geven, waardoor ze emotioneel relevante reacties kunnen formuleren op geïrriteerde klanten.

Geautomatiseerde ticketondersteuning

Het handmatig beheren van tickets kan leiden tot een reeks ongemakken. Denk aan vertragingen, een ontelbaar aantal heen-en-weer e-mails en gefrustreerde klanten. Door middel van NLU kunnen deze veelvoorkomende handmatige processen eenvoudig worden vervangen door automatische AI-procedures. 

Een NLU-systeem dat in staat is om de tekst binnen elk ticket te begrijpen, kan deze op de juiste manier filteren en naar de juiste expert of afdeling doorsturen. Omdat de NLU-software begrijpt wat het daadwerkelijke verzoek is, kan het sneller een reactie van de relevante persoon of het relevante team mogelijk maken. Het systeem kan zowel klanten als medewerkers tijdig van betrouwbare informatie voorzien.

Hoewel dit over de hele linie nuttig is, hebben vooral de klantenservice en IT-afdelingen er baat bij. NLU-systemen kunnen de meest urgente tickets markeren en oplossingen aanbevelen dankzij hun vermogen om de context en betekenis te begrijpen van de verschillende verzoeken waarmee ze in contact komen.

Sentimentanalyse

Inzicht in de meningen, behoeften en verlangens van klanten is een van de belangrijkste prioriteiten van organisaties en merken. Door tastbare informatie te hebben over welke klantervaringen positief of negatief zijn, kunnen bedrijven de manier waarop ze hun producten en diensten aanbieden heroverwegen en verbeteren. NLU-gestuurde sentimentanalyse is een zeer effectieve methode om de stem van de klant te vangen, emoties uit tekst te halen en deze te gebruiken om de relatie tussen klant en merk te verbeteren.

Op het meest basale niveau kan sentimentanalyse de toon achter natuurlijke taalinput identificeren, zoals posts op sociale media. Verder kan de software ongestructureerde gegevens organiseren in begrijpelijke feedbackrapporten die de algemene mening van klanten weergeven. Met deze gegevens kunnen marketingteams strategischer te werk gaan bij het uitvoeren van campagnes.

Geautomatiseerde documentbeoordeling

Het handmatig nakijken van complexe documenten kan erg omslachtig, vermoeiend en tijdrovend zijn. Bovendien bestaat bij alledaagse en repetitieve taken vaak het risico op menselijke fouten, wat ernstige gevolgen kan hebben als de beoogde documenten gevoelig van aard zijn.

NLU-systemen daarentegen kunnen elk type document met ongekende snelheid en nauwkeurigheid beoordelen. Bovendien kan de software ook nuttige secundaire taken uitvoeren, zoals automatische entiteitextractie om belangrijke informatie te identificeren die nuttig kan zijn bij het nemen van tijdige zakelijke beslissingen.

Automatisering van bedrijfsprocessen en chatbots

‍

Ontwikkelingsdiensten voor het begrijpen van natuurlijke taal

Botpress kunt u gebruikmaken van de meest geavanceerde AI-technologieën, waaronder ultramoderne NLU-systemen. Door gebruik te maken van het Botpress open-source platform, kun je NLU-aangedreven chatbots maken die voorlopen op de concurrentie terwijl ze minder geld en middelen kosten.

Alle chatbots moeten worden getraind voordat ze kunnen worden ingezet, maar Botpress maakt dit proces aanzienlijk sneller. Chatbots gemaakt via Botpress kan concepten begrijpen met slechts 10 voorbeelden van een intentie, wat een directe impact heeft op de snelheid waarmee een chatbot klaar is om echte mensen te engageren.

Bovendien ondersteunt Botpress van nature meer dan 10 talen, waaronder Engels, Frans, Spaans, Arabisch en Japans. Gebruikers kunnen ook gebruikmaken van het FastText-model om toegang te krijgen tot 157 verschillende talen. Dankzij dit kan een enkele chatbot meertalige gesprekservaringen creëren en direct inspelen op verschillende markten.

Aan de slag!

‍