- ความเข้าใจภาษาธรรมชาติ (NLU) เป็นแง่มุมหนึ่งของ AI ที่ช่วยให้คอมพิวเตอร์เข้าใจว่าผู้คนหมายถึงอะไรจริงๆ เมื่อพูดหรือพิมพ์ รวมถึงเข้าใจเจตนาและรายละเอียดสำคัญของพวกเขา
- มันทำงานโดยการแยกประโยค ระบุคำหลักหรือชื่อ และเชื่อมโยงคำกับบทบาทในประโยคเพื่อเข้าใจบริบท
- NLU ถูกใช้ในเครื่องมือต่างๆ มากมายที่เราใช้ในชีวิตประจำวัน เช่น ผู้ช่วยเสียง (Siri, Alexa) แชทบอทบริการลูกค้า การจัดเรียงอีเมล และการวิเคราะห์ข้อเสนอแนะเพื่อค้นหาแนวโน้มหรือความรู้สึกในข้อความ
- เทคนิคหลักใน NLU ได้แก่ การแบ่งประโยคเป็นคำ การแท็กส่วนของคำพูด การตรวจจับชื่อหรือวันที่ การระบุสิ่งที่ผู้ใช้ต้องการ และการใช้บริบทการสนทนาในอดีตเพื่อการตอบกลับที่ดีขึ้น
NLU อาจฟังดูเหมือนคำย่ออีกคำหนึ่งในระบบนิเวศ AI แต่มีความสำคัญในการทำให้ AI เข้าใจว่าเรากำลังหมายถึงอะไรจริงๆ
Siri รู้ได้อย่างไรว่าคุณกำลังถามเส้นทางหรือกำลังเล่นเพลง?
ตัวแทน AI ทราบความแตกต่างระหว่างคำถามเกี่ยวกับผลิตภัณฑ์และคำขอการสนับสนุนได้อย่างไร
มาดูกันว่า NLU ทำงานอย่างไร และเหตุใดจึงจำเป็นสำหรับการโต้ตอบ AI ที่ชาญฉลาดยิ่งขึ้น
NLU คืออะไร?
ความเข้าใจภาษาธรรมชาติ (NLU) เป็นส่วนย่อยของ การประมวลผลภาษาธรรมชาติ (NLP) ที่ทำให้เครื่องจักรสามารถตีความและเข้าใจภาษาของมนุษย์ได้
NLU ใช้ใน แชทบอท AI ผู้ช่วยเสมือน และเครื่องมือวิเคราะห์ความรู้สึก ช่วยให้เครื่องจักรตีความเจตนาของผู้ใช้ได้อย่างแม่นยำ ไม่ว่าจะเป็นข้อความหรือเสียง เพื่อให้สามารถติดตามการดำเนินการที่เหมาะสมได้
NLU ถือเป็นปัญหาที่ยากต่อ AI (เรียกอีกอย่างว่าปัญหา AI-complete) ซึ่งหมายความว่าปัญหาเหล่านี้ต้องใช้ปัญญาประดิษฐ์จึงจะแก้ไขได้ NLU เป็นไปไม่ได้หากไม่มีปัญญาประดิษฐ์ (AI)
NLU ทำงานอย่างไร?
.webp)
NLU แบ่งภาษาของมนุษย์ออกเป็นสองส่วนเพื่อตีความความหมายและเจตนาของมัน โดยแต่ละขั้นตอนจะมีการทำงานดังนี้:
1. การประมวลผลข้อความเบื้องต้น
ก่อนจะเริ่มวิเคราะห์ ข้อความจะถูกทำความสะอาดโดยการลบองค์ประกอบที่ไม่จำเป็น เช่น เครื่องหมายวรรคตอนและคำหยุด เพื่อเน้นเนื้อหาที่มีความหมาย
2. การระบุส่วนประกอบที่สำคัญ
ระบบจะแยก เอนทิตี คำสำคัญ และวลี ออกมา แล้วระบุส่วนที่เกี่ยวข้องที่สุดของข้อความเพื่อวิเคราะห์เพิ่มเติม
3. การวิเคราะห์โครงสร้างประโยค
โดยการตรวจสอบ ความสัมพันธ์ของคำและไวยากรณ์ NLU สามารถกำหนดได้ว่าคำและแนวคิดต่างๆ โต้ตอบกันอย่างไรภายในประโยค
4. การจัดทำแผนที่ไปสู่เจตนาและเป้าหมาย
ส่วนประกอบที่แยกออกมาจะตรงกับ จุดประสงค์หรือเป้าหมาย ที่กำหนดไว้ล่วงหน้า ช่วยให้ระบบเข้าใจจุดประสงค์ของผู้ใช้
5. การปรับปรุงความเข้าใจด้วยบริบท
การโต้ตอบในอดีตและเบาะแสบริบทจะช่วย ปรับปรุงความแม่นยำ ทำให้ระบบ NLU สามารถปรับการตอบสนองตามประวัติการสนทนาได้
6. การสร้างผลลัพธ์ที่มีโครงสร้าง
ในที่สุด ระบบจะสร้าง การตอบสนองที่มีโครงสร้าง ซึ่งสามารถกระตุ้นการดำเนินการ ดำเนินการคำสั่ง หรือส่งมอบข้อมูลที่เกี่ยวข้อง
ตัวอย่างจากโลกแห่งความเป็นจริง
มาแยกมันออกด้วยตัวอย่างกันดีกว่า
แพทริคใช้ ตัวแทน AI ในการทำงานที่บูรณาการกับแอปพลิเคชันหลักทั้งหมดของเขา รวมถึงปฏิทินของเขาด้วย
แพทริกพิมพ์ข้อความถึงเอเจนต์ AI ของเขาว่า “กำหนดนัดประชุมกับอันฉีพรุ่งนี้เวลาบ่ายโมงหรือเวลาอื่นที่ใกล้เคียง กำหนดนัดติดตามผลในอีกสองสัปดาห์ต่อมา”
ในระหว่างเวิร์กโฟลว์ AI ของตัวแทน ตัวแทนจะ:
- ระบุเจตนา: ตัวแทนระบุว่าแพทริกต้องการกำหนดเวลาการประชุม
- แยกข้อมูลสำคัญ: ตัวแทนระบุว่าแพทริกกำลังพูดถึง 'อันฉี' ซึ่งเป็นข้อมูลติดต่อ 'บ่ายโมง' คือเวลา และ 'พรุ่งนี้' คือวันที่
- การวิเคราะห์คำพูด: ตัวแทนระบุว่ารายการการดำเนินการคือ 'การกำหนดตาราง' และควรทำโดย Anqi และเวลาและวันควรเป็น 13.00 น. ของวันพรุ่งนี้
- ความเข้าใจบริบท: ตัวแทนจะตรวจสอบปฏิทินของแพทริกและอันกีเพื่อให้แน่ใจว่ามีเวลาว่าง หากเวลา 13.00 น. ของวันพรุ่งนี้ไม่ว่าง ตัวแทนจะเสนอเวลาที่คล้ายกันตามที่ร้องขอ
- การดำเนินการขั้นสุดท้าย: ตัวแทนกำหนดตารางการประชุมและการติดตามผลโดยการส่งคำเชิญปฏิทินไปยังแพทริกและอันฉี
การใช้ NLU ในโลกแห่งความเป็นจริง
เป็นไปได้ว่าคุณอาจพบเจอ NLU ในชีวิตประจำวันโดยที่คุณไม่ทันสังเกต ต่อไปนี้คือแอปพลิเคชันทั่วไปบางส่วนในโลกแห่งความเป็นจริง:
การสร้างโอกาสในการขาย
NLU เป็นส่วนประกอบสำคัญของ การสร้างโอกาสทางการขายด้วย AI ซึ่งเป็นรูปแบบหนึ่งของการคัดเลือกโอกาสทางการขายโดยใช้ AI เชิงสนทนา โดยใช้ความเข้าใจภาษาธรรมชาติ แชทบอตสามารถระบุความต้องการและความสามารถของโอกาสทางการขายที่เข้ามาได้ แชทบอตสามารถจองการประชุมตามปฏิทินกับตัวแทนฝ่ายขายได้โดยตรงหลังจากคัดเลือกโอกาสทางการขายแล้ว
ผู้ช่วยเสียง
ผู้ช่วยเสียงเช่น Siri, Alexa และ Google Assistant อาศัย NLU เพื่อทำความเข้าใจเจตนาเบื้องหลังคำสั่งพูดของคุณ
ตัวอย่างเช่น เมื่อคุณพูดว่า "ตั้งการแจ้งเตือนสำหรับการนัดหมายทำเล็บตอน 14.00 น." ผู้ช่วยจะแยกประโยคของคุณ ระบุจุดประสงค์ (ตั้งการแจ้งเตือน) และแยกรายการต่างๆ ออกมา (การนัดหมายทำเล็บ พรุ่งนี้ 14.00 น.)
NLU ช่วยให้ผู้ช่วยเหล่านี้สามารถรับรู้คำขอด้วยวาจาและติดตามด้วยการดำเนินการที่ถูกต้อง
แชทบอทบริการลูกค้า
เมื่อคุณโต้ตอบกับ แชทบอทของฝ่ายสนับสนุนลูกค้า และพิมพ์ว่า "พัสดุของฉันอยู่ที่ไหน" บอทจะใช้ NLU เพื่อระบุว่าคุณต้องการตรวจสอบสถานะการจัดส่ง
ระบบจะดึงข้อมูลที่จำเป็น – ข้อมูลการสั่งซื้อของคุณ – และทำการอัพเดตข้อมูลอย่างถูกต้อง ความสามารถในการทำความเข้าใจและตอบคำถามต่างๆ ของลูกค้าคือสิ่งที่ทำให้ NLU เป็นส่วนสำคัญของระบบอัตโนมัติในการบริการลูกค้าในยุคใหม่
การเรียงลำดับและการทำงานอัตโนมัติของอีเมล์
NLU ยังพบได้ในระบบอัตโนมัติของอีเมลด้วย ตัวอย่างเช่น เครื่องมือที่ขับเคลื่อนด้วย NLU สามารถอ่านอีเมลขาเข้า ทำความเข้าใจเนื้อหา และจัดเรียงอีเมลเหล่านั้นโดยอัตโนมัติตามหมวดหมู่ เช่น "เร่งด่วน" "โปรโมชัน" หรือ "การประชุม"
ระบบเหล่านี้สามารถสร้างการตอบกลับที่เหมาะสมได้โดยอิงตามเนื้อหาของอีเมล ช่วยให้ธุรกิจประหยัดเวลาในการจัดการการสื่อสาร
การวิเคราะห์ข้อความสำหรับการตอบรับและการสำรวจ
บริษัทต่างๆ มักใช้ NLU เพื่อวิเคราะห์ข้อเสนอแนะจากแบบสำรวจ บทวิจารณ์ และโพสต์บนโซเชียลมีเดีย
NLU ช่วยระบุรูปแบบและความรู้สึกในภาษาเขียน ทำให้สามารถเข้าใจความต้องการและความคิดเห็นของลูกค้าได้
ตัวอย่างเช่น ระบบ NLU สามารถสแกนรีวิวของลูกค้าหลายร้อยรายและระบุได้ว่าผู้ใช้ส่วนใหญ่มีความรู้สึกในเชิงบวกหรือเชิงลบเกี่ยวกับฟีเจอร์เฉพาะหนึ่งๆ โดยใช้การวิเคราะห์ความรู้สึก
ส่วนประกอบหลัก
โทเค็น
การสร้างโทเค็นคือกระบวนการแบ่งประโยคให้เป็นหน่วยที่เล็กลง เช่น คำหรือวลี เพื่อให้ AI ประมวลผลได้ง่ายขึ้น
ตัวอย่าง : "กำหนดการประชุมเวลา 15.00 น. พรุ่งนี้" ถูกแปลงเป็น ["กำหนดการ" "a" "การประชุม" "สำหรับ" "15.00 น." "พรุ่งนี้"]
การแท็กส่วนของคำพูด (POS)
การแท็ก POS ระบุโครงสร้างไวยากรณ์ของประโยคโดยการติดป้ายกำกับแต่ละคำเป็นคำนาม กริยา คำคุณศัพท์ เป็นต้น
ตัวอย่าง : ใน "กำหนดการประชุม" AI จะแท็ก "กำหนดการประชุม" เป็นกริยา และ "การประชุม" เป็นคำนาม
การจดจําเอนทิตีที่มีชื่อ (NER)
การจดจำเอนทิตีที่มีชื่อ (NER) ตรวจจับและจัดหมวดหมู่เอนทิตีที่สำคัญ เช่น ชื่อ สถานที่ และวันที่ภายในข้อความ
ตัวอย่าง : ใน "จองเที่ยวบินไปนิวยอร์กวันศุกร์หน้า" AI จะระบุ "นิวยอร์ก" เป็นสถานที่ และระบุ "วันศุกร์หน้า" เป็นวันที่
การจำแนกประเภทเจตนา
การจำแนกประเภทความตั้งใจจะกำหนดเป้าหมายหรือจุดประสงค์พื้นฐานเบื้องหลังข้อมูลอินพุตของผู้ใช้
ตัวอย่าง : “จองโต๊ะสำหรับสองท่าน” ถือเป็นการแสดงเจตนาที่จะทำการจอง
การวิเคราะห์การอ้างอิง
การวิเคราะห์การอ้างอิงจะวิเคราะห์ความสัมพันธ์ระหว่างคำเพื่อทำความเข้าใจโครงสร้างทางไวยากรณ์ของประโยค
ตัวอย่าง : ใน "ส่งรายงานไปยัง Maria" AI ระบุว่า "Maria" คือผู้รับรายงาน
การวิเคราะห์เชิงบริบท
การวิเคราะห์บริบทใช้บทสนทนาโดยรอบหรือการโต้ตอบก่อนหน้านี้เพื่อให้แน่ใจว่าคำตอบมีความเกี่ยวข้องและถูกต้องแม่นยำ
ตัวอย่าง : หากผู้ใช้ถามเกี่ยวกับโครงการเฉพาะก่อนหน้านี้ AI อาจปรับแต่งคำตอบในอนาคตตามบริบทนั้น
สร้างตัวแทน NLU ที่กำหนดเอง
ด้วยความก้าวหน้าอย่างรวดเร็วของเทคโนโลยี AI ใครๆ ก็สามารถสร้างตัวแทน AI ที่มีขีดความสามารถ NLU ได้
Botpress เป็นแพลตฟอร์มการสร้างบอทที่ขยายได้อย่างไม่มีที่สิ้นสุดที่สร้างขึ้นสำหรับองค์กร stack ช่วยให้นักพัฒนาสามารถสร้างแชทบอทและตัวแทน AI สำหรับกรณีการใช้งานใดๆ ได้
เริ่มต้นใช้งานได้ง่ายด้วยระดับการใช้งานฟรี บทช่วยสอนที่ครอบคลุม และ Botpress Academy
เริ่มสร้างวันนี้ มันฟรี.
คำถามที่พบบ่อย
1. NLU เกี่ยวข้องกับการเรียนรู้ของเครื่องจักรและการเรียนรู้เชิงลึกอย่างไร
NLU ถูกสร้างขึ้นจากการเรียนรู้ของเครื่องจักรและเทคนิคการเรียนรู้เชิงลึก ซึ่งช่วยให้ระบบเรียนรู้รูปแบบภาษาจากข้อมูลแทนที่จะต้องพึ่งพากฎเกณฑ์ที่เข้มงวด การเรียนรู้เชิงลึกโดยเฉพาะจะช่วยเพิ่มความเข้าใจขั้นสูงเกี่ยวกับบริบทและความแตกต่าง
2. ความแตกต่างระหว่าง NLU และ Natural Language Generation (NLG) คืออะไร?
NLU ช่วยให้เครื่องจักรเข้าใจสิ่งที่คุณพูด ในขณะที่ NLG คือการทำให้เครื่องจักรตอบสนองเป็นภาษาที่คล้ายกับมนุษย์ ลองนึกถึง NLU ว่าเป็นการอ่านทำความเข้าใจ และ NLG ว่าเป็นการเขียน
3. NLU ในปัจจุบันมีความแม่นยำเพียงใด และมีปัจจัยใดบ้างที่ส่งผลต่อความแม่นยำ?
NLU ค่อนข้างดี โดยเฉพาะกับโมเดลสมัยใหม่ แต่ความแม่นยำยังขึ้นอยู่กับคุณภาพและขนาดของข้อมูลฝึกอบรม โดเมนที่ใช้ และความจัดการกับความคลุมเครือหรือศัพท์แสงได้ดีเพียงใด
4. โดยทั่วไปต้องใช้ข้อมูลเท่าใดจึงจะสร้างแบบจำลอง NLU ที่เชื่อถือได้
มันแตกต่างกันไป แต่โดยทั่วไปแล้ว คุณต้องมีตัวอย่างที่มีป้ายกำกับเป็นจำนวนหลายพันรายการต่อเจตนาหรือเอนทิตีเพื่อประสิทธิภาพที่มั่นคง แม้ว่าการเรียนรู้การถ่ายโอนและโมเดลที่ผ่านการฝึกอบรมล่วงหน้าจะช่วยลดสิ่งนั้นได้อย่างมากก็ตาม
5. คุณจะบูรณาการเครื่องมือ NLU เข้ากับเครื่องมืออื่น เช่น CRM ปฏิทิน หรือฐานข้อมูลได้อย่างไร
โดยปกติแล้ว คุณจะเชื่อมต่อเครื่องมือ NLU กับ API จากเครื่องมือของคุณ (เช่น ปฏิทินหรือ CRM) เพื่อให้สามารถเรียกใช้การดำเนินการต่างๆ ตามอินพุตของผู้ใช้ เช่น การกำหนดตารางการประชุมหรือการดึงข้อมูลลูกค้า เมื่อเข้าใจเจตนาแล้ว
.png)
