ความเข้าใจภาษาธรรมชาติ (NLU) คืออะไร?

NLU อาจฟังดูเหมือนเป็นคำย่ออีกคำในโลก AI แต่จริง ๆ แล้วเป็นหัวใจสำคัญที่ทำให้ AI เข้าใจสิ่งที่เราต้องการสื่อ

Siri รู้ได้อย่างไรว่าคุณขอเส้นทางหรืออยากฟังเพลง?

AI agent แยกแยะได้อย่างไรว่าคุณถามเรื่องสินค้า หรือแจ้งปัญหาการใช้งาน?

ลองมาดูว่าการทำงานของ NLU เป็นอย่างไร และทำไมจึงจำเป็นต่อการทำให้ AI ฉลาดขึ้น

NLU คืออะไร?

ความเข้าใจภาษาธรรมชาติ (NLU) เป็นส่วนหนึ่งของ การประมวลผลภาษาธรรมชาติ (NLP) ที่ทำให้เครื่องจักรสามารถตีความและเข้าใจภาษามนุษย์ได้

NLU ถูกนำไปใช้ใน แชทบอท AI, ผู้ช่วยเสมือน และเครื่องมือวิเคราะห์อารมณ์ ช่วยให้เครื่องจักรเข้าใจเจตนาของผู้ใช้ได้อย่างถูกต้อง ไม่ว่าจะเป็นข้อความหรือเสียง เพื่อดำเนินการที่เหมาะสมต่อไป

NLU ถือเป็นปัญหาที่ยากสำหรับ AI (หรือที่เรียกว่า AI-complete) หมายความว่าต้องใช้ปัญญาประดิษฐ์ในการแก้ไข NLU จะเป็นไปไม่ได้เลยหากไม่มี AI

NLU ทำงานอย่างไร?

NLU จะแยกวิเคราะห์ภาษามนุษย์เพื่อแปลความหมายและเจตนา โดยมีขั้นตอนดังนี้:

1. เตรียมข้อความล่วงหน้า

ก่อนเริ่มวิเคราะห์ ข้อความจะถูกทำความสะอาดโดยลบองค์ประกอบที่ไม่จำเป็น เช่น เครื่องหมายวรรคตอนและคำที่ไม่มีความหมาย เพื่อเน้นเนื้อหาสำคัญ

2. ระบุส่วนประกอบหลัก

ระบบจะดึง เอนทิตี, คำสำคัญ และวลี ออกมา เพื่อหาส่วนที่สำคัญที่สุดสำหรับการวิเคราะห์ต่อไป

3. วิเคราะห์โครงสร้างประโยค

โดยการตรวจสอบ ความสัมพันธ์ของคำและไวยากรณ์ NLU จะเข้าใจว่าคำและแนวคิดต่าง ๆ เชื่อมโยงกันอย่างไรในประโยค

4. จับคู่กับเจตนาและเป้าหมาย

ส่วนประกอบที่ดึงออกมาจะถูกจับคู่กับ เจตนาหรือวัตถุประสงค์ ที่กำหนดไว้ล่วงหน้า เพื่อช่วยให้ระบบเข้าใจจุดประสงค์ของผู้ใช้

5. ปรับความเข้าใจด้วยบริบท

การสนทนาและเบาะแสจากบริบทก่อนหน้า ช่วย เพิ่มความแม่นยำ ให้ระบบ NLU สามารถปรับคำตอบตามประวัติการสนทนาได้

6. สร้างผลลัพธ์ที่มีโครงสร้าง

สุดท้าย ระบบจะสร้าง คำตอบที่มีโครงสร้าง ซึ่งสามารถนำไปสั่งงาน ดำเนินการ หรือให้ข้อมูลที่เกี่ยวข้องได้

ตัวอย่างในชีวิตจริง

ลองดูตัวอย่างเพื่อความเข้าใจง่ายขึ้น

Patrick ใช้ AI agent ที่ทำงานร่วมกับแอปหลัก ๆ ของเขา รวมถึงปฏิทินด้วย

Patrick พิมพ์บอก AI agent ว่า “นัดประชุมกับ Anqi ตอนบ่าย 1 พรุ่งนี้ หรือเวลาที่ใกล้เคียงกัน แล้วนัดติดตามผลอีกครั้งในอีกสองสัปดาห์ถัดไป”

ในกระบวนการ agentic AI agent ของเขาจะ:

1. ระบุเจตนา: agent เข้าใจว่า Patrick ต้องการนัดประชุม
2. ดึงเอนทิตีสำคัญ: agent ระบุได้ว่า Patrick หมายถึง ‘Anqi’ ซึ่งเป็นรายชื่อ, ‘บ่าย 1’ คือเวลา, และ ‘พรุ่งนี้’ คือวันที่
3. วิเคราะห์ข้อความ: agent ระบุว่ากิจกรรมที่ต้องทำคือ ‘การนัดหมาย’ ซึ่งต้องทำกับ Anqi และเวลาวันที่คือบ่าย 1 ของวันพรุ่งนี้
4. เข้าใจบริบท: agent ตรวจสอบตารางของ Patrick และ Anqi เพื่อดูว่าบ่าย 1 พรุ่งนี้ว่างหรือไม่ ถ้าไม่ว่างก็จะเสนอเวลาที่ใกล้เคียงตามที่ขอ
5. ดำเนินการสุดท้าย: agent จะนัดประชุมและติดตามผลโดยส่งคำเชิญในปฏิทินให้ Patrick และ Anqi

การใช้งาน NLU ในชีวิตจริง

คุณอาจเจอ NLU ในชีวิตประจำวันโดยไม่รู้ตัว นี่คือตัวอย่างการใช้งานที่พบได้บ่อย:

การสร้างลูกค้าเป้าหมาย

NLU เป็นส่วนสำคัญของ การสร้างลูกค้าเป้าหมายด้วย AI ซึ่งเป็นการคัดกรองลูกค้าเป้าหมายผ่าน AI สนทนา ด้วยความเข้าใจภาษาธรรมชาติ แชทบอทสามารถระบุความต้องการและความพร้อมของลูกค้าเป้าหมาย และยังสามารถนัดหมายกับฝ่ายขายได้ทันทีหลังจากคัดกรอง

ผู้ช่วยเสียง

ผู้ช่วยเสียงอย่าง Siri, Alexa และ Google Assistant ใช้ NLU เพื่อเข้าใจเจตนาที่อยู่เบื้องหลังคำสั่งเสียงของคุณ

เช่น เมื่อคุณพูดว่า "ตั้งเตือนนัดทำเล็บตอนบ่ายสอง" ผู้ช่วยจะวิเคราะห์ประโยค แยกเจตนา (ตั้งเตือนความจำ) และดึงเอนทิตี (นัดทำเล็บ, พรุ่งนี้, บ่ายสอง) ออกมา

NLU ช่วยให้ผู้ช่วยเหล่านี้เข้าใจคำขอด้วยเสียงและดำเนินการได้ถูกต้อง

แชทบอทบริการลูกค้า

เมื่อคุณคุยกับ แชทบอทบริการลูกค้า แล้วพิมพ์ว่า "ของฉันอยู่ที่ไหน?" บอทจะใช้ NLU เพื่อเข้าใจว่าคุณต้องการเช็คสถานะการจัดส่ง

บอทจะดึงข้อมูลที่จำเป็น เช่น ข้อมูลคำสั่งซื้อของคุณ และแจ้งสถานะที่ถูกต้อง ความสามารถในการเข้าใจและตอบคำถามลูกค้าหลากหลายรูปแบบนี้เองที่ทำให้ NLU เป็นหัวใจของระบบบริการลูกค้าอัตโนมัยใหม่

การจัดหมวดหมู่อีเมลและระบบอัตโนมัติ

NLU ยังอยู่เบื้องหลังระบบอัตโนมัติของอีเมล เช่น เครื่องมือที่ขับเคลื่อนด้วย NLU สามารถอ่านอีเมลขาเข้า เข้าใจเนื้อหา และจัดหมวดหมู่อัตโนมัติ เช่น "ด่วน" "โปรโมชั่น" หรือ "การประชุม"

ระบบเหล่านี้ยังสามารถสร้างคำตอบที่เหมาะสมตามเนื้อหาอีเมล ช่วยประหยัดเวลาในการจัดการสื่อสารของธุรกิจ

การวิเคราะห์ข้อความสำหรับฟีดแบ็กและแบบสำรวจ

หลายบริษัทใช้ NLU วิเคราะห์ฟีดแบ็กจากแบบสำรวจ รีวิว และโพสต์บนโซเชียลมีเดีย

NLU ช่วยระบุรูปแบบและอารมณ์ในข้อความ ทำให้เข้าใจความต้องการและความคิดเห็นของลูกค้าได้ดีขึ้น

เช่น ระบบ NLU สามารถสแกนรีวิวลูกค้าหลายร้อยรายการและวิเคราะห์ว่าผู้ใช้ส่วนใหญ่รู้สึกเชิงบวกหรือเชิงลบต่อฟีเจอร์ใดฟีเจอร์หนึ่งด้วยการวิเคราะห์อารมณ์

องค์ประกอบสำคัญ

การแบ่งคำ (Tokenization)

การแบ่งคำคือการแยกประโยคออกเป็นหน่วยย่อย เช่น คำหรือวลี เพื่อให้ AI ประมวลผลได้ง่ายขึ้น

ตัวอย่าง: "นัดประชุมตอนบ่าย 3 พรุ่งนี้" จะถูกแบ่งเป็น ["นัดประชุม," "ตอน," "บ่าย 3," "พรุ่งนี้"]

การระบุชนิดคำ (Part-of-Speech: POS Tagging)

POS tagging คือการระบุโครงสร้างทางไวยากรณ์ของประโยค โดยกำหนดแต่ละคำว่าเป็นคำนาม กริยา คุณศัพท์ ฯลฯ

ตัวอย่าง: ใน "นัดประชุม" AI จะระบุว่า "นัด" เป็นกริยา และ "ประชุม" เป็นคำนาม

การรู้จำเอนทิตี (Named Entity Recognition: NER)

การรู้จำเอนทิตี (NER) คือการตรวจจับและจัดประเภทเอนทิตีสำคัญ เช่น ชื่อ สถานที่ และวันที่ในข้อความ

ตัวอย่าง: ใน "จองตั๋วไปนิวยอร์กวันศุกร์หน้า" AI จะระบุ "นิวยอร์ก" เป็นสถานที่ และ "วันศุกร์หน้า" เป็นวันที่

การจำแนกเจตนา (Intent Classification)

การจำแนกเจตนาคือการระบุเป้าหมายหรือความต้องการที่ซ่อนอยู่เบื้องหลังข้อความของผู้ใช้

ตัวอย่าง: "จองโต๊ะสำหรับสองคน" จะถูกจัดเป็นเจตนาในการจองโต๊ะ

การวิเคราะห์โครงสร้างประโยค (Dependency Parsing)

การวิเคราะห์โครงสร้างประโยค (Dependency Parsing) จะวิเคราะห์ความสัมพันธ์ระหว่างคำต่าง ๆ เพื่อทำความเข้าใจโครงสร้างไวยากรณ์ของประโยค

ตัวอย่าง: ใน "ส่งรายงานให้ Maria" AI จะระบุว่า "Maria" เป็นผู้รับรายงาน

การวิเคราะห์บริบท

การวิเคราะห์ตามบริบทจะใช้บทสนทนารอบข้างหรือปฏิสัมพันธ์ก่อนหน้า เพื่อให้แน่ใจว่าคำตอบมีความเกี่ยวข้องและแม่นยำ

ตัวอย่าง: หากผู้ใช้เคยสอบถามเกี่ยวกับโปรเจกต์เฉพาะมาก่อน AI อาจปรับคำตอบในอนาคตให้สอดคล้องกับบริบทนั้น

สร้างเอเจนต์ NLU แบบกำหนดเอง

ด้วยความก้าวหน้าของเทคโนโลยี AI ในปัจจุบัน ทุกคนสามารถสร้างเอเจนต์ AI ที่มีความสามารถด้าน NLU ได้

Botpress คือแพลตฟอร์มสร้างบอทที่ขยายความสามารถได้ไม่สิ้นสุด ออกแบบมาสำหรับองค์กร ช่วยให้นักพัฒนาสร้างแชทบอทและเอเจนต์ AI สำหรับทุกกรณีการใช้งาน

เริ่มต้นได้ง่ายด้วยแพ็กเกจฟรีของเรา คู่มือแบบละเอียด และ Botpress Academy

เริ่มสร้างได้เลยวันนี้ ฟรี

คำถามที่พบบ่อย

1. NLU เกี่ยวข้องกับการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกอย่างไร?

NLU (Natural Language Understanding) อาศัยแมชชีนเลิร์นนิงในการค้นหารูปแบบในข้อมูลข้อความ และใช้ดีปเลิร์นนิงเพื่อสร้างแบบจำลองโครงสร้างภาษาที่ซับซ้อน สถาปัตยกรรมดีปเลิร์นนิง เช่น transformers ช่วยให้ระบบ NLU ตีความบริบทและเจตนาได้อย่างแม่นยำ

2. ความแตกต่างระหว่าง NLU กับ Natural Language Generation (NLG) คืออะไร?

NLU (Natural Language Understanding) คือการตีความและสกัดความหมายจากสิ่งที่ผู้ใช้ป้อน ส่วน NLG (Natural Language Generation) คือการสร้างคำตอบที่เหมือนมนุษย์ กล่าวโดยสรุป NLU คือการอ่านและเข้าใจ NLG คือการเขียนและตอบกลับ

3. ปัจจุบัน NLU มีความแม่นยำแค่ไหน และปัจจัยใดบ้างที่ส่งผลต่อความแม่นยำนี้?

ระบบ NLU สมัยใหม่สามารถมีความแม่นยำมากกว่า 90% ในโดเมนที่กำหนดไว้อย่างชัดเจน แต่ประสิทธิภาพขึ้นอยู่กับคุณภาพของข้อมูลฝึกสอน ความหลากหลายของภาษา ความซับซ้อนของโดเมน และความสามารถของโมเดลในการจัดการกับความกำกวมหรือคำถามที่มีหลายเจตนา

4. โดยทั่วไปต้องใช้ข้อมูลมากแค่ไหนในการสร้างโมเดล NLU ที่เชื่อถือได้?

โดยทั่วไป การสร้างโมเดล NLU ที่เชื่อถือได้ต้องใช้ตัวอย่างที่ติดป้ายกำกับแล้วหลายพันตัวอย่างต่อเจตนาหรือเอนทิตี แต่การใช้ transfer learning และโมเดลที่ฝึกไว้ล่วงหน้า (เช่น BERT หรือ GPT) สามารถลดความต้องการข้อมูลเหลือเพียงไม่กี่ร้อยตัวอย่างต่อคลาส

5. จะผสานรวม NLU engine เข้ากับเครื่องมืออื่น เช่น CRM ปฏิทิน หรือฐานข้อมูลได้อย่างไร?

คุณสามารถเชื่อมต่อเอนจิน NLU กับเครื่องมือเหล่านี้ได้โดยเชื่อมต่อกับ API ที่ช่วยให้ระบบดำเนินการได้เมื่อระบุเจตนาของผู้ใช้ เช่น การสร้างนัดหมาย ดึงข้อมูลติดต่อ หรืออัปเดตข้อมูล ซึ่งอาจต้องเขียนสคริปต์ฝั่งเซิร์ฟเวอร์หรือใช้แพลตฟอร์มที่รองรับการเชื่อมต่อโดยตรง