- Ang Natural Language Understanding ay isang aspeto ng AI na tumutulong sa mga kompyuter na maunawaan ang tunay na ibig sabihin ng sinasabi o itinitipa ng tao, kabilang ang kanilang layunin at mahahalagang detalye.
- Gumagana ito sa pamamagitan ng paghahati ng mga pangungusap, pagtukoy ng mahahalagang salita o pangalan, at pag-uugnay ng mga salita sa kanilang papel sa pangungusap para maintindihan ang konteksto.
- Ginagamit ang NLU sa mga voice assistant, chatbot ng serbisyo sa customer, pagsasaayos ng email, at iba pang pagsusuri ng karaniwang wika.
Maaaring mukhang isa lang sa maraming acronym ang NLU sa AI, pero mahalaga ito para maintindihan ng AI ang tunay nating ibig sabihin.
Paano nalalaman ni Siri kung humihingi ka ng direksyon o nagpapapatugtog ng kanta?
Paano malalaman ng AI agent ang pagkakaiba ng tanong tungkol sa produkto at request para sa suporta?
Himayin natin kung paano gumagana ang NLU at bakit ito mahalaga para sa mas matalinong AI na interaksyon.
Ano ang NLU?
Ang natural language understanding (NLU) ay isang bahagi ng natural language processing (NLP) na tumutulong sa mga makina na magpaliwanag at makaunawa ng wika ng tao.
Ginagamit ang NLU sa AI chatbots, virtual assistants, at mga tool sa sentiment analysis. Pinapahintulutan nitong maintindihan ng mga makina ang layunin ng user—text man o boses—para makapagbigay ng tamang aksyon.
Itinuturing na AI-hard problem ang NLU (kilala rin bilang AI-complete), ibig sabihin ay kailangan ng artificial intelligence para maresolba ito. Hindi posible ang NLU nang walang AI.
Paano gumagana ang NLU?
.webp)
Hinahati ng NLU ang wika ng tao para matukoy ang kahulugan at layunin nito. Ganito ang proseso, hakbang-hakbang:
1. Paunang Pagproseso ng Teksto
Bago magsimula ang pagsusuri, nililinis muna ang teksto sa pamamagitan ng pagtanggal ng hindi kinakailangang bahagi tulad ng puntuasyon at stop words para magpokus sa mahalagang nilalaman.
2. Pagkilala sa mga Pangunahing Bahagi
Kinukuha ng sistema ang entities, keywords, at parirala, tinutukoy ang pinakamahalagang bahagi ng teksto para sa karagdagang pagsusuri.
3. Pagsusuri ng Estruktura ng Pangungusap
Sa pagsusuri ng ugnayan ng mga salita at gramatika, natutukoy ng NLU kung paano nagkakaugnay ang iba’t ibang salita at konsepto sa loob ng pangungusap.
4. Pagmamapa sa mga Layunin at Layunin
Ang mga nakuha o na-extract na bahagi ay itinatapat sa mga paunang natukoy na intensyon o layunin upang matulungan ang sistema na maunawaan ang pakay ng gumagamit.
5. Pagpapalalim ng Pag-unawa gamit ang Konteksto
Ang mga nakaraang interaksyon at mga pahiwatig sa konteksto ay tumutulong upang mapahusay ang katumpakan, kaya kayang i-adjust ng NLU system ang mga tugon batay sa kasaysayan ng usapan.
6. Pagbuo ng Istrakturadong Output
Sa huli, gumagawa ang sistema ng isang estrukturadong tugon na maaaring mag-trigger ng aksyon, magpatupad ng utos, o magbigay ng kaugnay na impormasyon.
Halimbawa sa Totoong Buhay
Himayin natin gamit ang halimbawa.
Gumagamit si Patrick ng AI agent sa trabaho na nakakabit sa lahat ng pangunahing aplikasyon niya, kabilang ang kalendaryo.
Nag-type si Patrick sa kanyang AI agent: “Mag-iskedyul ng meeting kay Anqi ng 1pm bukas, o anumang malapit dito. Mag-iskedyul ng follow-up makalipas ang dalawang linggo.”
Sa proseso ng kanyang agentic AI workflow, gagawin ng agent na ito ang mga sumusunod:
- Tukuyin ang layunin: Natukoy ng agent na nais ni Patrick mag-iskedyul ng meeting
- I-extract ang mahahalagang entity: Natukoy ng agent na si Patrick ay tumutukoy kay ‘Anqi’ bilang contact, ‘1pm’ bilang oras, at ‘bukas’ bilang petsa.
- Pagsusuri ng sinabi: Nakita ng agent na ang gagawin ay ‘pag-schedule’, dapat kay Anqi, at ang oras at araw ay 1pm bukas.
- Pag-unawa sa konteksto: Tinitingnan ng agent ang kalendaryo nina Patrick at Anqi para tiyaking available sila. Kung hindi libre ang 1pm bukas, magmumungkahi ito ng katulad na oras, ayon sa hiling.
- Huling aksyon: Iniskedyul ng ahente ang meeting at follow-up sa pamamagitan ng pagpapadala ng calendar invites kina Patrick at Anqi.
Mga Gamit ng NLU sa Tunay na Mundo

Malamang na nakakasalamuha mo ang NLU sa araw-araw mong buhay, madalas nang hindi mo namamalayan. Narito ang ilan sa mga pinakakaraniwang gamit nito sa totoong mundo:
Pagbuo ng lead
Mahalaga ang NLU sa AI lead generation, isang paraan ng pag-kwalipika ng mga lead gamit ang conversational AI. Sa tulong ng natural language understanding, natutukoy ng mga chatbot ang pangangailangan at kakayahan ng mga pumapasok na lead. Maaari pa silang mag-book ng meeting sa kalendaryo kasama ang sales rep pagkatapos ma-kwalipika ang lead.
Voice assistant
Umaasa ang mga voice assistant tulad ng Siri, Alexa, at Google Assistant sa NLU para maintindihan ang layunin ng iyong mga sinabing utos.
Halimbawa, kapag sinabi mong, "Mag-set ng paalala para sa nail appointment ko ng 2 PM," hinahati ng assistant ang pangungusap mo, tinutukoy ang layunin (mag-set ng paalala), at kinukuha ang mga entity (nail appointment, bukas, 2 PM).
Pinapahintulutan ng NLU ang mga assistant na ito na maintindihan ang mga pasalitang kahilingan at magpatuloy sa tamang aksyon.
Mga chatbot para sa serbisyo sa customer
Kapag nakipag-ugnayan ka sa isang customer support chatbot at nag-type ng "Nasaan na ang package ko?", ginagamit ng bot ang NLU para matukoy na ang layunin mo ay tingnan ang status ng delivery.
Kinukuha nito ang kinakailangang entity – ang impormasyon ng iyong order – at ibinibigay ang tamang update. Ang kakayahang ito na umunawa at tumugon sa iba't ibang tanong ng customer ang dahilan kung bakit mahalaga ang NLU sa makabagong automation ng customer service.
Pag-aayos at awtomasyon ng email
Matatagpuan din ang NLU sa likod ng mga sistema ng email automation. Halimbawa, kayang basahin ng mga tool na pinapagana ng NLU ang mga papasok na email, unawain ang nilalaman, at awtomatikong ayusin ang mga ito sa mga kategoryang tulad ng "urgent," "promotions," o "meetings."
Kaya ring gumawa ng mga angkop na tugon ng mga sistemang ito batay sa nilalaman ng email, kaya nakakatipid ng oras ang mga negosyo sa pamamahala ng komunikasyon.
Text analytics para sa feedback at mga survey
Madalas gamitin ng mga kumpanya ang NLU para suriin ang feedback mula sa mga survey, review, at post sa social media.
Tumutulong ang NLU na tukuyin ang mga pattern at damdamin sa nakasulat na wika, kaya nagiging posible ang pag-unawa sa pangangailangan at opinyon ng customer.
Halimbawa, kayang suriin ng NLU system ang daan-daang review ng customer at matukoy kung karamihan ay positibo o negatibo ang nararamdaman tungkol sa isang partikular na tampok gamit ang sentiment analysis.
Pangunahing Bahagi

Tokenization
Ang tokenization ay proseso ng paghahati ng pangungusap sa mas maliliit na yunit, tulad ng mga salita o parirala, upang mas madaling maproseso ng AI.
Halimbawa: "Mag-iskedyul ng pulong sa 3 PM bukas" ay hinahati-hati bilang ["Mag-iskedyul," "ng," "pulong," "sa," "3 PM," "bukas"].
Part-of-Speech (POS) Tagging
Tinutukoy ng POS tagging ang estruktura ng pangungusap sa pamamagitan ng pag-label sa bawat salita bilang pangngalan, pandiwa, pang-uri, atbp.
Halimbawa: Sa "Mag-iskedyul ng meeting," tinutukoy ng AI ang "Mag-iskedyul" bilang pandiwa at "meeting" bilang pangngalan.
Named Entity Recognition (NER)
Tinutukoy at inuuri ng Named Entity Recognition (NER) ang mahahalagang entidad tulad ng pangalan, lokasyon, at petsa sa loob ng teksto.
Halimbawa: Sa "Mag-book ng flight papuntang New York sa susunod na Biyernes," kinikilala ng AI ang "New York" bilang lokasyon at "susunod na Biyernes" bilang petsa.
Pag-uuri ng Layunin
Tinutukoy ng intent classification ang tunay na layunin o pakay ng user sa likod ng kanilang input.
Halimbawa: Ang "Magpareserba ng mesa para sa dalawa" ay ikinategorya bilang intensyon na magpareserba.
Pag-parse ng Dependency
Sinusuri ng dependency parsing ang ugnayan ng mga salita para maintindihan ang istruktura ng pangungusap.
Halimbawa: Sa "Ipadala ang ulat kay Maria," kinikilala ng AI na si "Maria" ang tatanggap ng ulat.
Pagsusuri ng Konteksto
Gumagamit ang contextual analysis ng mga nakapaligid na usapan o naunang interaksyon para matiyak na ang mga sagot ay angkop at tama.
Halimbawa: Kung dati nang nagtanong ang user tungkol sa isang partikular na proyekto, maaaring iangkop ng AI ang mga susunod na sagot batay sa kontekstong iyon.
Bumuo ng sariling NLU agent
Dahil sa mabilis na pag-unlad ng AI technology, kahit sino ay kayang bumuo ng AI agent na may NLU na kakayahan.
Ang Botpress ay isang walang katapusang extensible na bot-building platform na ginawa para sa mga enterprise. Pinapayagan ng aming stack ang mga developer na gumawa ng chatbot at AI agent para sa anumang gamit.
Madali lang magsimula gamit ang aming libreng tier, malawak na mga tutorial, at Botpress Academy.
Simulan ang paggawa ngayon. Libre ito.
FAQs
1. Paano nauugnay ang NLU sa machine learning at deep learning?
Ang NLU (Natural Language Understanding) ay umaasa sa machine learning para tukuyin ang mga pattern sa text data at sa deep learning para imodelo ang masalimuot na estruktura ng wika. Ang mga deep learning architecture tulad ng transformers ay nagbibigay-daan sa NLU system na maintindihan ang konteksto at layunin nang may mataas na katumpakan.
2. Ano ang pagkakaiba ng NLU at Natural Language Generation (NLG)?
Ang NLU (Natural Language Understanding) ay tungkol sa pag-unawa at pagkuha ng kahulugan mula sa input ng user, habang ang NLG (Natural Language Generation) ay nakatuon sa paggawa ng sagot na parang tao. Sa madaling sabi, nagbabasa at umuunawa ang NLU. Nagsusulat at tumutugon ang NLG.
3. Gaano katumpak ang NLU ngayon, at anu-ano ang mga salik na nakaaapekto sa katumpakan nito?
Kayang umabot ng higit 90% na katumpakan ang mga modernong NLU system sa malinaw na mga larangan, ngunit nakadepende pa rin ito sa kalidad ng training data, uri ng wika, komplikasyon ng domain, at kung gaano kahusay humawak ng kalabuan o sabayang layunin ang modelo.
4. Gaano karaming datos ang karaniwang kailangan para makabuo ng maaasahang NLU model?
Para makabuo ng maaasahang NLU model, karaniwan ay kailangan ng libo-libong labeled na halimbawa kada intent o entity, pero gamit ang transfer learning at pre-trained na modelo (tulad ng BERT o GPT), puwedeng bumaba ito sa ilang daang halimbawa kada klase.
5. Paano isinasama ang NLU engine sa iba pang mga kasangkapan tulad ng CRM, kalendaryo, o database?
Ikinokonekta mo ang NLU engine sa mga kasangkapan sa pamamagitan ng pag-link nito sa mga API na nagpapahintulot sa sistema na kumilos kapag natukoy ang layunin ng gumagamit – gaya ng paggawa ng appointment, pagkuha ng impormasyon ng kontak, o pag-update ng talaan. Kabilang dito ang backend scripting o paggamit ng platapormang may katutubong suporta sa integrasyon.







