Ang NLU ay maaaring parang isa pang acronym sa AI ecosystem, ngunit mahalaga ito sa pagpapaunawa sa AI kung ano talaga ang ibig nating sabihin.
Paano malalaman ni Siri kapag humihingi ka ng mga direksyon kumpara sa pagtugtog ng kanta?
Paano malalaman ng AI chatbot ang pagkakaiba sa pagitan ng isang tanong sa produkto at isang kahilingan sa suporta?
Pag-usapan natin kung paano gumagana ang NLU at kung bakit ito kinakailangan para sa mas matalinong pakikipag-ugnayan ng AI.
Ano ang NLU?
Ang natural language understanding (NLU) ay isang subset ng natural language processing (NLP) na nagbibigay-daan sa mga makina na bigyang-kahulugan at maunawaan ang wika ng tao.
Ginagamit ang NLU sa AI chatbots , virtual assistants , at sentiment analysis tool. Binibigyang-daan nito ang mga makina na tumpak na bigyang-kahulugan ang layunin ng user – text man ito o boses – upang masundan nila ang naaangkop na pagkilos.
Ang NLU ay itinuturing na isang AI-hard na problema (kilala rin bilang AI-complete), ibig sabihin ay nangangailangan sila ng artificial intelligence upang malutas. Imposible ang NLU nang walang artificial intelligence (AI).
Paano Gumagana ang NLU?
Pinaghihiwa-hiwalay ng NLU ang wika ng tao upang bigyang-kahulugan ang kahulugan at layunin nito. Narito kung paano ito gumagana nang sunud-sunod:
- Ang teksto ay paunang naproseso upang alisin ang mga hindi kinakailangang elemento (tulad ng bantas at mga salita sa paghinto).
- Tinutukoy ng system ang mga pangunahing bahagi tulad ng mga entity, keyword, at parirala mula sa teksto.
- Sinusuri nito ang istruktura ng pangungusap upang maunawaan ang mga ugnayan sa pagitan ng mga salita at konsepto.
- Minamapa ng modelo ng NLU ang mga kinikilalang elemento sa mga partikular na layunin o layunin.
- Pinipino ng NLU engine ang pag-unawa nito batay sa konteksto at kasaysayan ng pakikipag-ugnayan ng user.
- Nagbibigay ang system ng structured na output na maaaring mag-trigger ng mga naaangkop na aksyon o tugon.
Halimbawa ng Tunay na Daigdig
Hatiin natin ito ng isang halimbawa.
Gumagamit si Patrick ng isang ahente ng AI sa trabaho na sumasama sa lahat ng kanyang pangunahing aplikasyon, kasama ang kanyang kalendaryo.
Nag-type si Patrick sa kanyang ahente ng AI: “Mag-iskedyul ng meeting kasama si Anqi sa 1pm bukas, o minsang katulad nito. Mag-iskedyul ng follow-up sa loob ng dalawang linggo pagkatapos.”
Ang kanyang ahente ng AI ay:
- Tukuyin ang layunin: Tinutukoy ng ahente na gustong mag-iskedyul ng pulong ni Patrick
- I-extract ang mga pangunahing entity: Kinikilala ng ahente na si Patrick ay nagsasalita tungkol sa 'Anqi' ang contact, '1pm' ang oras, at 'bukas', ang petsa.
- Pagsusuri ng pagbigkas: Tinutukoy ng ahente na 'nag-iiskedyul' ang item ng pagkilos, at dapat itong gawin sa Anqi, at ang oras at araw ay dapat na 1pm bukas.
- Pag-unawa sa konteksto: Sinusuri ng ahente ang mga kalendaryo nina Patrick at Anqi upang matiyak ang pagkakaroon. Kung 1pm bukas ay hindi libre, ito ay magmumungkahi ng katulad na oras, gaya ng hiniling.
- Panghuling aksyon: Iniiskedyul ng ahente ang pulong at ang follow-up sa pamamagitan ng pagpapadala ng mga imbitasyon sa kalendaryo kina Patrick at Anqi.
Real-World na Paggamit ng NLU
Malamang na nakatagpo ka ng NLU sa iyong pang-araw-araw na buhay, madalas nang hindi mo namamalayan. Narito ang ilan sa mga pinakakaraniwang real-world na application:
Mga katulong sa boses
Ang mga voice assistant tulad ng Siri, Alexa, at Google Assistant ay umaasa sa NLU upang maunawaan ang layunin sa likod ng iyong mga binibigkas na utos.
Halimbawa, kapag sinabi mong, "Magtakda ng paalala para sa aking nail appointment sa 2 PM," ang katulong ay naghiwa-hiwalay ng iyong pangungusap, tinutukoy ang layunin (pagtatakda ng paalala), at kinukuha ang mga entity (nail appointment, bukas, 2 PM).
Binibigyang-daan ng NLU ang mga katulong na ito na magkaroon ng kahulugan sa mga pandiwang kahilingan at mag-follow up sa tamang aksyon.
Mga chatbot ng customer service
Kapag nakipag-ugnayan ka sa isang customer support chatbot at nag-type ng, "Nasaan ang aking package?", gumagamit ang bot ng NLU upang matukoy na ang iyong layunin ay suriin ang katayuan ng paghahatid.
Kinukuha nito ang kinakailangang entity - ang impormasyon ng iyong order - at nagbibigay ng tamang update. Ang kakayahang ito na maunawaan at tumugon sa iba't ibang mga query ng customer ang dahilan kung bakit ang NLU ay isang mahalagang bahagi ng modernong customer service automation.
Pag-uuri at automation ng email
Ang NLU ay matatagpuan din sa likod ng mga email automation system. Halimbawa, ang mga tool na pinapagana ng NLU ay maaaring magbasa ng mga papasok na email, maunawaan ang nilalaman, at awtomatikong pagbukud-bukurin ang mga ito sa mga kategorya tulad ng "kagyat," "mga promosyon," o "mga pulong."
Ang mga system na ito ay maaaring makabuo ng mga naaangkop na tugon batay sa nilalaman ng email, na nakakatipid ng oras ng mga negosyo sa pamamahala ng komunikasyon.
Text analytics para sa feedback at survey
Madalas na ginagamit ng mga kumpanya ang NLU upang suriin ang feedback mula sa mga survey, review, at mga post sa social media.
Tumutulong ang NLU na matukoy ang mga pattern at damdamin sa nakasulat na wika, na ginagawang posible na maunawaan ang mga pangangailangan at opinyon ng customer.
Halimbawa, maaaring i-scan ng isang NLU system ang daan-daang review ng customer at matukoy kung positibo o negatibo ang nararamdaman ng karamihan sa mga user tungkol sa isang partikular na feature gamit ang pagsusuri ng sentimento.
Mga Pangunahing Bahagi
Tokenization
Ang tokenization ay ang proseso ng paghahati ng isang pangungusap sa mas maliliit na unit, tulad ng mga salita o parirala, upang gawing mas madali para sa AI na maproseso.
Halimbawa : "Mag-iskedyul ng pulong para sa 3 PM bukas" ay tokenized sa ["Iskedyul," "a," "meeting," "para sa," "3 PM," "bukas"].
Part-of-Speech (POS) Tagging
Tinutukoy ng POS tagging ang gramatikal na istruktura ng isang pangungusap sa pamamagitan ng paglalagay ng label sa bawat salita bilang isang pangngalan, pandiwa, pang-uri, atbp.
Halimbawa : Sa "Mag-iskedyul ng pulong," tina-tag ng AI ang "Iskedyul" bilang isang pandiwa at "pagpupulong" bilang isang pangngalan.
Named Entity Recognition (NER)
Natutukoy at inuuri ng Named Entity Recognition (NER) ang mahahalagang entity tulad ng mga pangalan, lokasyon, at petsa sa loob ng text.
Halimbawa : Sa "Mag-book ng flight papuntang New York sa susunod na Biyernes," tinutukoy ng AI ang "New York" bilang isang lokasyon at "next Friday" bilang isang petsa.
Pag-uuri ng Layunin
Tinutukoy ng pag-uuri ng layunin ang pinagbabatayan na layunin o layunin ng user sa likod ng kanilang input.
Halimbawa : Ang "Mag-book ng mesa para sa dalawa" ay inuri bilang layunin na magpareserba.
Pag-parse ng Dependency
Sinusuri ng dependency parsing ang mga ugnayan sa pagitan ng mga salita upang maunawaan ang gramatikal na istruktura ng pangungusap.
Halimbawa : Sa "Ipadala ang ulat kay Maria," tinutukoy ng AI na si "Maria" ang tatanggap ng ulat.
Pagsusuri sa Konteksto
Gumagamit ang pagsusuri sa konteksto ng mga nakapaligid na pag-uusap o mga naunang pakikipag-ugnayan upang matiyak na may kaugnayan at tumpak ang mga tugon.
Halimbawa : Kung dati nang nagtanong ang isang user tungkol sa isang partikular na proyekto, maaaring iangkop ng AI ang mga tugon sa hinaharap batay sa kontekstong iyon.
Bumuo ng custom na ahente ng NLU
Sa mabilis na pag-unlad ng teknolohiya ng AI, sinuman ay maaaring bumuo ng isang ahente ng AI na may mga kakayahan sa NLU.
Botpress ay isang walang katapusang napapalawak na platform ng pagbuo ng bot na binuo para sa mga negosyo. Ang aming stack nagbibigay-daan sa mga developer na bumuo ng mga chatbot at mga ahente ng AI para sa anumang kaso ng paggamit.
Madali ang pagsisimula sa aming libreng tier, malawak na mga tutorial, at Botpress Academy .
Simulan ang pagtatayo ngayon. Ito'y LIBRE.
Talaan ng mga Nilalaman
Manatiling napapanahon sa pinakabago sa mga ahente ng AI
Ibahagi ito sa:
.svg)
