Naturlig språkbehandling (NLP) er en gren av kunstig intelligens som hjelper datamaskiner med å forstå, tolke og manipulere menneskelig språk. NLP trekker fra mange disipliner, inkludert informatikk og datalingvistikk, i sin streben etter å fylle gapet mellom menneskelig kommunikasjon og dataforståelse.

Evolusjon av naturlig språkbehandling

Selv om prosessering av naturlig språk ikke er en ny vitenskap, går teknologien raskt videre takket være en økt interesse for kommunikasjon mellom mennesker, pluss tilgjengeligheten av store data, kraftig databehandling og forbedrede algoritmer.

Som menneske kan du snakke og skrive på engelsk, spansk eller kinesisk. Men en datamaskins morsmål – kjent som maskinkode eller maskinspråk – er stort sett uforståelig for folk flest. På enhetens laveste nivåer skjer kommunikasjon ikke med ord, men gjennom millioner av nuller og ener som produserer logiske handlinger.

Faktisk brukte programmerere hullkort for å kommunisere med de første datamaskinene for 70 år siden. Denne manuelle og vanskelige prosessen ble forstått av et relativt lite antall mennesker. Nå kan du si «Alexa, jeg liker denne sangen», og en enhet som spiller musikk i hjemmet ditt vil senke volumet og svare «OK. Vurdering lagret» med en menneskelignende stemme. Deretter tilpasser den algoritmen for å spille den sangen – og andre liker den – neste gang du hører på den musikkstasjonen.

1. 3 tips til Voice and Chatbot-programmet fra Gartners Hype Cycle 2020-kundeservice

2. Implementere Watson Assistant Web Chat i Salesforce Lightning Console

3. Er chatbots sårbare? Beste fremgangsmåter for å sikre chatbots sikkerhet

4. Din vei til AI - En IBM-utvikler-serie

La oss se nærmere på det samspillet. Enheten din ble aktivert når den hørte deg snakke, forsto den uuttalte hensikten i kommentaren, utførte en handling og ga tilbakemelding i en velformet engelsk setning, alt i løpet av omtrent fem sekunder. Den komplette interaksjonen ble gjort mulig av NLP, sammen med andre AI-elementer som maskinlæring og dyp læring.

Hvorfor er NLP viktig?

1. Store mengder tekstdata
   Naturlig språkbehandling hjelper datamaskiner med å kommunisere med mennesker på deres eget språk og skalerer andre språkrelaterte oppgaver. NLP gjør det for eksempel mulig for datamaskiner å lese tekst, høre tale, tolke den, måle følelser og bestemme hvilke deler som er viktige. Dagens maskiner kan analysere mer språkbaserte data enn mennesker, uten tretthet og på en konsistent, objektiv måte. Tatt i betraktning den svimlende mengden ustrukturerte data som genereres hver dag, fra medisinske journaler til sosiale medier, vil automatisering være avgjørende for å fullstendig analysere tekst- og taledata effektivt.
2. Strukturere en svært ustrukturert datakilde
   Menneskelig språk er forbløffende komplekst og mangfoldig. Vi uttrykker oss på uendelig mange måter, både muntlig og skriftlig. Ikke bare er det hundrevis av språk og dialekter, men innenfor hvert språk er det et unikt sett med grammatikk- og syntaksregler, termer og slang. Når vi skriver, staver vi ofte feil eller forkorter ord, eller utelater tegnsetting. Når vi snakker, har vi regionale aksenter, og vi mumler, stammer og låner uttrykk fra andre språk. Mens overvåket og uovervåket læring, og spesielt dyp læring, nå er mye brukt for modellering av menneskelig språk, er det også behov for syntaktisk og semantisk forståelse og domeneekspertise som ikke nødvendigvis er tilstede i disse maskinlæringstilnærmingene. NLP er viktig fordi det hjelper til med å løse tvetydighet i språket og legger til nyttig numerisk struktur til dataene for mange nedstrømsapplikasjoner, for eksempel talegjenkjenning eller tekstanalyse.

Naturlig språkbehandling inkluderer mange forskjellige teknikker for å tolke menneskelig språk, alt fra statistiske og maskinlæringsmetoder til regelbaserte og algoritmiske tilnærminger. Vi trenger et bredt spekter av tilnærminger fordi tekst- og stemmebaserte data varierer mye, og det samme gjør de praktiske applikasjonene.

Grunnleggende NLP-oppgaver inkluderer tokenisering og parsing, lemmatisering/stamming, orddelsmerking, språkdeteksjon og identifisering av semantiske relasjoner. Hvis du noen gang har tegnet setninger i diagrammer på barneskolen, har du gjort disse oppgavene manuelt før.

Generelt sett bryter NLP-oppgaver ned språk i kortere, elementære deler, prøver å forstå relasjoner mellom brikkene og utforske hvordan bitene fungerer sammen for å skape mening.

Disse underliggende oppgavene brukes ofte i NLP-funksjoner på høyere nivå, for eksempel:

Innholdskategorisering:- Et språkbasert dokumentsammendrag, inkludert søk og indeksering, innholdsvarsler og gjenkjenning av duplisering.

Emneoppdagelse og modellering:- Fang nøyaktig betydningen og temaene i tekstsamlinger, og bruk avanserte analyser på tekst, som optimalisering og prognoser.
Kontekstuell utvinning:- Trekk automatisk ut strukturert informasjon fra tekstbaserte kilder.
Sentimentanalyse :- Identifisere stemningen eller subjektive meninger i store mengder tekst, inkludert gjennomsnittlig sentiment og meningsutvinning.
Tale-til-tekst og tekst-til-tale konvertering:- Gjør talekommandoer til skrevet tekst, og omvendt.
Dokumentoppsummering:- Genererer automatisk synopser av store tekster.
Maskinoversettelse:- Automatisk oversettelse av tekst eller tale fra ett språk til et annet.

I alle disse tilfellene er det overordnede målet å ta råspråklige input og bruke lingvistikk og algoritmer for å transformere eller berike teksten på en slik måte at den gir større verdi.

NLU er en gren av naturlig språkbehandling (NLP), som hjelper datamaskiner med å forstå og tolke menneskelig språk ved å bryte ned de elementære talene. Mens talegjenkjenning fanger opp talespråk i sanntid, transkriberer det og returnerer tekst, går NLU til ugjenkjennelse for å fastslå en brukers hensikt. Talegjenkjenning er drevet av statistiske maskinlæringsmetoder som legger til numerisk struktur til store datasett. I NLU forbedres maskinlæringsmodeller over tid når de lærer å gjenkjenne syntaks, kontekst, språkmønstre, unike definisjoner, følelser og hensikter.

Forretningsapplikasjoner er ofte avhengige av NLU for å forstå hva folk sier i både muntlig og skriftlig språk. Disse dataene hjelper virtuelle assistenter og andre applikasjoner med å bestemme en brukers hensikt og rute dem til riktig oppgave.

Twilio Autopilot, den første fullt programmerbare samtaleapplikasjonsplattformen, inkluderer en maskinlæringsdrevet NLU-motor. Autopilot gjør det mulig for utviklere å bygge dynamiske samtaleflyter. Det kan enkelt trenes opp til å forstå betydningen av innkommende kommunikasjon i sanntid og deretter utløse de riktige handlingene eller svarene, og koble prikkene mellom samtaleinndata og spesifikke oppgaver.

Virkningen av NLU i kundeopplevelsen

Med tilgjengeligheten av APIer som Twilio Autopilot, blir NLU mer utbredt for kundekommunikasjon. Dette gir kundene valget mellom å bruke sitt naturlige språk for å navigere i menyer og samle informasjon, noe som er raskere, enklere og skaper en bedre opplevelse.

Bedrifter bruker autopilot for å bygge samtaleapplikasjoner som meldingsroboter, interaktiv stemmerespons (telefon-IVR) og taleassistenter. Utviklere trenger bare å designe, trene og bygge en naturlig språkapplikasjon én gang for å få den til å fungere med alle eksisterende (og fremtidige) kanaler som tale, SMS, chat, Messenger, Twitter, WeChat og Slack.

IVR og meldingsruting

Gjør nestede telefontrær til enkle "hva kan jeg hjelpe deg med" talemeldinger. Analyser svar på "Hva kan jeg hjelpe deg med?" og finne den beste måten å rute samtalen på.

Datafangst

Automatiser datafangst for å forbedre potensielle kvalifikasjoner, støtte eskaleringer og finne nye forretningsmuligheter. Still for eksempel spørsmål til kunder og fange opp svarene deres ved å bruke Access Service Requests (ASR) for å fylle ut skjemaer og kvalifisere potensielle kunder.

Samtalegrensesnitt

Bygg fullt integrerte roboter, trent i virksomhetens kontekst, med intelligensen til å forstå menneskelig språk og hjelpe kunder uten menneskelig tilsyn. La kunder for eksempel ringe inn i en kunnskapsbase og få svarene de trenger.

Å levere en meningsfull, personlig opplevelse utover forhåndsdefinerte svar krever naturlig språkgenerering. Dette gjør chatboten i stand til å undersøke datalagre, inkludert integrerte back-end-systemer og tredjepartsdatabaser, og å bruke denne informasjonen til å lage et svar.

Hva er målet med Natural Language Generation?

Folk har alltid formidlet ideer fra data. Men med eksplosjonen av data som må analyseres og tolkes, kombinert med økende press for å redusere kostnader og møte kundenes krav, må bedriften finne innovative måter å følge med.

Som det viser seg, kan en maskin kommunisere ideer fra data i ekstraordinær skala og nøyaktighet. Og den kan gjøre det på en spesielt artikulert måte. Når en maskin automatiserer de mer rutinemessige analyse- og kommunikasjonsoppgavene, øker produktiviteten og ansatte kan fokusere på mer verdifulle aktiviteter.

«For mange applikasjoner kan naturlig språk være å foretrekke fremfor de engasjerende visuelle grensesnittene vi ofte møter. Så attraktive som visuelt rike dashboard kan være, når det kommer til informasjonstetthet, er de vanligvis langt dårligere enn språk. I et avsnitt og noen få punkter kan vi raskt fortelle en rik og kompleks historie...

Men det større spillet til NLG handler ikke om språket, men om å håndtere det økende antallet innsikter som produseres av big data gjennom automatiserte analyser. Hvis ideen din om big data er at du har en dataforsker som gjør en slags analyse og deretter presenterer den gjennom et dashbord, tenker du alt for lite. "

Source: https://chatbotslife.com/natural-language-principles-65e88e20b94?source=rss—-a49517e4c30b—4