იფიქრეთ იმაზე, თუ როგორ ხდებოდა ორიოდე წლის წინათ Google-ის სიცოცხლისუნარიანი ხედვა ზუსტად ლოგიკური მოთხოვნის პირობებით ორგანიზებული სწორი სიტყვის გამოყენებით. ამ გზით, იმ შემთხვევაში, თუ თქვენ დაგჭირდებათ Google-ის გადაწყვეტილებების პოვნა, თქვენ უნდა იცოდეთ მისი ენა. იმ მომენტში Google-მა წარმოადგინა სემანტიკური დევნა. ეს არის სიტყვებს შორის მეცნიერული ურთიერთობის გაანგარიშება, რაც გაძლევს უფლებას, დაუსვა მას გამოკითხვა ისევე, როგორც თანამგზავრს. შიგნით, მან ამ კითხვის ინტერპრეტაცია მოახდინა ბულის ორგანიზებულ დევნაში, რომელიც მას ესმოდა - მაგრამ ციკლი შეუმჩნეველი იყო. ეს არის სწორედ ის ინოვაცია, რომელიც საშუალებას გაძლევთ ჰკითხოთ Siri-ს, როგორია დღეს კლიმატი ან რა არის ხვალ ყველაზე იაფი მოგზაურობა ბორნეოში, ინგლისური ენის გამოთვლითი დასაბუთების გარეშე. ასე რომ, შეგვიძლია ვთქვათ, რომ NLP არის გაფართოება მანქანურ და ადამიანურ დიალექტებს შორის.

საერთო ენის მომზადება (NLP) არის პროგრამული უზრუნველყოფის ინჟინერიის ზონა და აწუხებს პერსონალურ კომპიუტერებსა და ადამიანთა (დამახასიათებელ) ენებს შორის თანამშრომლობით. იგი მიუთითებს AI სტრატეგიაზე საუბრის ჭკვიან ჩარჩოებში დამახასიათებელი ენის გამოყენებით, მაგალითად, ინგლისური. იმ მომენტში, როდესაც გჭირდება ისეთი გონიერი ჩარჩო, როგორიც რობოტია, რომ გააგრძელო შენი ინსტრუქციების მიხედვით, ან როცა უნდა მოისმინო არჩევანი დისკურსზე დაფუძნებული კლინიკური სამაგისტრო ჩარჩოდან, საჭიროა საერთო ენის დამუშავება. ამრიგად, არსებითად შეგვიძლია ვთქვათ, რომ NLP-ის სფერო მოიცავს კომპიუტერების დამზადებას, რათა შეასრულონ სასარგებლო სამუშაოები ჩვეულებრივი დიალექტებით, რომლებსაც ჩვენ ვიყენებთ. NLP ჩარჩოს ინფორმაცია და გამოსავალი შეიძლება იყოს დისკურსი და შედგენილი ტესტი.

შეგვიძლია ვთქვათ, რომ NLP-ის გარეშე, ადამიანის მიერ შექმნილ ცნობიერებას შეუძლია უბრალოდ გაიგოს ენის მნიშვნელობა და უპასუხოს პირდაპირ შეკითხვებს, თუმცა მას არ შეუძლია გაიგოს სიტყვების მნიშვნელობა გარემოში. ამრიგად, ბუნებრივი ენის დამუშავების აპლიკაციები საშუალებას აძლევს კლიენტებს ისაუბრონ კომპიუტერთან საკუთარი სიტყვებით, მაგალითად, ნორმალურ ენაზე. NLP ეხმარება პერსონალურ კომპიუტერებს შესწავლაში და რეაგირებაში რეპროდუცირებს ადამიანური შესაძლებლობების აღქმას ჩვეულებრივი ენის გასაგებად, რომელსაც ინდივიდები იყენებენ გადასაცემად. დღესდღეობით, არსებობს მრავალი შემთხვევა, რომლებშიც არსებობს ადამიანის მიერ შექმნილი მსჯელობის საერთო ენის დამუშავების ჩარჩოები, რომლებიც ამჟამად მუშაობს.

NLP-ის შემთხვევები AI-ში

1. კორესპონდენცია: მრავალი მიმოწერის აპლიკაცია, როგორიცაა Facebook Messenger, ამჟამად იყენებს ადამიანის მიერ შექმნილ ცნობიერებას. მთლიანობაში, ფეისბუქი ათვალიერებს ხელოვნური ინტელექტის ძალით შთაგონებულს. რამდენიმე თვით ადრე, Facebook-მა გამოაცხადა თავისი M დახმარება, რომელიც პირობას დებს, რომ გადაიქცევა თქვენს თანაშემწედ (საჯარო გაგზავნის თარიღით tbd): „M-ს შეუძლია გააკეთოს ის, რაც ადამიანს შეუძლია“.

2. უფრო სწრაფი დასკვნა: ადამიანის მიერ შექმნილ ცნობიერებაში დამახასიათებელი ენის მომზადების ჩარჩოების მაგალითები არის დამატებით სამედიცინო კლინიკებში, რომლებიც იყენებენ საერთო ენის დამუშავებას ექიმის არასტრუქტურირებული შენიშვნებიდან განსაკუთრებული განსაზღვრის დემონსტრირებისთვის. NLP პროგრამირება მამოგრაფიული გამოსახულების და მამოგრაფიის ანგარიშებისთვის მხარს უჭერს ინფორმაციის მოპოვებას და გამოკვლევას კლინიკური არჩევანისთვის. NLP პროგრამირებას შეუძლია უფრო ნაყოფიერად გადაწყვიტოს წიაღის ავთვისებიანი სიმსივნე და უფრო მეტიც, შეამციროს ზედმეტი ბიოფსიის მოთხოვნა და წაახალისოს უფრო სწრაფი მკურნალობა წინასწარი დასკვნის საშუალებით.

3. კლიენტის მიმოხილვა: კომპიუტერიზებული მსჯელობის აპლიკაციებში მომზადებული ბუნებრივი ენა აადვილებს საქონლის აუდიტის შეკრებას საიტიდან და იმის გაგებას, თუ რას ამბობენ რეალურად მყიდველები, ისევე როგორც მათი ვარაუდები კონკრეტულ ნივთთან დაკავშირებით. აუდიტების უზარმაზარი მოცულობის მქონე ორგანიზაციებს ნამდვილად შეუძლიათ მიიღონ ისინი და გამოიყენონ შეგროვებული ინფორმაცია კლიენტის მიდრეკილებებზე დამოკიდებული ახალი ნივთების ან ადმინისტრაციების შეთავაზებისთვის. ეს აპლიკაცია ეხმარება ორგანიზაციებს მოიძიონ მნიშვნელოვანი მონაცემები თავიანთი ბიზნესისთვის, გააუმჯობესონ მომხმარებელთა ლოიალობა, რეკომენდაცია გაუწიონ უფრო მნიშვნელოვან ნივთებს ან შეღავათებს და უკეთ და გაიაზრონ კლიენტის საჭიროებები.

4. ვირტუალური მოწინავე ასისტენტები: დისტანციური დამხმარე, რომელსაც დამატებით უწოდებენ AI მარჯვენა ხელის ან კომპიუტერიზებულ დამხმარეს, არის აპლიკაციის პროგრამა, რომელიც აცნობიერებს საერთო ენის ხმოვან შეკვეთებს და ასრულებს დავალებებს კლიენტისთვის. DA-ებს შეუძლიათ დაეხმარონ მყიდველებს გაცვლის სავარჯიშოებში ან გაამარტივონ ზარის ადგილის აქტივობები, რათა შესთავაზონ უფრო მაღალი კლიენტის შეხვედრა და შეამცირონ საოპერაციო ხარჯები. ჩვენ თანდათანობით ვიხილავთ ამ აპლიკაციებს სხვადასხვა გაჯეტებში, მაგალითად, კომპიუტერების პროგრამებში, საზრიან სახლის ჩარჩოებში, ავტომობილებში და საწარმოს ბაზარზე.

დამახასიათებელი ენის დამუშავების აპლიკაციები:

მანქანა თარგმანი

ჩვენ გვესმის, რომ ინტერნეტში ხელმისაწვდომი მონაცემების ზომა ვითარდება, ამიტომ მასზე მოხვედრის აუცილებლობა თანდათან მნიშვნელოვანი ხდება და ნორმალური ენის დამუშავების აპლიკაციების შეფასება ნათელი ხდება. მანქანური ინტერპრეტაცია გვიბიძგებს გადავლახოთ ენობრივი საზღვრები, რომლებსაც ხშირად განვიცდით სპეციალიზებული სახელმძღვანელოების გაშიფვრით, არსებითად შემცირებული ხარჯებით. მანქანური ინტერპრეტაციის წინსვლის ტესტი არ არის სიტყვების გაშიფვრაში, მაგრამ წინადადებების მნიშვნელობის გაგებაში, რათა მივცეთ ნამდვილი ინტერპრეტაცია.

დაპროგრამებული მონახაზი

იმ შემთხვევაში, თუ ჩვენ უნდა მივიღოთ მონაცემების კონკრეტულ, მნიშვნელოვან ფრაგმენტამდე უზარმაზარი საინფორმაციო ბაზიდან, მაშინ ინფორმაციის გადატვირთვა ნამდვილი საკითხია. დაპროგრამებული შეჯამება მნიშვნელოვანია არა მხოლოდ ანგარიშებისა და მონაცემების მნიშვნელობის შესაჯამებლად, არამედ, გარდა ამისა, ინფორმაციის შიგნით ენთუზიაზმის გააზრებისთვის, მაგალითად, ონლაინ მედიიდან ინფორმაციის შეგროვებისას.

ვარაუდის გამოკვლევა

დასკვნის შემოწმების მიზანია ვარაუდის ამოცნობა რამდენიმე პოსტს შორის ან თუნდაც მსგავს პოსტში, სადაც გრძნობა არ არის ყველა შემთხვევაში ცალსახად გამოხატული. ორგანიზაციები იყენებენ საერთო ენის დამუშავების აპლიკაციებს, მაგალითად, შეფასების კვლევას, მოსაზრებებისა და ვარაუდების ონლაინ ამოცნობისთვის, რათა დაეხმარონ მათ გაიგონ მომხმარებელთა აზრი თავიანთი ნივთებისა და ადმინისტრაციების შესახებ და ზოგადად მათი პოზიციის მარკერების შესახებ. წარსულში ცალსახა კიდურის გადაწყვეტისას, დასკვნის ექსპერტიზა აცნობიერებს აზრს კონკრეტულ ვითარებაში.

ტექსტის დახასიათება

ტექსტის თანმიმდევრობა წარმოდგენას ხდის არქივში წინასწარ განსაზღვრული კლასიფიკაციების დანიშვნას და მის დახარისხებას თქვენთვის საჭირო მონაცემების აღმოსაჩენად ან რამდენიმე სავარჯიშოს გასამარტივებლად. მაგალითად, ტექსტის კლასიფიკაციის გამოყენება არის სპამის გამოყოფა ელფოსტაში.

კითხვაზე პასუხის გაცემა

Question-Answering (QA) სულ უფრო და უფრო მეინსტრიმული ხდება გამოყენების გამო, მაგალითად, Siri, OK Google, talk boxes და მცირე დამხმარეები. QA აპლიკაცია არის ჩარჩო, რომელსაც შეუძლია ნათლად აღნიშნოს ადამიანის მოთხოვნა. ის შეიძლება გამოყენებულ იქნას როგორც შინაარსის მხოლოდ ინტერფეისი ან როგორც გამოხატული დისკურსის ჩარჩო. ეს დარჩენილი ნაწილები არის შესაბამისი ტესტი, განსაკუთრებით ვებ ინდექსებისთვის და წარმოადგენს კვლევის მომზადების დამახასიათებელი ენის ერთ-ერთ პრინციპულ გამოყენებას.

NLP-ის საბოლოო ბედი

რა არის საერთო ენის საბოლოო ბედი?

ბოტები

ჩეთბოტები პასუხობენ კლიენტის კითხვებს და უხელმძღვანელებენ მათ მოქმედი აქტივებისა და ნივთებისკენ ნებისმიერ საათსა და ნებისმიერ დროს. ის ხშირად გამოიყენება კლიენტების დახმარებაში, განსაკუთრებით საბანკო საქმეებში, საცალო ვაჭრობასა და მეზობლობაში. განსაკუთრებით კლიენტებზე მოვლის გარემოში, ჩეთბოტები უნდა იყოს სწრაფი, გამჭრიახი და მარტივი გამოსაყენებლად, იმ მოტივით, რომ კლიენტებს აქვთ ექსკლუზიური სტანდარტები (და ზოგიერთ შემთხვევაში დაბალი მდგრადობა). ამის მისაღწევად, ჩეთბოტები იყენებენ NLP-ს ენის მისაღებად, უმეტესწილად კონტენტთან ან ხმოვანი აღიარების თანამშრომლობით, სადაც კლიენტები ავრცელებენ თავიანთი სიტყვებით, როგორც მიმართავენ სპეციალისტს. ეს გაფართოებული სარგებლობა ასევე მოიტანს სხვადასხვა სახის ბოტებს, რათა ისინი უფრო წარმატებული და ბუნებრივი გახადონ გრძელვადიან პერსპექტივაში, დაწყებული დისტანციური დამხმარეებიდან, როგორიცაა Siri და Amazon's Alexa, დამთავრებული ბოტის ეტაპებამდე, რომელიც უფრო მეტად კომპიუტერიზაციას ან დავალებას წარმოადგენს. ეს ბოტები თანდათან გამოიყენებენ NLP-ს შეტყობინებების მისაღებად და აქტივობების შესასრულებლად, მაგალითად, გეოინფორმაციის გაზიარებისთვის, კავშირებისა და სურათების აღდგენაში ან ჩვენთვის სხვა უფრო დამაბნეველი აქტივობების შესასრულებლად.

შეუმჩნეველი ინტერფეისის მხარდაჭერა

თითოეული ასოციაცია, რომელიც ჩვენ გვაქვს მანქანებთან, არის ადამიანური კომუნიკაცია (როგორც დისკუსია, ასევე ტექსტი). Amazon-ის Echo არის მხოლოდ ერთი მოდელი, რომელიც ადამიანებს უფრო პირდაპირ აკავშირებს ინოვაციებთან. შეუმჩნეველი ან ნულოვანი ინტერფეისის იდეა დამოკიდებული იქნება კლიენტსა და მანქანას შორის პირდაპირ კავშირზე, მიუხედავად იმისა, ხმით, ტექსტით თუ ამ ორის ნაზავით. NLP, რომელიც გავლენას ახდენს ადამიანის ენის უფრო თვალსაჩინო ლოგიკურ გაგებაზე, დღის ბოლოს, რადგან ის აუმჯობესებს ჩვენს დაკნინებას - რას ვაცხადებთ, მიუხედავად იმისა, თუ როგორ ვაცხადებთ და რას ვაკეთებთ - ფუნდამენტური იქნება ნებისმიერი შეუმჩნეველი ან ნულოვანი ინტერფეისისთვის. განაცხადი.

უფრო ინტელექტუალური ნადირობა

უფრო ინტელექტუალური სერახი გულისხმობს, რომ კლიენტებს შეუძლიათ მზად იხილონ ხმოვანი შეკვეთების საშუალებით, ვიდრე საყურადღებო სიტყვების შედგენა ან გამოყენება. NLP-ის საბოლოო ბედი დამატებით უფრო გონივრული გამოკვლევისთვისაა - ის, რასაც ჩვენ უკვე დიდი ხანია განვიხილავთ აქ Expert System-ში. ბოლო დროისთვის, Google-მა განაცხადა, რომ მან დაამატა NLP შესაძლებლობები Google Drive-ში, რათა კლიენტებს მიეცეთ საშუალება მოძებნონ ჩანაწერები და ნივთიერებები სასაუბრო ენის გამოყენებით.

ცოდნა არასტრუქტურირებული მონაცემებიდან

NLP-ის შეთანხმებები თანდათანობით შეაგროვებს სასარგებლო ინფორმაციას არასტრუქტურირებული ინფორმაციისგან, მაგალითად, გრძელი სტრუქტურის შეტყობინებები, ჩანაწერები, ხმები და ა.შ. მაგალითად, მომხმარებელთა ლოიალობის გაზომვა ან ტკივილის წერტილების გარჩევა.