ພິຈາລະນາວິທີການຈົນກ່ວາສອງສາມປີກ່ອນ, ການຊອກຫາ Google ທີ່ເປັນໄປໄດ້ແມ່ນສໍາເລັດໂດຍການນໍາໃຊ້ຄໍາທີ່ຖືກຕ້ອງທີ່ຖືກຈັດຂື້ນກັບເງື່ອນໄຂການສອບຖາມ Boolean. ດ້ວຍວິທີນີ້, ໃນໂອກາດທີ່ທ່ານຈໍາເປັນຕ້ອງຊອກຫາວິທີແກ້ໄຂຈາກ Google, ທ່ານຄວນຮູ້ວ່າມັນເປັນພາສາ. ໃນຈຸດນັ້ນ, Google ໄດ້ນໍາສະເຫນີການຄົ້ນຫາແບບ semantic. ມັນເປັນການຄິດໄລ່ຄວາມສໍາພັນທາງວິຊາການລະຫວ່າງຄໍາສັບຕ່າງໆ, ສ້າງຄວາມເຂັ້ມແຂງໃຫ້ທ່ານຖາມມັນເປັນການສອບຖາມວິທີການທີ່ຄ້າຍຄືກັນທີ່ທ່ານຈະເປັນເພື່ອນ. ພາຍໃນ, ມັນເຮັດໃຫ້ການຕີຄວາມຫມາຍຂອງຄໍາຖາມນັ້ນເຂົ້າໄປໃນການດໍາເນີນການທີ່ຈັດໂດຍ Boolean ທີ່ມັນເຂົ້າໃຈ - ແຕ່ວົງຈອນແມ່ນ imperceptible. ນີ້ແມ່ນນະວັດຕະກໍາຫຼາຍທີ່ອະນຸຍາດໃຫ້ທ່ານຖາມ Siri ວ່າສະພາບອາກາດມື້ນີ້ເປັນແນວໃດຫຼືການເດີນທາງທີ່ແພງທີ່ສຸດກັບ Borneo ແມ່ນມື້ອື່ນ, ໂດຍບໍ່ມີການປ່ຽນພາສາອັງກິດຂອງທ່ານເຂົ້າໄປໃນທາງເຂົ້າທີ່ສົມເຫດສົມຜົນທາງຄອມພິວເຕີ້. ດັ່ງນັ້ນພວກເຮົາສາມາດເວົ້າວ່າ NLP ແມ່ນການຂະຫຍາຍລະຫວ່າງເຄື່ອງຈັກແລະພາສາຂອງມະນຸດ.
ການກະກຽມພາສາທົ່ວໄປ (NLP) ແມ່ນເຂດຂອງວິສະວະກໍາຊອບແວແລະເປັນຫ່ວງກ່ຽວກັບການຮ່ວມມືລະຫວ່າງ PCs ແລະມະນຸດ (ລັກສະນະ) ພາສາ. ມັນຫມາຍເຖິງຍຸດທະສາດ AI ສໍາລັບການເວົ້າກັບກອບ canny ການນໍາໃຊ້ພາສາລັກສະນະ, ຕົວຢ່າງ, ພາສາອັງກິດ. ໃນຈຸດເວລາທີ່ທ່ານຕ້ອງການໂຄງຮ່າງການທີ່ສະຫລາດເຊັ່ນຫຸ່ນຍົນເພື່ອດໍາເນີນການຕາມທິດທາງຂອງທ່ານຫຼືເວລາທີ່ທ່ານຕ້ອງການໄດ້ຍິນທາງເລືອກຈາກໂຄງສ້າງຫລັກທາງດ້ານຄລີນິກໂດຍອີງໃສ່ການສົນທະນາ, ມັນເປັນສິ່ງຈໍາເປັນເພື່ອຈັດການກັບພາສາທົ່ວໄປ. ດັ່ງນັ້ນ, ພວກເຮົາສາມາດເວົ້າໄດ້ວ່າພາກສະຫນາມຂອງ NLP ປະກອບມີການສ້າງ PCs ເພື່ອປະຕິບັດຫນ້າທີ່ທີ່ເປັນປະໂຫຍດກັບພາສາທໍາມະດາທີ່ພວກເຮົາໃຊ້. ຂໍ້ມູນແລະຜົນຜະລິດຂອງໂຄງການ NLP ສາມາດເປັນການສົນທະນາແລະການທົດສອບປະກອບ.
ພວກເຮົາສາມາດເວົ້າໄດ້ວ່າຖ້າບໍ່ມີ NLP, ສະຕິທີ່ມະນຸດສ້າງຂຶ້ນພຽງແຕ່ສາມາດເຂົ້າໃຈຄວາມສໍາຄັນຂອງພາສາແລະຕອບຄໍາຖາມທີ່ກົງໄປກົງມາ, ຢ່າງໃດກໍ່ຕາມມັນບໍ່ສາມາດເຂົ້າໃຈຄວາມສໍາຄັນຂອງຄໍາສັບຕ່າງໆໃນການຕັ້ງຄ່າ. ດັ່ງນັ້ນ, ຄໍາຮ້ອງສະຫມັກການຈັດການພາສາທໍາມະຊາດອະນຸຍາດໃຫ້ລູກຄ້າເວົ້າກັບ PC ໃນຄໍາສັບຕ່າງໆຂອງຕົນເອງ, ສໍາລັບການຍົກຕົວຢ່າງໃນພາສາປົກກະຕິ.NLP ຊ່ວຍເຫຼືອ PCs ໃນ perusing ແລະ react ໂດຍການຜະລິດໃຫມ່ຄວາມສາມາດຂອງມະນຸດເພື່ອເຂົ້າໃຈພາສາທໍາມະດາທີ່ບຸກຄົນນໍາໃຊ້ເພື່ອຖ່າຍທອດ. ໃນມື້ນີ້, ມີຫຼາຍໆຕົວຢ່າງຂອງກອບການຈັດການພາສາທົ່ວໄປໃນການສົມເຫດສົມຜົນທີ່ມະນຸດສ້າງຂຶ້ນເຊິ່ງປະຈຸບັນເຮັດວຽກ.
ຕົວຢ່າງຂອງ NLP ໃນ AI
1. ຈົດໝາຍ: ຄໍາຮ້ອງສະຫມັກການຕອບຮັບຈໍານວນຫຼາຍເຊັ່ນ Facebook Messenger ແມ່ນໃນປັດຈຸບັນການນໍາໃຊ້ສະຕິຂອງມະນຸດ. ທັງໝົດ, Facebook glances ໄດ້ຮັບການດົນໃຈຫຼາຍຈາກ AI. ສອງສາມເດືອນກ່ອນ, Facebook ໄດ້ປະກາດການຊ່ວຍເຫຼືອ M ຂອງຕົນທີ່ປະຕິຍານວ່າຈະກາຍເປັນຜູ້ຊ່ວຍຂອງທ່ານເອງ (ກັບວັນທີສົ່ງສາທາລະນະ tbd): "M ສາມາດເຮັດຫຍັງໄດ້ທີ່ມະນຸດສາມາດເຮັດໄດ້."
2. ສະຫຼຸບໄດ້ໄວຂຶ້ນ: ຕົວຢ່າງຂອງພາສາທີ່ມີລັກສະນະກະກຽມໂຄງຮ່າງການໃນສະຕິທີ່ມະນຸດສ້າງຂຶ້ນແມ່ນນອກຈາກນັ້ນຢູ່ໃນຄລີນິກການແພດທີ່ນໍາໃຊ້ການຈັດການພາສາທົ່ວໄປເພື່ອສະແດງໃຫ້ເຫັນເຖິງຄວາມຕັ້ງໃຈໂດຍສະເພາະຈາກບັນທຶກທີ່ບໍ່ມີໂຄງສ້າງຂອງທ່ານຫມໍ. ການຂຽນໂປລແກລມ NLP ສໍາລັບການຖ່າຍຮູບ mammographic ແລະບົດລາຍງານ mammogram ສະຫນັບສະຫນູນການສະກັດແລະການສືບສວນຂໍ້ມູນສໍາລັບທາງເລືອກທາງດ້ານຄລີນິກ. ການຂຽນໂປລແກລມ NLP ສາມາດຕັດສິນໃຈອັນຕະລາຍຂອງມະເຮັງ bosom ໄດ້ຢ່າງມີປະສິດຕິຜົນແລະຍັງຫຼຸດລົງຄວາມຕ້ອງການສໍາລັບການ biopsies superfluous ແລະຊຸກຍູ້ການປິ່ນປົວໄວຂຶ້ນໂດຍຜ່ານການສະຫຼຸບກ່ອນ.
3. ການທົບທວນຄືນຂອງລູກຄ້າ: ພາສາທໍາມະຊາດທີ່ກະກຽມໃນຄໍາຮ້ອງສະຫມັກການສົມເຫດສົມຜົນຄອມພິວເຕີເຮັດໃຫ້ມັນງ່າຍດາຍທີ່ຈະລວບລວມການກວດສອບລາຍການຈາກເວັບໄຊທ໌ໃດຫນຶ່ງແລະເຂົ້າໃຈສິ່ງທີ່ຜູ້ຊື້ເວົ້າແທ້ໆຄືກັນກັບການສົມມຸດຕິຖານຂອງເຂົາເຈົ້າກ່ຽວກັບລາຍການສະເພາະໃດຫນຶ່ງ. ອົງການຈັດຕັ້ງທີ່ມີປະລິມານການກວດສອບຢ່າງຫຼວງຫຼາຍສາມາດໄດ້ຮັບພວກມັນແລະນໍາໃຊ້ຂໍ້ມູນທີ່ເກັບກໍາເພື່ອແນະນໍາລາຍການໃຫມ່ຫຼືການບໍລິຫານໂດຍອີງໃສ່ຄວາມມັກຂອງລູກຄ້າ. ຄໍາຮ້ອງສະຫມັກນີ້ຊ່ວຍອົງການຈັດຕັ້ງໃນການຄົ້ນຫາຂໍ້ມູນທີ່ສໍາຄັນສໍາລັບທຸລະກິດຂອງເຂົາເຈົ້າ, ປັບປຸງຄວາມສັດຊື່ຂອງຜູ້ບໍລິໂພກ, ແນະນໍາລາຍການທີ່ສໍາຄັນຫຼືຜົນປະໂຫຍດແລະດີກວ່າແລະເຂົ້າໃຈຄວາມຕ້ອງການຂອງລູກຄ້າ.
4. ຜູ້ຊ່ວຍຂັ້ນສູງ virtual: ຜູ້ຊ່ວຍຫ່າງໄກສອກຫຼີກ, ນອກຈາກນັ້ນເອີ້ນວ່າ AI ມືຂວາຫຼືຜູ້ຊ່ວຍຄອມພິວເຕີ, ແມ່ນໂຄງການຄໍາຮ້ອງສະຫມັກທີ່ເຂົ້າໃຈຄໍາສັ່ງສຽງພາສາທົ່ວໄປແລະສໍາເລັດການມອບຫມາຍຂອງລູກຄ້າ. DAs ສາມາດຊ່ວຍໃຫ້ຜູ້ຊື້ມີການແລກປ່ຽນການອອກກໍາລັງກາຍຫຼືປັບປຸງກິດຈະກໍາການໂທຫາເພື່ອສະເຫນີການຕອບສະຫນອງລູກຄ້າທີ່ເຫນືອກວ່າແລະຫຼຸດຜ່ອນຄ່າໃຊ້ຈ່າຍໃນການດໍາເນີນງານ. ພວກເຮົາຈະເຫັນແອັບພລິເຄຊັນເຫຼົ່ານີ້ເປັນກ້າວໆໃນເຄື່ອງມືທີ່ແຕກຕ່າງກັນ, ສໍາລັບຕົວຢ່າງ, ໂຄງການ PCs, ໂຄງຮ່າງການເຮືອນ savvy, autos ແລະໃນຕະຫຼາດຮ່ວມທຸລະກິດ.
ຄໍາຮ້ອງສະຫມັກການປະມວນຜົນພາສາລັກສະນະ:
ການແປພາສາເຄື່ອງຈັກ
ພວກເຮົາຮັບຮູ້ວ່າມາດຕະການຂອງຂໍ້ມູນທີ່ສາມາດເຂົ້າເຖິງໄດ້ໃນອອນໄລນ໌ແມ່ນການພັດທະນາ, ສະນັ້ນຄວາມຕ້ອງການທີ່ຈະໄປເຖິງມັນໄດ້ກາຍເປັນຄວາມກ້າວຫນ້າທີ່ສໍາຄັນແລະການຄາດຄະເນຂອງຄໍາຮ້ອງສະຫມັກການຈັດການພາສາປົກກະຕິໄດ້ກາຍເປັນທີ່ຈະແຈ້ງ. ການຕີຄວາມໝາຍຂອງເຄື່ອງຈັກຊຸກຍູ້ໃຫ້ພວກເຮົາເອົາຊະນະເຂດແດນຂອງພາສາທີ່ພວກເຮົາປະສົບຢູ່ເລື້ອຍໆໂດຍການຖອດລະຫັດຄູ່ມືສະເພາະ, ຮັກສາເນື້ອຫາ ຫຼືລາຍການຕ່າງໆໂດຍຄ່າໃຊ້ຈ່າຍທີ່ຫຼຸດລົງຢ່າງຫຼວງຫຼາຍ. ການທົດສອບຄວາມກ້າວຫນ້າຂອງການຕີຄວາມກ້າວຫນ້າຂອງເຄື່ອງຈັກບໍ່ໄດ້ຢູ່ໃນການຖອດລະຫັດຄໍາສັບ, ຢ່າງໃດກໍຕາມໃນການເຂົ້າໃຈຄວາມສໍາຄັນຂອງປະໂຫຍກເພື່ອໃຫ້ການຕີຄວາມຫມາຍທີ່ແທ້ຈິງ.
ໂຄງຮ່າງໂຄງການ
ໃນໂອກາດທີ່ພວກເຮົາຈໍາເປັນຕ້ອງໄດ້ໄປຫາຂໍ້ມູນສະເພາະ, snippet ທີ່ສໍາຄັນຈາກຖານຂໍ້ມູນຂ່າວສານອັນໃຫຍ່ຫຼວງຫຼັງຈາກນັ້ນຂໍ້ມູນຂ່າວສານເກີນພາລະແມ່ນບັນຫາທີ່ແທ້ຈິງ. ການສະຫຼຸບໂຄງການແມ່ນມີຄວາມສໍາຄັນບໍ່ພຽງແຕ່ສໍາລັບການສະຫຼຸບຄວາມສໍາຄັນຂອງບົດລາຍງານແລະຂໍ້ມູນ, ແຕ່ຍັງເຂົ້າໃຈເຖິງຜົນກະທົບທີ່ກະຕືລືລົ້ນພາຍໃນຂໍ້ມູນ, ສໍາລັບຕົວຢ່າງ, ໃນການລວບລວມຂໍ້ມູນຈາກສື່ອອນໄລນ໌.
ການສອບເສັງສົມມຸດຕິຖານ
ຈຸດປະສົງຂອງການກວດສອບບົດສະຫຼຸບແມ່ນເພື່ອຮັບຮູ້ການສົມມຸດຕິຖານລະຫວ່າງສອງສາມຂໍ້ຫຼືແມ້ກະທັ້ງຢູ່ໃນຂໍ້ຄວາມທີ່ຄ້າຍຄືກັນທີ່ຄວາມຮູ້ສຶກບໍ່ໄດ້ຢູ່ໃນທຸກໆກໍລະນີທີ່ສື່ສານຢ່າງຈະແຈ້ງ. ອົງການຈັດຕັ້ງນໍາໃຊ້ຄໍາຮ້ອງສະຫມັກການຈັດການພາສາທົ່ວໄປ, ສໍາລັບການຍົກຕົວຢ່າງ, ການສືບສວນການຄາດຄະເນ, ເພື່ອຮັບຮູ້ຄວາມຄິດເຫັນແລະການສົມມຸດຕິຖານອອນໄລນ໌ເພື່ອຊ່ວຍໃຫ້ເຂົາເຈົ້າເຂົ້າໃຈຄວາມຄິດເຫັນຂອງລູກຄ້າກ່ຽວກັບລາຍການແລະການບໍລິຫານຂອງເຂົາເຈົ້າແລະໂດຍທົ່ວໄປເຄື່ອງຫມາຍການຢືນຂອງເຂົາເຈົ້າ. ການຕັດສິນໃຈທີ່ສຸດທີ່ຜ່ານມາກົງໄປກົງມາ, ການກວດສອບການສະຫຼຸບເຂົ້າໃຈຄວາມຄິດເຫັນໃນສະຖານະການສະເພາະໃດຫນຶ່ງ.
ລັກສະນະຂໍ້ຄວາມ
ຄໍາສັ່ງຂໍ້ຄວາມເຮັດໃຫ້ມັນເປັນຄວາມຄິດທີ່ຈະແຕ່ງຕັ້ງການຈັດປະເພດທີ່ກໍານົດໄວ້ລ່ວງຫນ້າໃສ່ບ່ອນເກັບມ້ຽນແລະຈັດລຽງມັນເພື່ອຄົ້ນພົບຂໍ້ມູນທີ່ທ່ານຕ້ອງການຫຼືປັບປຸງການອອກກໍາລັງກາຍຈໍານວນຫນຶ່ງ. ຕົວຢ່າງ, ການນໍາໃຊ້ການຈັດປະເພດຂໍ້ຄວາມແມ່ນການແຍກຂີ້ເຫຍື້ອໃນອີເມວ.
ການຕອບຄໍາຖາມ
ການຖາມ-ຕອບ (QA) ກໍາລັງກາຍເປັນກະແສຫຼັກຫຼາຍຂຶ້ນກ່ຽວກັບບັນຊີການນໍາໃຊ້, ຕົວຢ່າງເຊັ່ນ, Siri, OK Google, ກ່ອງສົນທະນາ ແລະຜູ້ຊ່ວຍຜູ້ຊາຍ. ຄໍາຮ້ອງສະຫມັກ QA ແມ່ນກອບທີ່ສາມາດເຮັດໄດ້ຢ່າງຈະແຈ້ງກ່ຽວກັບການຮ້ອງຂໍຂອງມະນຸດ. ມັນສາມາດຖືກນໍາໃຊ້ເປັນເນື້ອໃນພຽງແຕ່ການໂຕ້ຕອບຫຼືເປັນກອບການສົນທະນາທີ່ສະແດງອອກ. ພາກສ່ວນທີ່ຍັງເຫຼືອນີ້ເປັນການທົດສອບທີ່ກ່ຽວຂ້ອງໂດຍສະເພາະສໍາລັບດັດສະນີເວັບໄຊຕ໌, ແລະເປັນຫນຶ່ງໃນການນໍາໃຊ້ຫຼັກການຂອງພາສາລັກສະນະການຄົ້ນຄວ້າກະກຽມ.
ຊະຕາກໍາໃນທີ່ສຸດຂອງ NLP
ຊະຕາກໍາໃນທີ່ສຸດຂອງພາສາທົ່ວໄປແມ່ນຫຍັງ?
ບັອດ
chatbots ຕອບຄໍາຖາມຂອງລູກຄ້າແລະນໍາພາພວກເຂົາໄປຫາຊັບສິນແລະລາຍການທີ່ໃຊ້ໄດ້ທຸກຊົ່ວໂມງຫຼືທຸກເວລາ. ມັນຖືກນໍາໃຊ້ເລື້ອຍໆໃນການຊ່ວຍເຫຼືອລູກຄ້າ, ໂດຍສະເພາະໃນທະນາຄານ, ການຂາຍຍ່ອຍແລະເຂດໃກ້ຄຽງ. ໂດຍສະເພາະໃນການດູແລລູກຄ້າການຕັ້ງຄ່າ chatbots ຄວນຈະໄວ, ສະຫລາດແລະງ່າຍດາຍທີ່ຈະນໍາໃຊ້, ຍ້ອນວ່າລູກຄ້າມີມາດຕະຖານສະເພາະ (ແລະໃນບາງກໍລະນີທີ່ມີຄວາມຄົງຕົວຕໍ່າ). ເພື່ອບັນລຸສິ່ງດັ່ງກ່າວ, chatbots ໃຊ້ NLP ເພື່ອໃຫ້ໄດ້ຮັບພາສາ, ສໍາລັບສ່ວນໃຫຍ່ກ່ຽວກັບການຮ່ວມມືກ່ຽວກັບເນື້ອຫາຫຼືການຮັບຮູ້ສຽງ, ບ່ອນທີ່ລູກຄ້າເວົ້າໃນຄໍາເວົ້າຂອງຕົນເອງ, ຍ້ອນວ່າເຂົາເຈົ້າຈະເວົ້າກັບຜູ້ຊ່ຽວຊານ. ປະໂຫຍດທີ່ຂະຫຍາຍອອກໄປນີ້ກໍ່ຈະມີກໍາໄລຫຼາຍປະເພດຕ່າງໆເພື່ອເຮັດໃຫ້ພວກເຂົາປະສົບຜົນສໍາເລັດແລະທໍາມະຊາດຫຼາຍຂຶ້ນໃນໄລຍະຍາວ, ຈາກຜູ້ຊ່ວຍຫ່າງໄກສອກຫຼີກເຊັ່ນ Siri ແລະ Amazon's Alexa ໄປສູ່ຂັ້ນຕອນ bot ທີ່ມີຄອມພິວເຕີ້ຫຼືການມອບຫມາຍທີ່ຕັ້ງຂື້ນ. bots ເຫຼົ່ານີ້ກ້າວຫນ້າຈະນໍາໃຊ້ NLP ເພື່ອໃຫ້ໄດ້ຮັບຂໍ້ຄວາມແລະປະຕິບັດກິດຈະກໍາ, ຕົວຢ່າງ, ການແບ່ງປັນຂໍ້ມູນທາງພູມສາດ, ການຟື້ນຟູການເຊື່ອມຕໍ່ແລະຮູບພາບຫຼືປະຕິບັດກິດຈະກໍາທີ່ຫນ້າປະຫລາດໃຈອື່ນໆສໍາລັບພວກເຮົາ.
ຮອງຮັບ UI ທີ່ບໍ່ເຂົ້າໃຈໄດ້
ແຕ່ລະສະມາຄົມທີ່ພວກເຮົາມີກັບເຄື່ອງຈັກແມ່ນການສື່ສານຂອງມະນຸດ (ທັງການສົນທະນາແລະຂໍ້ຄວາມ). Amazon's Echo ແມ່ນພຽງແຕ່ຮູບແບບດຽວທີ່ເຮັດໃຫ້ຄົນທັງຫມົດຕິດຕໍ່ກັບນະວັດຕະກໍາຢ່າງກົງໄປກົງມາ. ແນວຄວາມຄິດຂອງ UI ທີ່ບໍ່ສາມາດກວດພົບໄດ້ຫຼືສູນຈະຂຶ້ນກັບການເຊື່ອມໂຍງໂດຍກົງລະຫວ່າງລູກຄ້າແລະເຄື່ອງຈັກ, ບໍ່ວ່າຈະຜ່ານສຽງ, ຂໍ້ຄວາມຫຼືການຜະສົມຜະສານຂອງທັງສອງ. NLP ທີ່ສົ່ງຜົນກະທົບຕໍ່ຄວາມເຂົ້າໃຈຢ່າງມີເຫດຜົນຂອງພາສາຂອງມະນຸດ, ໃນຕອນທ້າຍຂອງມື້, ຍ້ອນວ່າມັນປັບປຸງການຫຼິ້ນພວກເຮົາ - ສິ່ງທີ່ພວກເຮົາເວົ້າໂດຍບໍ່ຄໍານຶງເຖິງວ່າພວກເຮົາເວົ້າມັນແນວໃດ, ແລະສິ່ງທີ່ພວກເຮົາກໍາລັງເຮັດ - ຈະເປັນພື້ນຖານສໍາລັບ UI ທີ່ບໍ່ສາມາດກວດພົບໄດ້ຫຼືສູນ. ຄໍາຮ້ອງສະຫມັກ.
ການລ່າສັດທີ່ສະຫລາດກວ່າ
serach ສະຫລາດກວ່າຫມາຍຄວາມວ່າລູກຄ້າສາມາດກຽມພ້ອມທີ່ຈະເບິ່ງໂດຍການສັ່ງດ້ວຍສຽງທີ່ກົງກັນຂ້າມກັບການປະກອບຫຼືການນໍາໃຊ້ຄໍາທີ່ໃຊ້ watchwords. ຊະຕາກໍາໃນທີ່ສຸດຂອງ NLP ແມ່ນນອກຈາກນັ້ນສໍາລັບການສອບຖາມທີ່ສະຫລາດຫຼາຍ - ບາງສິ່ງບາງຢ່າງທີ່ພວກເຮົາໄດ້ສົນທະນາຢູ່ທີ່ນີ້ຢູ່ທີ່ Expert System ສໍາລັບຂ້ອນຂ້າງໃນຂະນະທີ່. ໃນຕອນທ້າຍ, Google ໄດ້ປະກາດວ່າມັນໄດ້ເພີ່ມຄວາມສາມາດ NLP ໃຫ້ກັບ Google Drive ເພື່ອອະນຸຍາດໃຫ້ລູກຄ້າຊອກຫາບັນທຶກແລະສານທີ່ໃຊ້ພາສາສົນທະນາ.
ຄວາມຮູ້ຈາກຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ
ການຈັດລຽງ NLP ຈະຄ່ອຍໆລວບລວມຄວາມເຂົ້າໃຈທີ່ເປັນປະໂຫຍດຈາກຂໍ້ມູນທີ່ບໍ່ມີໂຄງສ້າງ, ຕົວຢ່າງ, ຂໍ້ຄວາມທີ່ມີໂຄງສ້າງຍາວ, ການບັນທຶກ, ສຽງ, ແລະອື່ນໆ, ພວກເຂົາເຈົ້າຈະມີທາງເລືອກທີ່ຈະຕັດສຽງ, ສຽງ, ການເລືອກຄໍາສັບ, ແລະການສົມມຸດຕິຖານຂອງຂໍ້ມູນເພື່ອປະກອບການສອບເສັງ. ຕົວຢ່າງ, ການວັດແທກຄວາມສັດຊື່ຂອງຜູ້ບໍລິໂພກຫຼືການຈໍາແນກຈຸດເຈັບປວດ.