Искусство заставлять машины понимать человеческий язык.

Эта статья предназначена для короткого 5-минутного чтения, чтобы познакомить новых учащихся и новичков с удивительным миром НЛП. В этой статье затрагиваются следующие основные аспекты НЛП.

I. Что такое НЛП?

II. Почему сложно работать с текстовыми данными?

III.Применение НЛП в реальном мире.

I. Что такое НЛП?

Язык - важная часть человеческого общения.

Внимательно прочтите следующее предложение:

«Насыщенное сливочное блюдо из цельнозерновой пасты, слой за слоем наполненное освежающим свежим луком и чесноком, покрытое сочным соусом и покрытое импортной моцареллой высшего качества».

Человеческий мозг помогает нам визуализировать это блюдо из лазаньи после прочтения его описания в меню отеля. Но компьютер не знает, каков контекст приведенного выше предложения или что такое лазанья?

Поэтому, чтобы компьютер понимал язык (слова, предложения, абзацы) и разбирался в этих текстовых данных, мы используем НЛП.

Формально Обработка естественного языка - это применение вычислительных методов для анализа и синтеза текста. НЛП нацелено на то, чтобы дать компьютерам возможность выполнять задачи с использованием человеческого языка.

II. Почему сложно работать с текстом?

Компьютерам сложно понимать язык. Ниже перечислены некоторые из распространенных проблем в НЛП:

1.Синонимия -

Как в разных словах, имеющих одинаковое значение.

Предложение 1: «Президент США подписал новый указ».

Предложение 2: «POTUS подписал новый закон»

Оба эти заявления пропагандируют одно и то же мнение. Однако, поскольку синтаксически это совершенно разные предложения, компьютерам трудно понять намерения пользователя.

2. Лексическая двусмысленность -

Это означает недостаточную ясность одного и того же слова, используемого в разных контекстах.

S1: «Ставка по банковскому депозиту довольно высока»

S2: «Он стоял у берега, любуясь рекой».

Здесь слово «банк» имеет два разных значения. В первом случае это финансовое учреждение, а во втором - земля у реки. Компьютер не понимает, о каком банке идет речь.

Рассмотрим также пример:

«Она убила человека с галстуком»

Здесь мы спрашиваем,

На мужчине был галстук? ИЛИ,

Был ли галстук орудием убийства?

3. Вопросы, связанные с языком -

Каждый язык имеет свою уникальность.

В английском у нас нет пола, связанного с существительным «хлеб». Но в русском языке каждому существительному назначен род (мужской, женский или средний), а хлеб - «мужской» !!

Грамматика и морфология языков настолько различны и уникальны, что машинам сложно понимать язык.

Узнайте больше о грамматике русского языка здесь

4. ссылочная неоднозначность -

S1: «Джефф - мой друг. Он любит продавать ».

Во втором заявлении «он» относится к Джеффу. Компьютерам сложно расшифровать, к какому физическому / юридическому лицу относится местоимение он.

5. Проблема вне словарного запаса -

Машины могут обрабатывать только те данные, которые они видели раньше. Он не может хорошо адаптироваться к новым словам. (Неконтролируемая проблема)

6. Генерация языка -

Чтобы чат-боты работали эффективно, им необходимо сначала понять построенные предложения, которые являются грамматически правильными, понять их значение и контекст и эффективно отвечать на запросы клиентов.

Прочитав все эти вопросы во время работы с текстами, мы понимаем, что НЛП - это сложно. Но дальше давайте посмотрим на некоторые интересные варианты использования НЛП!

НЛП тоже может быть крутым !!!

III. Реальные приложения НЛП

Вот некоторые из приложений, с которыми мы сталкиваемся в повседневной жизни.

1. распознавание речи:

Amazon Alexa, Apple Siri и т. д. голосовые помощники, используемые для преобразования голосовых команд, переводя их для выполнения компьютерных задач, таких как воспроизведение музыки.

Кроме того, функция Google «Окей, Google» используется в качестве триггера для пробуждения Ассистента Google и домашних устройств.

2. анализ настроений:

Анализ тональности - это интерпретация и классификация общих эмоций целевой аудитории и определение того, склоняется ли текст к положительным, отрицательным или нейтральным настроениям с помощью текстовой аналитики.

Это чрезвычайно полезно для предприятий при оценке общего настроения их продуктов (Amazon обзоры), фильмов (IMDb рейтинги), еда и рестораны (отзывы Zomato) и т. д.

Твиты пошли не так !!

Босс Tesla Илон Маск стер 14 миллиардов долларов (11 миллиардов фунтов стерлингов) из стоимости автопроизводителя после того, как написал в Твиттере, что цена его акций была слишком высокой. Ссылка

3. машинный перевод:

Машинный перевод предполагает преобразование текстовых данных с одного языка на другой.

Например, перевод с испанского на английский (Переводчик Google)

4. Разговорный AI:

Это включает обмен текстовыми чатами с компьютером и решение основных запросов с помощью чат-ботов.

Пример: ВОЗ запускает чат-бота в Facebook Messenger для борьбы с дезинформацией о COVID-19. Ссылка

5.Тематическое моделирование:

Этот метод включает в себя определение шаблонов слов и фраз в абзацах / текстовых документах и ​​автоматическую кластеризацию групп слов и похожих выражений, которые лучше всего характеризуют этот набор документов.

Приложение : Автоматическая пометка запросов клиентов в службе поддержки клиентов, чтобы обеспечить более быстрый ответ и более быстрое решение.

6. части речевых тегов:

Маркировка POS помогает находить различные существительные, наречия, глаголы и отображать их в предложении.

Применение: Устранение неоднозначности. В предложениях «Я вышел из комнаты» и «Слева из комнаты» слово left передает разные значения. Тегер для торговой точки поможет различить два значения слова слева.

7. Признание именованных сущностей (NER):

Определение имени, времени, местоположения, даты человека и других сущностей, присутствующих в тексте. Он широко используется в области медицины, биоинформатики и молекулярной биологии.

8. Обобщение текста:

Это метод, используемый для сжатия текстового документа, создавая сводку основных моментов документа.

Его приложения включают сводку новостей (приложение Inshorts), сводку романа / книги (Blinkist) и т. д.

9. Преобразование речи в текст / преобразование текста в речь.

Популярным продуктом для лучшего объяснения преобразования текста в речь может быть Audible от Amazon, который зачитывает тексты в электронных книгах.

10. прогнозирование текста / автокоррекция

Это приложение присутствует в таких продуктах, как предложение автоматической рассылки Gmail. Также Grammarly использует NLP для устранения грамматических и синтаксических ошибок.

Ссылка: how-Grammarly-uses-ai

Спасибо, что прочитали до конца! Я надеюсь, что эта статья помогла вам получить представление об этой широкой области НЛП и вызвала интерес к ней. Я старался сделать его кратким, простым и интересным. Это моя первая публикация на Medium, и я буду благодарен за любые отзывы.

Сообщите мне свои мысли в разделе комментариев ниже. Не стесняйтесь обращаться ко мне в LinkedIn.