Was ist NLU (Natural Language Understanding)?

Natürliche Sprachverständnis (NLU) ist ein technisches Konzept innerhalb des größeren Themas der natürlichen Sprachverarbeitung. NLU ist der Prozess, der dafür verantwortlich ist, natürliche, menschliche Wörter in ein Format zu übersetzen, das ein Computer interpretieren kann. Im Wesentlichen muss ein Computer, bevor er Sprachdaten verarbeiten kann, die Daten verstehen.

Techniken für NLU umfassen die Verwendung gemeinsamer Syntax und grammatischer Regeln, um es einem Computer zu ermöglichen, die Bedeutung und den Kontext der natürlichen menschlichen Sprache zu verstehen. Das ultimative Ziel dieser Techniken ist, dass ein Computer ein “intuitives” Verständnis von Sprache entwickelt, um Sprache zu schreiben und zu verstehen, genau wie ein Mensch, ohne ständig auf die Definitionen von Wörtern zurückzugreifen.

Definition von NLU (Natürliche Sprachverständnis)

Es gibt zahlreiche Techniken, die Computerwissenschaftler und NLP-Experten verwenden, um Computern das Verständnis der menschlichen Sprache zu ermöglichen. Die meisten dieser Techniken fallen in die Kategorie der “syntaktischen Analyse”. Syntaktische Analysetechniken umfassen:

• Lematisierung
• Stemming
• Wortsegmentierung
• Parsing
• Morphologische Segmentierung
• Satzunterbrechung
• Part-of-Speech-Tagging

Diese syntaktischen Analysetechniken wenden grammatische Regeln auf Gruppen von Wörtern an und versuchen, mit diesen Regeln Bedeutung abzuleiten. Im Gegensatz dazu funktioniert NLU, indem “semantische Analysetechniken” verwendet werden.

Semantische Analyse wendet Computer-Algorithmen auf Text an, um die Bedeutung von Wörtern in ihrem natürlichen Kontext zu verstehen, anstatt auf regelbasierte Ansätze zurückzugreifen. Die grammatische Richtigkeit/Unrichtigkeit eines Ausdrucks korreliert nicht unbedingt mit der Gültigkeit eines Ausdrucks. Es gibt Ausdrücke, die grammatisch richtig, aber sinnlos sind, und Ausdrücke, die grammatisch falsch, aber sinnvoll sind. Um die bedeutendsten Aspekte von Wörtern zu unterscheiden, wendet NLU eine Vielzahl von Techniken an, die darauf abzielen, die Bedeutung einer Gruppe von Wörtern mit weniger Abhängigkeit von grammatischer Struktur und Regeln aufzunehmen.

NLU ist ein sich entwickelndes und sich änderndes Feld und gilt als eines der schwierigen Probleme der KI. Verschiedene Techniken und Werkzeuge werden entwickelt, um Maschinen ein Verständnis der menschlichen Sprache zu geben. Die meisten NLU-Systeme haben bestimmte Kernkomponenten gemeinsam. Ein Lexikon für die Sprache ist erforderlich, sowie eine Art Textparser und Grammatikregeln, um die Erstellung von Textdarstellungen zu leiten. Das System erfordert auch eine Theorie der Semantik, um das Verständnis der Darstellungen zu ermöglichen. Es gibt verschiedene semantische Theorien, die zur Interpretation von Sprache verwendet werden, wie z.B. stochastische semantische Analyse oder naive Semantik.

Gängige NLU-Techniken umfassen:

• Named Entity Recognition
• Word-Sense Disambiguation

Named Entity Recognition ist der Prozess der Erkennung von “benannten Entitäten”, die Personen, wichtige Orte/Dinge sind. Named Entity Recognition funktioniert, indem grundlegende Konzepte und Referenzen in einem Textkörper unterschieden, benannte Entitäten identifiziert und in Kategorien wie Orte, Daten, Organisationen, Personen, Werke usw. eingeordnet werden. Üblicherweise werden überwachte Modelle auf der Grundlage von Grammatikregeln verwendet, um NER-Aufgaben durchzuführen.

Word-Sense Disambiguation ist der Prozess der Bestimmung der Bedeutung oder des Sinns eines Wortes basierend auf dem Kontext, in dem das Wort erscheint. Word-Sense Disambiguation nutzt oft Part-of-Speech-Tagger, um das Zielwort zu kontextualisieren. Überwachte Methoden der Word-Sense Disambiguation umfassen die Verwendung von Support-Vektor-Maschinen und memory-basiertem Lernen. Die meisten Modelle der Word-Sense Disambiguation sind jedoch semioverwachte Modelle, die sowohl gelabelte als auch ungelabelte Daten verwenden.

Beispiele für NLU (Natürliche Sprachverständnis)

Gängige Beispiele für NLU umfassen Automated Reasoning, Automatic Ticket Routing, Machine Translation und Question Answering.

Automated Reasoning

Automated Reasoning ist ein Fachgebiet, das darauf abzielt, Maschinen eine Art Logik oder Argumentation zu geben. Es ist ein Zweig der Kognitivwissenschaft, der sich bemüht, auf der Grundlage medizinischer Diagnosen oder programmatischer/automatischer Lösung mathematischer Theoreme Schlussfolgerungen zu ziehen. NLU wird verwendet, um Informationen zu sammeln und zu analysieren und Schlussfolgerungen auf der Grundlage dieser Informationen zu ziehen.

Automatic Ticket Routing

NLU wird oft verwendet, um KundenService-Aufgaben zu automatisieren. Wenn ein KundenService-Ticket generiert wird, können Chatbots und andere Maschinen die grundlegende Natur des Kundenbedarfs interpretieren und ihn an die richtige Abteilung weiterleiten. Unternehmen erhalten täglich Tausende von Supportanfragen, daher sind NLU-Algorithmen nützlich, um Tickets zu priorisieren und es Supportagenten zu ermöglichen, sie effizienter zu bearbeiten.

Machine Translation

Es ist schwierig, Sprache oder Text von einer Sprache in eine andere Sprache genau zu übersetzen. Tatsächlich ist Machine Translation eines der schwierigsten Probleme in NLP und NLU. Viele Machine-Translation-Systeme verlassen sich auf linguistische Regeln, um zwischen Sprachen zu übersetzen, aber Forscher verfolgen anspruchsvollere Methoden, um zwischen Sprachen zu übersetzen. NLU-Machine-Translation versucht, genauere Übersetzungen zu ermöglichen, indem Kontext und semantische Informationen im Zieltext erhalten bleiben. Die genauesten Machine-Translation-Systeme kombinieren linguistische Regeln mit Algorithmen, die semantische Bedeutung extrahieren.

Question Answering

Spracherkennung verwendet NLU-Techniken, um es Computern zu ermöglichen, Fragen in natürlicher Sprache zu verstehen. NLU wird verwendet, um den Benutzern des Geräts eine Antwort in ihrer natürlichen Sprache zu geben, anstatt ihnen eine Liste möglicher Antworten zu bieten. Wenn Sie einem digitalen Assistenten eine Frage stellen, wird NLU verwendet, um den Maschinen zu helfen, die Fragen zu verstehen und die am besten geeigneten Antworten basierend auf Funktionen wie erkannten Entitäten und dem Kontext vorheriger Aussagen auszuwählen.