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 eine “intuitive” Verständnis von Sprache entwickelt, sodass er Sprache schreiben und verstehen kann, genau wie ein Mensch, ohne ständig auf die Definitionen von Wörtern zurückzugreifen.

Definierung von NLU (Natural Language Understanding)

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

• Lemmatisierung
• 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 es “semantische Analysetechniken” verwendet.

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 können Ausdrücke geben, 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 künstlichen Intelligenz. Verschiedene Techniken und Werkzeuge werden entwickelt, um Maschinen ein Verständnis von menschlicher Sprache zu geben. Die meisten NLU-Systeme haben bestimmte Kernkomponenten gemeinsam. Ein Lexikon für die Sprache ist erforderlich, sowie ein Textparser und Grammatikregeln, um die Erstellung von Textdarstellungen zu leiten. Das System erfordert auch eine Theorie der Semantik, um das Verständnis von 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:

• Benennung von Entitäten
• Wortbedeutungsdisambiguierung

Die Benennung von Entitäten ist der Prozess der Erkennung “benannter Entitäten”, die Personen, wichtige Orte/Dinge sind. Die Benennung von Entitäten funktioniert, indem sie grundlegende Konzepte und Referenzen in einem Textkörper unterscheidet, benannte Entitäten identifiziert und sie in Kategorien wie Orte, Daten, Organisationen, Personen, Werke usw. einordnet. Beaufsichtigte Modelle, die auf Grammatikregeln basieren, werden normalerweise verwendet, um NER-Aufgaben durchzuführen.

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

Beispiele für NLU (Natural Language Understanding)

Gängige Beispiele für NLU umfassen automatisierte Argumentation, automatisches Ticket-Routing, Maschinelle Übersetzung und Fragebeantwortung.

Automatisierte Argumentation

Automatisierte Argumentation ist eine Disziplin, die darauf abzielt, Maschinen eine Art von Logik oder Argumentation zu geben. Es ist ein Zweig der kognitiven Wissenschaft, der versucht, 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.

Automatisches Ticket-Routing

NLU wird oft verwendet, um Kundenbetreuungsaufgaben zu automatisieren. Wenn ein Kundenbetreuungsticket erstellt 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, sodass NLU-Algorithmen nützlich sind, um Tickets zu priorisieren und es Supportagenten ermöglichen, sie effizienter zu bearbeiten.

Maschinelle Übersetzung

Es ist schwierig, Sprache oder Text von einer Sprache in eine andere Sprache genau zu übersetzen. Tatsächlich ist Maschinelle Übersetzung eines der schwierigsten Probleme der NLP und NLU. Viele Maschinelle-Übersetzungssysteme verlassen sich auf linguistische Regeln, um zwischen Sprachen zu übersetzen, aber Forscher verfolgen anspruchsvollere Methoden, um zwischen Sprachen zu übersetzen. NLU-Maschinelle-Übersetzung versucht, genaue Übersetzungen zu ermöglichen, indem sie den Kontext und die semantischen Informationen im Zieltext erhalten.

Fragebeantwortung

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 Computern zu helfen, die Fragen zu verstehen, und wählt die am besten geeigneten Antworten basierend auf Merkmalen wie erkannten Entitäten und dem Kontext vorheriger Aussagen aus.