شاخه های هوش مصنوعی (NLP)

تعریف

پردازش زبان طبیعی (NLP) به شاخه ای از علوم رایانه – و به طور خاص ، شاخه ای از هوش مصنوعی یا AI – مربوط می شود که به رایانه ها این امکان را می دهد تا متن و کلمات گفتاری را به همان شیوه ای که انسان می تواند درک کند درک کنند.

روش کار

NLP زبان شناسی محاسباتی-مدل سازی مبتنی بر قانون زبان انسانی-را با مدل های آماری ، یادگیری ماشینی و یادگیری عمیق ترکیب می کند. در کنار هم ، این فناوری ها رایانه ها را قادر می سازد تا زبان انسان را در قالب متن یا داده های صوتی پردازش کرده و معنای کامل آن را “کاملاً” درک کنند ، با نیت و احساس نویسنده.

کاربردها

NLP برنامه های رایانه ای را اجرا می کند که متن را از زبانی به زبان دیگر ترجمه می کند ، به دستورات گفتاری پاسخ می دهد و حجم زیادی از متن را به سرعت خلاصه می کند – حتی در زمان واقعی. به احتمال زیاد شما با NLP در قالب سیستم های GPS صوتی ، دستیارهای دیجیتالی ، نرم افزار دیکته گفتار به متن ، چت بات های خدمات مشتری و سایر امکانات مصرفی ارتباط برقرار کرده اید. اما NLP همچنین نقش فزاینده ای در راه حل های سازمانی دارد که به ساده سازی عملیات تجاری ، افزایش بهره وری کارکنان و ساده سازی فرایندهای تجاری مهم ماموریت کمک می کند.

وظایف

زبان انسان مملو از ابهاماتی است که نوشتن نرم افزاری را که معنای مورد نظر متن یا داده های صوتی را به طور دقیق تعیین می کند ، بسیار دشوار می کند. هم اسم ، هم صدا ، کنایه ، اصطلاحات ، استعاره ، دستور زبان و استثناء استفاده ، تغییرات در ساختار جمله-اینها تنها تعدادی از بی نظمی های زبان انسانی است که یادگیری آنها سالها طول می کشد ، اما برنامه نویسان باید برنامه های کاربردی مبتنی بر زبان طبیعی را برای تشخیص و آموزش اگر می خواهید این برنامه ها مفید واقع شوند ، از همان ابتدا به طور دقیق درک کنید.

چندین وظیفه NLP داده های متنی و صوتی انسان را به گونه ای تجزیه می کند که به رایانه کمک می کند آنچه را که بلعیده است درک کند. برخی از این وظایف شامل موارد زیر است:

تشخیص گفتار ، همچنین گفتار به متن نامیده می شود ، وظیفه تبدیل قابل اعتماد داده های صوتی به داده های متنی است. تشخیص گفتار برای هر برنامه ای که از دستورات صوتی پیروی می کند یا به سوالات گفتاری پاسخ می دهد ، ضروری است. چیزی که تشخیص گفتار را به ویژه چالش برانگیز می کند نحوه صحبت کردن مردم است – سریع ، کلمات را به هم می ریزند ، با تأکید و لحن متفاوت ، با لهجه های مختلف ، و اغلب از دستور زبان نادرست استفاده می کنند.

برچسب زدن گفتار که برچسب گذاری دستوری نیز نامیده می شود ، فرایند تعیین قسمتی از گفتار یک کلمه یا متن خاص بر اساس کاربرد و زمینه آن است. بخشی از گفتار عبارت “ساخت” را به عنوان فعل در “من می توانم یک صفحه کاغذی بسازم” و به عنوان یک اسم در “چه خودرویی متعلق به شماست؟”

ابهام زدایی از کلمه عبارت است از انتخاب معنای یک کلمه با معانی متعدد از طریق فرایند تجزیه و تحلیل معنایی که کلمه ای را که در زمینه داده شده بیشترین معنا را دارد تعیین می کند. به عنوان مثال ، ابهام زدایی از کلمه به معنای تشخیص فعل “ساختن” در “ایجاد نمره” (دستیابی) در مقابل “شرط بندی” (مکان) کمک می کند.

نامگذاری موجودیت یا NEM ، کلمات یا عبارات را به عنوان موجودیت های مفید شناسایی می کند. NEM “کنتاکی” را به عنوان مکان یا “فرد” را به عنوان نام یک مرد معرفی می کند.

تفکیک مرجع وظیفه تشخیص این است که آیا دو کلمه به یک نهاد اشاره دارند یا خیر. متداول ترین مثال تعیین شخص یا شیئی است که یک ضمیر خاص به آن اشاره می کند (به عنوان مثال ، “she” = “Mary”) ، اما همچنین می تواند شامل استعاره یا اصطلاح در متن باشد (به عنوان مثال ، نمونه ای که در آن ” خرس یک حیوان نیست بلکه یک فرد موی بزرگ است).

تجزیه و تحلیل احساسات سعی در استخراج ویژگی های ذهنی – نگرش ها ، احساسات ، طعنه ، سردرگمی ، سوء ظن – از متن دارد.

ایجاد زبان طبیعی به عنوان نقطه مقابل تشخیص گفتار یا گفتار به متن توصیف می شود. این وظیفه قرار دادن اطلاعات ساختار یافته به زبان انسان است.