Fundamentos do treinamento de compreensão da linguagem natural Ppt

Slide 1

Este slide fornece uma visão geral do NLU, uma subseção do Processamento de Linguagem Natural (NLP) que trata da conversão da linguagem humana em um formato legível por máquina. Os computadores podem interpretar automaticamente os dados em segundos, graças ao Natural Language Understanding (NLU) e ao Machine Learning, economizando horas e dinheiro preciosos para as organizações enquanto analisam os valiosos comentários dos clientes.

Slide 2

Este slide afirma que o Entendimento da linguagem natural é um ramo do processamento da linguagem natural. NLP e NLU, ambos, procuram dar sentido a dados não estruturados, mas há uma distinção entre os dois.

Notas do instrutor:

• A PNL estuda como os computadores são treinados para entender a linguagem e promover a comunicação "natural" entre computadores e pessoas
• A compreensão da linguagem natural está preocupada com a capacidade de uma máquina de compreender a linguagem humana. NLU refere-se à reorganização de dados não estruturados para que as máquinas possam "entendê-los" e avaliá-los

Slide 3

Este slide lista os casos de uso para compreensão de linguagem natural, como roteamento automático de tickets, raciocínio automatizado, tradução automática e resposta a perguntas.

Slide 4

Este slide afirma que a automação do atendimento ao cliente é um excelente exemplo corporativo de NLU. As máquinas podem interpretar o conteúdo dos tíquetes de suporte ao cliente e encaminhá-los aos departamentos apropriados sem exigir que as pessoas abram todos os tíquetes. Isso economiza centenas de horas dos funcionários de atendimento ao cliente e permite que eles priorizem solicitações urgentes.

Slide 5

Este slide descreve que um assunto da ciência cognitiva conhecido como raciocínio automatizado é usado para provar mecanicamente teoremas matemáticos ou formar conclusões lógicas sobre um diagnóstico médico. Ele fornece às máquinas um tipo de pensamento ou lógica, permitindo-lhes inferir novos fatos por meio da dedução.

Notas do instrutor:

Algoritmos de computador podem criar conclusões com base em dados previamente obtidos e processados. Na medicina, por exemplo, usando regras de dedução SE-ENTÃO, os robôs podem deduzir um diagnóstico com base em diagnósticos anteriores.

Slide 6

Este slide afirma que uma das tarefas mais problemáticas em NLP e NLU é traduzir com precisão voz ou texto de um idioma para outro. As tecnologias de tradução automática permitem inserir palavras ou fazer upload de documentos inteiros e obter traduções em dezenas de idiomas.

Notas do instrutor:

O Google Tradutor incorpora um software de reconhecimento óptico de caracteres (OCR), permitindo que máquinas extraiam texto de fotos, interpretem-no e traduzam-no.

Slide 7

Este slide descreve que responder a perguntas é um ramo do NLP e do reconhecimento de voz que usa o NLU para ajudar os computadores a entender as consultas de linguagem natural.

Notas do instrutor:

A menos que você designe uma cidade específica, os assistentes virtuais informarão o tempo para sua localização atual por padrão. O objetivo de responder a perguntas é responder no idioma nativo do usuário, em vez de uma lista de respostas por escrito.

Slide 8

Este slide lista a importância da compreensão da linguagem natural. Isto é que o NLU pode ser usado para auxiliar na análise do texto não estruturado, os analistas acreditam que o NLU e o NLP têm um tremendo potencial de desenvolvimento, pois o volume de texto não estruturado que deve ser examinado está crescendo.

Notas do instrutor:

• NLU pode ser usado para auxiliar na análise do texto não estruturado: As pessoas podem se expressar de várias maneiras, e isso pode diferir de pessoa para pessoa. O conhecimento preciso do usuário é essencial para o sucesso dos assistentes pessoais. O NLU converte a complicada estrutura da linguagem em um formato legível por máquina, permitindo a análise de texto e os robôs respondendo a perguntas humanas
• Os analistas acreditam que o NLU e o NLP têm um tremendo potencial de desenvolvimento: os computadores podem realizar análises baseadas em linguagem de maneira consistente e imparcial 24 horas por dia, sete dias por semana. Dado o volume de dados brutos criados todos os dias, NLU e NLP são cruciais para uma análise de dados eficaz. Esses dados podem ser lidos, ouvidos e analisados por um aplicativo baseado em NLU bem desenvolvido e projetado
• O volume de texto não estruturado que deve ser examinado está crescendo: os analistas preveem um CAGR de mais de 20% entre 2020 e 2025. De acordo com o estudo de 2019 da Markets Insider, a indústria mundial de processamento de linguagem natural (NLP) está avaliada em US$ 35 bilhões até 2025. A principal causa subjacente para o crescimento é uma mudança de experiências centradas no produto para experiências orientadas para o cliente. A crescente popularidade de dispositivos inteligentes e IoT também está contribuindo para o uso geral de NLU

Slide 9

Este slide mostra fatores que devem ser considerados ao selecionar soluções de compreensão de linguagem natural, como suporte a idiomas, qualidade do resultado, usabilidade, flexibilidade e velocidade.

Notas do instrutor:

• Suporte ao idioma: O idioma dos dados de entrada deve ser suportado pela plataforma NLU. Atualmente, a qualidade do NLU em idiomas diferentes do inglês é pior devido ao potencial comercial dos idiomas. Isso está mudando, no entanto, à medida que o interesse da pesquisa cresce
• Qualidade do resultado: Uma solução NLU bem-sucedida deve ser capaz de detectar elementos linguísticos, extrair suas conexões e aplicar software semântico para entender as informações, independentemente de como elas são escritas. O aprendizado contínuo, auxiliado pelo Machine Learning, tem o potencial de aumentar a qualidade dos resultados ao longo do tempo
• Usabilidade: A solução deve ser simples de usar para o pessoal técnico e não técnico. Uma solução com muitas interfaces pode ser explorada, permitindo que uma pessoa não técnica (como um representante de atendimento ao cliente) construa esse sistema com entrada. Com a possibilidade distinta de que não-técnicos possam usar chatbots, a usabilidade do programa e a conveniência de uso da interface do usuário são críticas
• Flexibilidade: É fundamental ser adaptável às áreas de solução. Isso é realizado por meio dos recursos de treinamento e aprendizado contínuo da solução NLU
• Velocidade: em aplicativos de IA de conversação, entender o idioma faz parte do processo, e outros componentes incluem criar uma resposta ou agir em resposta à consulta. Como resultado, ver e compreender o idioma deve ser concluído rapidamente. No entanto, pode haver uma troca entre a qualidade dos resultados e a velocidade com que são computados. Esta decisão deve ser baseada na aplicação

Slide 10

Este slide afirma que os modelos NLU são capazes de funcionar perfeitamente em uma tarefa específica e única. Outras tarefas, no entanto, podem reduzir a exatidão e a precisão. É essencial usar medições objetivas para comparar o desempenho dos sistemas.

Slide 11

Este slide lista os gigantes da tecnologia líderes no ecossistema de compreensão de linguagem natural, como Google, Microsoft, Amazon e IBM.