Fondements de la formation à la compréhension du langage naturel Ppt

Diapositive 1

Cette diapositive donne un aperçu de NLU, une sous-section du traitement du langage naturel (NLP) qui traite de la conversion du langage humain en un format lisible par machine. Les ordinateurs peuvent interpréter automatiquement les données en quelques secondes grâce à la compréhension du langage naturel (NLU) et à l'apprentissage automatique, ce qui permet aux organisations d'économiser des heures et de l'argent précieux tout en examinant les nombreux commentaires des clients.

Diapositive 2

Cette diapositive indique que la compréhension du langage naturel est une branche du traitement du langage naturel. Le NLP et le NLU cherchent tous deux à donner un sens aux données non structurées, mais il existe une distinction entre les deux.

Remarques de l'instructeur :

• La PNL étudie comment les ordinateurs sont formés pour comprendre le langage et promouvoir une communication aller-retour "naturelle" entre les ordinateurs et les personnes
• La compréhension du langage naturel concerne la capacité d'une machine à comprendre le langage humain. NLU fait référence à la réorganisation des données non structurées afin que les machines puissent les "comprendre" et les évaluer

Diapositive 3

Cette diapositive répertorie les cas d'utilisation de la compréhension du langage naturel, tels que l'acheminement automatique des tickets, le raisonnement automatisé, la traduction automatique et la réponse aux questions.

Diapositive 4

Cette diapositive indique que l'automatisation du service client est un excellent exemple d'entreprise de NLU. Les machines peuvent interpréter le contenu des tickets d'assistance client et les acheminer vers les services appropriés sans obliger les gens à ouvrir chaque ticket. Cela fait gagner des centaines d'heures aux employés du service client et leur permet de prioriser les demandes urgentes.

Diapositive 5

Cette diapositive décrit qu'un sujet des sciences cognitives connu sous le nom de raisonnement automatisé est utilisé pour prouver mécaniquement des théorèmes mathématiques ou pour tirer des conclusions logiques concernant un diagnostic médical. Il fournit aux machines un type de pensée ou de logique, leur permettant de déduire de nouveaux faits par déduction.

Remarques de l'instructeur :

Les algorithmes informatiques peuvent créer des conclusions basées sur des données précédemment obtenues et traitées. En médecine, par exemple, en utilisant les règles de déduction SI-ALORS, les robots peuvent déduire un diagnostic basé sur des diagnostics antérieurs.

Diapositive 6

Cette diapositive indique que l'une des tâches les plus problématiques en NLP et NLU est la traduction précise de la voix ou du texte d'une langue à une autre. Les technologies de traduction automatique vous permettent de saisir des mots ou de télécharger des documents entiers et d'obtenir des traductions dans des dizaines de langues.

Remarques de l'instructeur :

Google Translate intègre un logiciel de reconnaissance optique de caractères (OCR), permettant aux machines d'extraire le texte des photos, de l'interpréter et de le traduire.

Diapositive 7

Cette diapositive décrit que la réponse aux questions est une branche de la PNL et de la reconnaissance vocale qui utilise la NLU pour aider les ordinateurs à comprendre les requêtes en langage naturel.

Remarques de l'instructeur :

Sauf si vous désignez une ville spécifique, les assistants virtuels vous indiqueront par défaut la météo de votre emplacement actuel. Le but de la réponse aux questions est de répondre dans la langue maternelle de l'utilisateur plutôt qu'une liste de réponses écrites.

Diapositive 8

Cette diapositive énumère l'importance de la compréhension du langage naturel. C'est que NLU peut être utilisé pour aider à l'analyse du texte non structuré, les analystes pensent que NLU et NLP ont un potentiel de développement énorme car le volume de texte non structuré qui doit être examiné augmente.

Remarques de l'instructeur :

• NLU peut être utilisé pour aider à l'analyse du texte non structuré : les gens peuvent s'exprimer de différentes manières, et cela peut différer d'une personne à l'autre. La connaissance précise de l'utilisateur est essentielle au succès des assistants personnels. NLU convertit la structure compliquée du langage en un format lisible par machine, permettant l'analyse de texte et permettant aux robots de répondre aux questions humaines
• Les analystes estiment que NLU et NLP ont un énorme potentiel de développement : les ordinateurs peuvent entreprendre une analyse basée sur le langage de manière cohérente et impartiale 24 heures sur 24, sept jours sur sept. Compte tenu du volume de données brutes créées chaque jour, NLU et NLP sont cruciaux pour une analyse efficace des données. Ces données peuvent être lues, écoutées et analysées par une application NLU bien développée et conçue.
• Le volume de texte non structuré qui doit être examiné augmente : les analystes prédisent un TCAC de plus de 20 % entre 2020 et 2025. Selon l'étude 2019 de Markets Insider, l'industrie mondiale du traitement du langage naturel (TAL) devrait être évaluée à 35 milliards de dollars. d'ici 2025. La principale cause sous-jacente de la croissance est le passage d'expériences centrées sur le produit à des expériences orientées client. La popularité croissante des appareils intelligents et de l'IoT contribue également à l'utilisation générale de NLU

Diapositive 9

Cette diapositive présente les facteurs à prendre en compte lors de la sélection de solutions de compréhension du langage naturel, tels que la prise en charge linguistique, la qualité des résultats, la convivialité, la flexibilité et la rapidité.

Remarques de l'instructeur :

• Prise en charge de la langue : la langue des données d'entrée doit être prise en charge par la plate-forme NLU. Actuellement, la qualité de la NLU dans les langues autres que l'anglais est moins bonne en raison du potentiel commercial des langues. Cela change, cependant, à mesure que l'intérêt pour la recherche augmente
• Qualité des résultats : une solution NLU réussie doit être capable de détecter les éléments linguistiques, d'extraire leurs connexions et d'appliquer un logiciel sémantique pour comprendre les informations, quelle que soit leur écriture. L'apprentissage continu, aidé par l'apprentissage automatique, a le potentiel d'augmenter la qualité des résultats au fil du temps
• Convivialité : la solution doit être simple à utiliser pour le personnel technique et non technique. Une solution avec de nombreuses interfaces peut être explorée, permettant à une personne non technique (comme un représentant du service client) de construire ce système avec une entrée. Avec la possibilité distincte que les non-techniciens utilisent des chatbots, la convivialité du programme et la commodité d'utilisation de l'interface utilisateur sont essentielles
• Flexibilité : Il est essentiel d'être adaptable aux domaines de solution. Ceci est accompli grâce aux capacités de formation et d'apprentissage continu de la solution NLU
• Rapidité : dans les applications d'IA conversationnelle, la compréhension du langage fait partie du processus, et d'autres composants incluent la création d'une réponse ou l'action en réponse à la demande. Par conséquent, voir et comprendre la langue doit être complété rapidement. Cependant, il peut y avoir un échange entre la qualité des résultats et la vitesse à laquelle ils sont calculés. Cette décision doit être fondée sur la demande

Diapositive 10

Cette diapositive indique que les modèles NLU sont capables de fonctionner parfaitement sur une tâche particulière et unique. Cependant, d'autres tâches pourraient réduire l'exactitude et la précision. Il est essentiel d'utiliser des mesures objectives pour comparer les performances des systèmes.

Diapositive 11

Cette diapositive répertorie les géants de la technologie leaders dans l'écosystème de la compréhension du langage naturel, tels que Google, Microsoft, Amazon et IBM.