Grundlagen des Natural Language Understanding Training Ppt

Folie 1

Diese Folie gibt einen Überblick über NLU, einen Unterabschnitt der Verarbeitung natürlicher Sprache (NLP), der sich mit der Umwandlung menschlicher Sprache in ein maschinenlesbares Format befasst. Dank Natural Language Understanding (NLU) und maschinellem Lernen können Computer Daten in Sekundenschnelle automatisch interpretieren, was Unternehmen bei der Durchsicht zahlreicher Kundenfeedbacks wertvolle Stunden und Geld spart.

Folie 2

Auf dieser Folie heißt es, dass das Verstehen natürlicher Sprache ein Zweig der Verarbeitung natürlicher Sprache ist. Sowohl NLP als auch NLU versuchen, unstrukturierte Daten zu verstehen, es gibt jedoch einen Unterschied zwischen beiden.

Hinweise für Kursleiter:

• NLP untersucht, wie Computer darauf trainiert werden, Sprache zu verstehen und eine „natürliche“ Hin- und Her-Kommunikation zwischen Computern und Menschen zu fördern
• Beim Verstehen natürlicher Sprache geht es um die Fähigkeit einer Maschine, menschliche Sprache zu verstehen. Unter NLU versteht man die Neuanordnung unstrukturierter Daten, damit Maschinen sie „verstehen“ und auswerten können

Folie 3

Auf dieser Folie werden die Anwendungsfälle für das Verständnis natürlicher Sprache aufgeführt, z. B. automatische Ticketweiterleitung, automatisiertes Denken, maschinelle Übersetzung und Beantwortung von Fragen.

Folie 4

Auf dieser Folie heißt es, dass die Kundendienstautomatisierung ein hervorragendes Unternehmensbeispiel für NLU ist. Maschinen können den Inhalt von Kundensupporttickets interpretieren und sie an die entsprechenden Abteilungen weiterleiten, ohne dass Mitarbeiter jedes Ticket öffnen müssen. Dadurch sparen Kundendienstmitarbeiter Hunderte von Stunden ein und können dringende Anfragen priorisieren.

Folie 5

Auf dieser Folie wird beschrieben, dass ein Fachgebiet der Kognitionswissenschaft, das als automatisiertes Denken bekannt ist, verwendet wird, um mathematische Theoreme mechanisch zu beweisen oder logische Schlussfolgerungen zu einer medizinischen Diagnose zu ziehen. Es verleiht Maschinen eine Denkweise oder Logik, die es ihnen ermöglicht, durch Schlussfolgerungen auf neue Fakten zu schließen.

Hinweise für Kursleiter:

Computeralgorithmen können Schlussfolgerungen auf der Grundlage zuvor gewonnener und verarbeiteter Daten ziehen. In der Medizin beispielsweise können Roboter mithilfe von WENN-DANN-Ableitungsregeln eine Diagnose auf der Grundlage früherer Diagnosen ableiten.

Folie 6

Auf dieser Folie heißt es, dass eine der problematischsten Aufgaben im NLP und NLU darin besteht, Sprache oder Text genau von einer Sprache in eine andere zu übersetzen. Mithilfe maschineller Übersetzungstechnologien können Sie Wörter eingeben oder ganze Dokumente hochladen und Übersetzungen in Dutzenden von Sprachen erhalten.

Hinweise für Kursleiter:

Google Translate enthält eine Software zur optischen Zeichenerkennung (OCR), die es Maschinen ermöglicht, Text aus Fotos zu extrahieren, ihn zu interpretieren und zu übersetzen.

Folie 7

Auf dieser Folie wird beschrieben, dass die Beantwortung von Fragen ein Zweig des NLP und der Spracherkennung ist, bei dem NLU verwendet wird, um Computern dabei zu helfen, Anfragen in natürlicher Sprache zu verstehen.

Hinweise für Kursleiter:

Sofern Sie keine bestimmte Stadt angeben, teilen Ihnen virtuelle Assistenten standardmäßig das Wetter für Ihren aktuellen Standort mit. Der Zweck der Beantwortung von Fragen besteht darin, in der Muttersprache des Benutzers zu antworten, und nicht in einer Liste schriftlicher Antworten.

Folie 8

Auf dieser Folie wird die Bedeutung des Verständnisses natürlicher Sprache aufgeführt. Das heißt, dass NLU zur Unterstützung bei der Analyse des unstrukturierten Textes eingesetzt werden kann. Analysten glauben, dass NLU und NLP ein enormes Entwicklungspotenzial haben, da die Menge des zu untersuchenden unstrukturierten Textes wächst.

Hinweise für Kursleiter:

• NLU kann zur Unterstützung bei der Analyse des unstrukturierten Textes verwendet werden: Menschen können sich auf unterschiedliche Weise ausdrücken, und dies kann von Person zu Person unterschiedlich sein. Die genaue Kenntnis des Benutzers ist für den Erfolg persönlicher Assistenten unerlässlich. NLU wandelt die komplizierte Struktur der Sprache in ein maschinenlesbares Format um und ermöglicht so die Textanalyse und die Beantwortung menschlicher Fragen durch Roboter
• Analysten glauben, dass NLU und NLP ein enormes Entwicklungspotenzial haben: Computer können 24 Stunden am Tag, sieben Tage die Woche konsistente und unvoreingenommene sprachbasierte Analysen durchführen. Angesichts der Menge an Rohdaten, die täglich anfallen, sind NLU und NLP für eine effektive Datenanalyse von entscheidender Bedeutung. Diese Daten können von einer gut entwickelten und gestalteten NLU-basierten Anwendung gelesen, abgehört und analysiert werden
• Die Menge an unstrukturiertem Text, die untersucht werden muss, wächst: Analysten prognostizieren zwischen 2020 und 2025 eine jährliche Wachstumsrate von mehr als 20 %. Laut der Studie von Markets Insider aus dem Jahr 2019 wird die weltweite Branche der Verarbeitung natürlicher Sprache (NLP) voraussichtlich einen Wert von 35 Milliarden US-Dollar haben bis 2025. Die Hauptursache für das Wachstum ist eine Verlagerung weg von produktzentrierten Erlebnissen hin zu kundenorientierten Erlebnissen. Die wachsende Popularität von Smart Devices und IoT trägt auch zur allgemeinen Nutzung von NLU bei

Folie 9

Diese Folie zeigt Faktoren, die bei der Auswahl von Lösungen zum Verständnis natürlicher Sprache berücksichtigt werden sollten, wie z. B. Sprachunterstützung, Ergebnisqualität, Benutzerfreundlichkeit, Flexibilität und Geschwindigkeit.

Hinweise für Kursleiter:

• Sprachunterstützung: Die Sprache der Eingabedaten sollte von der NLU-Plattform unterstützt werden. Derzeit ist die Qualität von NLU in nicht-englischen Sprachen aufgrund des kommerziellen Potenzials dieser Sprachen schlechter. Dies ändert sich jedoch mit zunehmendem Forschungsinteresse
• Ergebnisqualität: Eine erfolgreiche NLU-Lösung sollte in der Lage sein, sprachliche Elemente zu erkennen, ihre Verbindungen zu extrahieren und semantische Software anzuwenden, um die Informationen zu verstehen, unabhängig davon, wie sie geschrieben sind. Kontinuierliches Lernen, unterstützt durch maschinelles Lernen, hat das Potenzial, die Qualität der Ergebnisse im Laufe der Zeit zu steigern
• Benutzerfreundlichkeit: Die Lösung sollte sowohl für technisches als auch für nichttechnisches Personal einfach zu verwenden sein. Es kann eine Lösung mit vielen Schnittstellen untersucht werden, die es einer Person ohne technische Kenntnisse (z. B. einem Kundendienstmitarbeiter) ermöglicht, dieses System mit Eingaben aufzubauen. Da durchaus die Möglichkeit besteht, dass Nicht-Techniker Chatbots verwenden, sind die Benutzerfreundlichkeit des Programms und die Benutzerfreundlichkeit der Benutzeroberfläche von entscheidender Bedeutung
• Flexibilität: Es ist wichtig, an Lösungsbereiche anpassbar zu sein. Dies wird durch die Schulungs- und kontinuierlichen Lernfunktionen der NLU-Lösung erreicht
• Geschwindigkeit: Bei Konversations-KI-Anwendungen ist das Verstehen der Sprache Teil des Prozesses. Weitere Komponenten umfassen das Erstellen einer Antwort oder das Handeln als Reaktion auf die Anfrage. Daher muss das Sehen und Verstehen der Sprache schnell abgeschlossen werden. Allerdings kann es zu einem Austausch zwischen der Qualität der Ergebnisse und der Geschwindigkeit ihrer Berechnung kommen. Diese Entscheidung muss auf der Grundlage des Antrags erfolgen

Folie 10

Auf dieser Folie heißt es, dass NLU-Modelle in der Lage sind, eine bestimmte und einzigartige Aufgabe einwandfrei zu erfüllen. Andere Aufgaben können jedoch die Genauigkeit und Präzision beeinträchtigen. Es ist wichtig, objektive Messungen zu verwenden, um die Leistung von Systemen zu vergleichen.

Folie 11

Auf dieser Folie sind Technologiegiganten aufgeführt, die im Ökosystem des natürlichen Sprachverständnisses führend sind, wie Google, Microsoft, Amazon und IBM.