Déverrouiller les principes fondamentaux de la PNL Formation NLU et NLG Ppt

Diapositive 4

Cette diapositive décrit que le traitement du langage naturel est une technologie que les ordinateurs utilisent pour interpréter et agir sur les langues humaines telles que l'anglais. La PNL est un sous-ensemble de l'IA et de l'informatique cognitive. La procédure consiste à convertir la voix en texte et à apprendre au système à prendre des décisions intelligentes ou à effectuer des activités.

Diapositive 5

Cette diapositive donne un aperçu du traitement du langage naturel, permettant aux ordinateurs de comprendre, d'effectuer des actions et de communiquer avec les humains dans un langage normal. Il peut être utilisé pour envoyer des ordres de fonctionnement, traduire la voix en texte, le documenter, donner des instructions de navigation, etc.

Diapositive 6

Cette diapositive répertorie les techniques de traitement du langage naturel telles que : l'induction de la grammaire, l'analyse des sentiments, l'exploration des aspects et la reconnaissance des entités de nom.

Remarques de l'instructeur :

• Induction de la grammaire : elle aide à utiliser la bonne grammaire lors de l'écriture
• Analyse des sentiments : la PNL est utilisée pour examiner les aspects positifs et négatifs de la phrase
• Aspect Mining: Aspect Mining est utilisé en PNL pour découvrir quels aspects sont favorables et lesquels sont mauvais
• Reconnaissance de l'entité de nom : elle est utilisée pour reconnaître les noms, les organisations, les lieux et les dates des personnes notables.

Diapositive 7

Cette diapositive présente quelques-unes des techniques de traitement du langage naturel telles que : la synthèse, la reconnaissance de sujet et la conversion de la parole en texte.

Remarques de l'instructeur :

• Résumé : la PNL peut également résumer le contenu et offrir l'essence du texte. Il note les phrases en fonction de leur ressemblance avec d'autres phrases
• Reconnaissance du sujet : la PNL examine le texte pour déterminer le sujet principal auquel il est lié. Il va extraire certains mots-clés et les organiser en catégories
• Conversion de la parole en texte : la parole en texte permet aux machines de comprendre le langage humain et de l'interpréter avec l'intention d'agir et de répondre de la même manière que les gens. L'idée principale derrière la PNL est de transmettre le langage humain en tant que données à des systèmes intelligents de synthèse vocale, qui peuvent ensuite être utilisés dans de nombreux domaines.

Diapositive 8

Cette diapositive présente le fonctionnement du traitement du langage naturel. En tant que sous-ensemble de l'IA, la PNL utilise des techniques d'apprentissage automatique pour extraire des informations et en tirer des enseignements. Lors de l'exécution, l'algorithme d'apprentissage automatique se concentre sur l'apprentissage des fondamentaux, et la PNL continue également d'apprendre en fonction des informations fournies. Pour cette raison, la PNL a tendance à deviner correctement ce que l'utilisateur a l'intention de dire malgré les erreurs et les modèles de langage courants.

Diapositive 9

Cette diapositive indique que la quantité de données disponibles en ligne augmente de jour en jour. La plupart de ces textes sont non structurés, et obtenir des informations utiles à partir de ces données est un défi difficile. Dans ce scénario, la PNL peut être utilisée. Les méthodes PNL peuvent convertir la voix en texte, et les personnes qui ne savent pas écrire peuvent utiliser la PNL pour documenter des choses. L'analyse PNL peut évaluer le sentiment d'une conversation et suggérer une réponse appropriée. De cette façon, il peut aider les organisations à atteindre le bonheur des consommateurs.

Diapositive 10

Cette diapositive répertorie les étapes du traitement du langage naturel, de la phase initiale de l'analyse lexicale à la dernière étape de l'analyse pragmatique.

Diapositive 11

Cette diapositive indique que la phase d'analyse lexicale est l'étape initiale de la PNL. Cette étape analyse le code source comme un flux de caractères et le transforme en lexèmes significatifs. C'est ici aussi qu'il décompose tout le texte en paragraphes, phrases et mots.

Remarques de l'instructeur :

Un lexème est une série de caractères inclus dans le programme source en fonction du modèle de correspondance d'un jeton. Ce n'est rien de plus qu'une instance symbolique.

Diapositive 12

Cette diapositive montre que l'analyse syntaxique est utilisée pour examiner la grammaire et les arrangements de mots et illustrer le lien entre les mots. Cette approche consiste à associer des mots à d'autres mots, à les organiser dans une phrase et à déterminer leur importance relative.

Diapositive 13

Cette diapositive décrit que la représentation du sens est l'objectif de l'analyse sémantique et qu'elle concerne principalement la signification précise des mots, des phrases et des phrases.

Remarques de l'instructeur :

OCR : Reconnaissance Optique de Caractères

Diapositive 14

Cette diapositive indique que l'intégration du discours dépend des phrases qui la précèdent et évoque le sens des phrases qui la suivent. Cette stratégie examine le sens relatif des phrases et les relations qu'elles forment avec d'autres phrases.

Diapositive 15

Cette diapositive décrit que la cinquième et dernière phase de la PNL est une analyse pragmatique, et elle aide à déterminer l'impact souhaité en utilisant un ensemble de règles qui décrivent les discussions coopératives. Cette stratégie aborde le sens réel d'une phrase.

Diapositive 16

Cette diapositive répertorie les types d'applications de traitement du langage naturel telles que l'analyseur de sentiments, la synthèse de documents, la vérification de la grammaire, etc.

Diapositive 17

Cette diapositive donne un aperçu de la génération de langage naturel (NLG). La programmation de l'intelligence artificielle (IA) est utilisée pour générer des récits écrits ou parlés à partir d'une collection de données. La NLG est associée à l'interaction homme-machine et machine à homme, ainsi qu'à la linguistique computationnelle, au traitement du langage naturel (NLP) et à la compréhension du langage naturel (NLU).

Diapositive 18

Cette diapositive indique que la NLG est un processus en plusieurs étapes dans lequel les données utilisées pour générer du contenu avec un langage à consonance naturelle sont affinées progressivement à chaque niveau.

Remarques de l'instructeur :

• Analyse du contenu : les données sont filtrées pour déterminer ce qui doit être incorporé dans le résultat final du processus. Cette étape consiste à déterminer les principaux thèmes et liens dans le document original
• Compréhension des données : les données sont évaluées, des modèles sont découverts et placés dans leur contexte. À ce stade, l'apprentissage automatique est fréquemment appliqué
• Organisation des documents : sur la base des données analysées, un plan documenté est construit et un cadre narratif est établi
• Agrégation de phrases : les phrases ou sections de phrases pertinentes sont mélangées pour fournir un résumé précis du problème.
• Structure grammaticale : Pour créer une écriture au son naturel, des règles grammaticales sont utilisées. Le logiciel détermine la structure syntaxique de la phrase, et cette information est ensuite utilisée pour reformuler l'énoncé d'une manière grammaticalement précise
• Présentation du langage : la sortie finale est créée en fonction du modèle ou du choix de l'utilisateur ou du programmeur

Diapositive 19

Cette diapositive décrit que la génération de langage naturel (NLG) est utilisée dans diverses applications telles que la création de chatbots et de réponses d'assistants vocaux comme Alexa de Google et Siri d'Apple. Transformer les rapports financiers et autres données d'entreprise en contenu que les travailleurs et les consommateurs peuvent comprendre. Les réponses aux e-mails, SMS et chat de lead nurturing peuvent être automatisées.

Diapositive 20

Cette diapositive répertorie les applications de la génération de langage naturel (NLG), telles que la création et la personnalisation de scripts pour le personnel du service client, l'agrégation et la synthèse de reportages. Fourniture de mises à jour de statut pour les appareils de l'internet des objets ; et créer des descriptions de produits pour les sites Web de commerce électronique ainsi que les communications avec les clients.

Diapositive 21

Cette diapositive présente les avantages de la génération de langage naturel (NLG), tels qu'un contenu de qualité constante, une création de contenu améliorée, une couverture thématique qui ne serait pas rentable autrement, permet à l'énergie humaine de se concentrer sur des tâches de grande valeur et une personnalisation évolutive.

Diapositive 23

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 24

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 25

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 26

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 27

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 28

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 29

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 30

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 31

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 32

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 33

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.

Diapositive 34

Cette diapositive établit une comparaison entre le traitement du langage naturel (NLP), la compréhension du langage naturel (NLU) et la génération du langage naturel (NLG)

Remarques de l'instructeur :

• NLP (Natural Language Processing): Il comprend le sens du texte
• NLU (Natural Language Understanding): NLU gère des processus entiers tels que des choix et des actions
• NLG (Natural Language Generation): Cette méthode crée un texte en langage humain à partir de données structurées fournies par le système pour répondre

Diapositive 35

Cette diapositive répertorie la différence entre l'intelligence artificielle (IA) et l'apprentissage automatique (ML). L'IA est une technologie qui simule une machine pour reproduire le comportement humain. L'apprentissage automatique est une sorte d'IA dans laquelle une machine apprend à partir de données précédentes sans être explicitement programmée.

Diapositive 36

Cette diapositive indique que l'apprentissage automatique est une sorte d'intelligence artificielle qui utilise des algorithmes d'apprentissage statistique pour construire des systèmes capables de comprendre et d'évoluer par eux-mêmes sans être explicitement programmés. L'apprentissage en profondeur est une approche de ML stimulée par la façon dont le cerveau humain filtre les informations ; il s'agit essentiellement d'apprendre par l'exemple. Il permet à un modèle informatique d'anticiper et de catégoriser les informations en filtrant les données d'entrée à travers des couches.

Diapositive 37

Cette diapositive présente une comparaison entre l'intelligence artificielle (IA), l'apprentissage automatique (ML) et l'apprentissage profond (DL). L'intelligence artificielle est le processus de combinaison des machines avec l'intelligence humaine. L'apprentissage automatique consiste à apprendre aux machines à apprendre en entraînant des algorithmes sur des tonnes et des tonnes de données. L'apprentissage en profondeur est une sorte d'apprentissage automatique qui se concentre sur les représentations de données plutôt que sur des méthodes spécifiques à une tâche.

Diapositives 53 à 68

Ces diapositives contiennent des activités dynamisantes pour engager le public de la session de formation.

Diapositives 69 à 96

Ces diapositives contiennent une proposition de formation couvrant ce que l'entreprise fournissant la formation en entreprise peut accomplir pour le client.

Diapositives 97 à 99

Ces diapositives comprennent un formulaire d'évaluation de la formation pour l'instructeur, le contenu et l'évaluation du cours.