Hiểu ngôn ngữ tự nhiên (NLU)

Các thành phần cốt lõi của NLU

NLU chia nhỏ nhiệm vụ phức tạp của việc hiểu ngôn ngữ thành nhiều thành phần chính. Một hệ thống NLU thường thực hiện kết hợp các nhiệm vụ sau để phân tích và diễn giải thông tin đầu vào của người dùng:

• Nhận dạng Ý định: Đây là quá trình xác định mục tiêu hoặc mục đích của người dùng. Ví dụ: trong cụm từ "Đặt chuyến bay đến New York", ý định là "đặt chuyến bay". Đây là bước đầu tiên quan trọng đối với bất kỳ hệ thống hướng tác vụ nào, chẳng hạn như chatbot hoặc trợ lý ảo . Bạn có thể tìm hiểu thêm về cách các dịch vụ như Microsoft Azure LUIS xử lý ý định .
• Nhận dạng Thực thể Có Tên (NER) : Điều này bao gồm việc xác định và phân loại các thông tin chính trong văn bản thành các danh mục được xác định trước như tên, tổ chức, địa điểm, ngày tháng và số lượng. Trong ví dụ đặt vé máy bay, "New York" là một thực thể địa điểm.
• Phân tích cảm xúc : Nhiệm vụ này xác định tông điệu cảm xúc ẩn sau một đoạn văn bản, phân loại thành tích cực, tiêu cực hoặc trung tính. Nó được sử dụng rộng rãi để đánh giá phản hồi của khách hàng, uy tín thương hiệu và dư luận.
• Trích xuất quan hệ: Nhiệm vụ nâng cao này xác định mối quan hệ ngữ nghĩa giữa các thực thể khác nhau trong văn bản. Ví dụ: xác định "Elon Musk" là "Giám đốc điều hành" của "Tesla" từ một bài báo. Điều này giúp xây dựng kiến thức có cấu trúc từ dữ liệu phi cấu trúc.

Công nghệ hỗ trợ NLU

NLU hiện đại phụ thuộc rất nhiều vào những tiến bộ trong Học máy (ML) , đặc biệt là Học sâu (DL) . Các kiến trúc mạng nơ-ron như Transformers và các mô hình được huấn luyện trước như BERT đã cách mạng hóa khả năng của NLU bằng cách nắm bắt hiệu quả các mối quan hệ ngữ cảnh phức tạp trong ngôn ngữ. Những đột phá này là nền tảng cho sức mạnh của các Mô hình Ngôn ngữ Lớn (LLM) hiện tại. Các tổ chức nghiên cứu AI nổi tiếng như Stanford NLP Group và các thư viện và nền tảng nguồn mở như spaCy và Hugging Face là những yếu tố đóng góp quan trọng cho sự tiến bộ của lĩnh vực này, với các tổ chức như Hiệp hội Ngôn ngữ học Tính toán (ACL) thúc đẩy nghiên cứu.

NLU so với các khái niệm liên quan

Điều quan trọng là phải phân biệt NLU với các thuật ngữ có liên quan chặt chẽ:

• Xử lý Ngôn ngữ Tự nhiên (NLP): NLU là một phân ngành chuyên biệt của NLP. Trong khi NLP là một lĩnh vực rộng bao gồm tất cả các khía cạnh giao thoa giữa máy tính và ngôn ngữ con người, NLU đặc biệt tập trung vào việc hiểu và trích xuất ý nghĩa (đầu vào). NLP cũng bao gồm Tạo Ngôn ngữ Tự nhiên (NLG), liên quan đến việc tạo ra văn bản giống người (đầu ra). Tóm lại, NLU liên quan đến "đọc", trong khi NLP bao gồm "đọc, viết và thao tác" ngôn ngữ.
• Thị giác Máy tính (CV) : NLU xử lý dữ liệu ngôn ngữ, trong khi CV tập trung vào việc diễn giải thông tin từ các đầu vào trực quan như hình ảnh và video. Các mô hình CV như Ultralytics YOLO được sử dụng cho các tác vụ như phát hiện đối tượng . Tuy nhiên, các lĩnh vực này ngày càng giao thoa với nhau trong các mô hình đa phương thức xử lý cả văn bản và hình ảnh, cho phép các ứng dụng kết nối NLP và CV . Mặc dù các nền tảng như Ultralytics HUB chủ yếu tập trung vào AI thị giác, các nguyên tắc cơ bản của học sâu thường chồng chéo lên nhau. Để biết thêm về các ứng dụng AI, bạn có thể tìm hiểu tài liệu của Ultralytics .