پردازش و يادگيري زبان طبيعي توسط ماشين ها چگونه است ؟

پردازش و يادگيري زبان طبيعي (NLP) زمينه مطالعه اي است كه از سه رشته علوم كامپيوتر ، هوش مصنوعي و زبان شناسي محاسباتي تشكيل شده است. اين رايانه را قادر مي سازد تا به روشي هوشمندانه و مفيد ، معيار را از زبان انسان ارزيابي ، درك و استخراج كند. با استفاده از NLP ، برنامه نويسان راه را براي سازماندهي و انجام وظايفي مانند خلاصه سازي خودكار،  ترجمه ، شناسايي شخص ، تجزيه و تحليل احساسات ، تشخيص گفتار و تقسيم بندي موضوع ،هموار كرده اند. با استفادهاز پيشرفت هاي اخير در دسترسي به داده ها و قدرت محاسباتي ، NLP بسيار بيشتر پيشرفت كرده است و به متخصصين امكان مي دهد نتايج قابل توجهي در زمينه هايي مانند مراقبت هاي بهداشتي ، مالي ، منابع انساني و ساير موارد بدست آورند.

پردازش زبان و يادگيري طبيعي براي چه چيز هايي استفاده مي شود؟

NLP تقريباً در هر صنعت كاربردهاي متنوعي دارد. اين فناوري توانايي مديريت خودكار زبانهاي طبيعي انسان مانند گفتار يا متن را دارد. همچنين مي تواند به يك كارمند ادارات يا شركت ها در انجام كارهاي متعدد كمك كند و در نهايت باعث تقويت عملكرد كار مي شود. بسياري از توسعه دهندگان معمولاً از الگوريتم هاي NLP براي جمع آوري بلوك هاي متن براي برداشتن ايده هاي    ضروري و اصلي استفاده مي كنند. ايجاد ربات هاي چت براي پرس و جو و پاسخ مناسب. تجزيه و تحليل احساسات و كمك شناختي و موارد ديگر صورت مي پذيرد. به عنوان مثال ، شركت هايي مانند ياهو و گوگل از پردازش زبان طبيعي براي فيلتر كردن و طبقه بندي ايميل ها و ارزيابي متن ايميل هايي كه از طريق سرورهاي كاربران عبور مي كند استفاده مي كند و از ارسال هرزنامه ، حتي قبل از ورود به صندوق ورودي ايميل جلوگيري مي كند. اكثر اطلاعاتي كه سازمان هاي اطلاعاتي اعم از خصوصي يا عمومي جمع آوري مي كنند، متني بدون ساختار ، از جمله مكالمات شبكه هاي اجتماعي ، نظرات در وب سايت ها ، گزارش هاي داستاني و ساير موارد است. دريافت بينش عملي از اين داده ها مي تواند چالش برانگيز باشد. 

آژانس پروژه هاي تحقيقاتي پيشرفته دفاعي (DARPA) در تلاش براي كاهش اين نوع چالش ها ، برنامه كاوش و فيلتراسيون متن (DEFT) عميق را ساخت. اين برنامه با استفاده از NLP به طور خودكار اطلاعات مربوط به وابسطه را استخراج مي كند و به تحليلگران كمك مي كند تا بينش هاي عملي را از آنها بدست آورند. هدف DEFT پرداختن به شكاف هاي باقي مانده توانايي مربوط به استنباط ، روابط علي و تشخيص ناهنجاري است.

پيشرفت ها در NPL

NPL توانايي ماشين ها را در تفسير موثر متن ، گفتار و كلمات تقويت مي كند. اين امر باعث پيشرفت تجزيه و تحليل داده ها ، كشف بدافزار و جلوگيري از انتشار اخبار جعلي مي شود. با تكامل چت بات هاي مجهز به هوش مصنوعي مانند الكسا ، سيري ، كورتانا و دستيار Google و غيره ، استفاده از پردازش زبان طبيعي بسيار زياد شده است. پيشرفت هاي اخير در كاربردهاي اين فناوري به طور قابل توجهي نحوه درك و يادگيري هوش مصنوعي از چيزهاي پيرامون آن را تغيير داده است. يكي از مهمترين پيشرفتها در زمينه NLP استفاده از يادگيري انتقالي بود. Fast.ai’s ULMFiT Universal Language Model Fine Tuning مفهوم يادگيري انتقالي را به جامعه NLP معرفي كرد. طبق گفته اين شركت ، ULMFiT يك روش يادگيري انتقالي موثر است كه مي تواند براي هر كاري در NLP اعمال شود. در سال 2018 ، Google AI مدل جديدي را براي NLP به نام BERT (نمايندگي هاي رمزگذار دو طرفه از ترانسفورماتورها) معرفي كرد. اين مدل از مفهوم ترانسفورماتور و يادگيري انتقالي استفاده مي كند و آموزش كامل دو طرفه ترانسفورماتور را انجام مي دهد. 

بعلاوه ، در سال 2018 ، محققان دانشگاه كالج اطلاعات و علوم رايانه اي دانشگاه ماساچوست و Google AI Language ، (LISA) ، يك مدل شبكه عصبي خود-توجه به زبانشناسي را معرفي كردند. اين امر يادگيري عميق و فرم گرايي زباني را با هم ادغام مي كند ، بنابراين از تجزيه نحوي براي دستيابي به معناي دقيق ، به طور موثرتري استفاده مي كند.به طور گسترده تر ، قدرت NLP در سال هاي آينده به تكامل ، درك و زمينه سازي داده هايي ادامه خواهد داد كه مي تواند منجر به سود بهتر يك تجارت شود.