除了機器學習之外，所有表現形式的自然語言，包括自然語言處理（NLP）、自然語言理解（NLU）、自然語言互動（NLI）和自然語言生成（NLG）的所有表現形式——這可能是現存人工智慧中最明顯的形式。
傳統上，NLP在促進文字分析方面發揮了重要作用，其需求不會很快消失。儘管此應用程式的用例在未來一年將繼續增加，但整個自然語言技術套件也在文字的漸進語音和語義搜尋用例方面做出了重要的貢獻。
也許這些趨勢的最大結果是，在大多數情況下，機器學習的應用大大豐富了自然語言的能力。這些技術的結合不僅將在2019年的企業流程提供資訊，更重要的是，使人工智慧更容易被一大批外行使用者所接受，而這些外行使用者不一定能意識到它們的影響。
SAS人工智慧和語言分析戰略家瑪麗貝絲摩爾指出“總的來說，我認為人們都明白機器學習和自然語言是任何人工智慧系統的基礎，只是能夠以人的方式與我們交流，並使學習過程自動化的能力”，“你在此基礎上建立的東西，無論是預測、規定性分析、預測、最佳化，無論你想去哪裡，這個基礎總會回到這些已經存在了幾十年的技術。”
這種合作關係允許自然語言作為機器學習的補充，進而使機器學習成為更好的自然語言，從而使人工智慧更具關聯性，直接影響一系列業務目標。
自然語言技術的細分
自然語言在人工智慧中的作用很大程度上是基於其各種技術的以下功能：
自然語言處理：考慮到自然語言技術範圍的層次術語，NLP在幾乎每個文字分析解決方案中都得到了利用。它是專注於語言學和語言分類的認知計算元件。摩爾說：“這確實是語言的語義結構。”“什麼是名詞，什麼是動詞，什麼是詞彙，句子結構如何與副詞和代詞搭配？”
自然語言理解： NLU在很大程度上被視為NLP的一個子集，它專注於單詞的實際含義，這可能與它們在語義結構上的方式不一致。它提供了對在涉及諷刺、反諷、情感、幽默、俗語等情況下如何使用術語的理解。根據Moore的說法，在大多數依賴NLP的文字分析平臺中，“通常NLU是其中的一部分，因為大多數人現在並不希望單獨進行情感或上下文分析或提取。所以，他們肯定是結合在一起的。“
自然語言生成： NLG與NLP的觀點相反，它不是對語言的語義含義的分析，而是對語言的產生或生成（通常是文字或語音）的分析。然而，它也有一個總結的核心要素的總結，使“一代可以說，我看了這100個檔案，這是一個總結資訊”摩爾表示。
自然語言互動： NLI在某種程度上是這些技術的結合 - 儘管它不需要涉及NLU-使用者透過自然語言與系統進行通訊和喚起響應。“這是你透過輸入或說出命令來發出命令的能力，”摩爾表示。“這就是互動部分。然後，它就能產生一個響應。它要麼是一個自動的語音回覆，要麼是一個輸入的響應。前者的例子包括Alexa或Siri等數字代理，它們透過NLG產生這些響應。
無人監督和監督學習
機器學習透過監督和非監督學習的應用，特別是在文字分析方面，極大地幫助了自然語言。一旦NLP理解了文件中的術語及其詞性，無監督學習就可以確定它們之間的數學關係。
在這種情況下，非監督學習並不一定能理解這些術語或它們的意思，但是“你第一眼看到的是，這些東西在你的文件語料庫中是高度相關的看法，”摩爾說。監督學習是建立在非監督學習關係確定的基礎上的。前者使組織能夠使用處理結果複雜性的業務規則對這些結果進行微調。
例如，布林運算子的部署和編寫布林規則是Moore提到的一種監督學習形式，是實現文字分析規則的有效方法。這些規則有助於建立執行文字分析的模型。“無人監督的學習就是當你必須攝取所有這些檔案時，卻沒有給機器任何方向，”摩爾說：“當你不得不吞下所有這些檔案，卻沒有給機器任何方向時，就是無監督學習。”“你說的是我想給你一些指導。這就是規則發揮作用的地方。監督更像是我所說的有意識的輸出。”
深度學習
部分由於深度學習在影象識別系統中佔據主導地位，摩爾表示，深度學習正在文字分析領域“興起”。儘管如此，它對自然語言的幫助是相當大的，因為它是多方面的。迴歸神經網路在某些文字分析平臺中越來越受到關注，用於文件分類和實體標記。“如果你的情緒變數不僅具有積極、消極和中立，而且還有愛情、仇恨、憤怒和其他，這基本上是一種預測結果，像迴歸神經網路這樣的技術可以利用來為你提供非常準確的分類，使用解析的結果“高階分析和人工智慧SAS產品經理Simran Bagga說。
根據Moore的說法，當與自然語言結合使用時，深度學習提供了比機器學習對情感分類和文件分類更高的準確度。摩爾觀察到，深度學習也被更多地用於自然語言生成的摘要，因為它“提供了更多的單一輸入和輸出”。它“提供了更多單一的輸入和輸出”。“這並不一定只是提取主題，而是（例如）如果你要給你的飯拍一張照片，然後一臺機器會自動對照片進行描述。所以，它真正關注的是語言序列和生成輸出。”
語音文字轉換
深度學習是會話式語音識別系統的基礎技術。最近，它開始向聊天機器人灌輸比傳統的基於模板的簡單方法更復雜的智慧。雖然大多數聊天機器人仍然依賴自然語言進行文字分析（而不是正式的語音識別），但其目標是進行深度學習部署，以“增強聊天機器人的體驗，讓它看起來更現實”摩爾評論道。
針對聊天機器人的模板方法正在商業智慧中獲得信任，作為用於訪問報告資訊的語音到文字使用者介面的手段。儘管NLI的這個應用程式依賴於模板，但是所需的處理是透過“音訊識別，然後你將音訊轉換為文字，在幕後回到零和零”，而摩爾透露。“然後，找到那個答案，那種呼叫和響應，把它從1和0轉換回文字，也許還會把自動語音轉換回你。這一過程中大量的數學運算要求對語音到文本系統進行重要的定製。然而，它們是使BI更具有互動性和響應業務需求的整體方法。
語義搜尋
對語義搜尋的需求是未來一年影響自然語言和機器學習的另一個趨勢。
為特定的術語、概念和業務需求，隨時篩選組織的文件集合是至關重要的，特別是在不斷增加的監管措施的背景下。Bagga說，更多的組織“希望能夠搜尋；他們希望這種來自NLP和機器學習的智慧能進入基於搜尋的框架，不僅能注入到操作中，還能構建智慧搜尋或語義搜尋應用程式。”
語義搜尋涉及NLP和自然語言理解，並且需要對文字中包含的核心思想進行細緻的理解。它還得益於機器學習的某些方面，特別是摩爾提到的與監督應用程式相關的規則。摩爾解釋說：“這是一個方向，一個趨勢，它一直都在那裡，但現在它突然向前跳躍，因為你可以看到語義搜尋如何讓更多的商業使用者訪問你的資料。”
認知交流
文字分析可能仍然是2019年自然語言最廣泛的用例。但是，這些技術在涉及語音到文字，智慧聊天機器人和語義搜尋的用例中也將變得更加普遍。在深度學習、無監督和監督機器學習應用的推動下，大量的自然語言技術將繼續塑造認知計算的通訊能力。
如果您想了解更多的前瞻資訊和權威專家普修的專業性建議，就留言聯絡我們吧！
使用者調研 丨 HMI設計 丨 UE/UI設計 丨 HMI培訓 丨 HMI評測 丨 體驗諮詢
