자연어 처리 - 전자 상거래의 미래 - 설명

'산업 전반의 기업이 NLP와 같은 딥 러닝 기술을 사용하여 숨겨진 통찰력을 추출하는 것은 시간 문제일 뿐입니다. 그리고 이를 특정 비즈니스 경험 및 전문성과 결합하여 혁신하고 차별화합니다.'

자연어 처리의 기술은 무엇입니까?

간단히 말해서 NLP 또는 자연어 처리는 컴퓨터가 실제 데이터를 이해하고 처리할 수 있도록 하는 기술입니다.

그것은 1950년대 Alan Turing의 논문 "Computer Machinery and Intelligence"에서 시작됩니다. 여기서 그는 다음과 같이 질문했습니다. 기계는 생각할 수 있습니까? 그가 의미한 바는:기계가 인간처럼 생각할 수 있으므로 기계가 인간 현실의 사실과 데이터를 이해할 수 있습니까?

NLP는 컴퓨터 언어학과 같은 여러 분야를 사용하여 구조화되지 않은 인간 커뮤니케이션의 구조적 의미를 만들기 위해 시도하는 인공 지능의 한 형태입니다. 어떤 의미에서는 사람의 말(음성 및 텍스트)을 이진 코드로 변환합니다.

70년 전, 펀치 카드는 인간이 컴퓨터와 통신할 수 있는 유일한 방법이었습니다. 오늘날 컴퓨터는 많은 인간의 언어를 '이해'하고, 구어 또는 서면 명령을 실행하고, 그로부터 통찰력을 추론하고 미래에 적용할 수 있습니다. 예를 들어, 온라인에서 빨간색 점퍼를 한 번 본 적이 있다면 컴퓨터는 사용자가 빨간색 점퍼를 좋아한다는 것을 이해하고 "빨간색" + "점퍼"에 해당하는 것으로 알고 있는 모든 항목을 표시합니다.

NLP는 '인간 커뮤니케이션의 원자'가 될 인간 언어의 극미한 구성 요소를 분석하여 작동합니다. 제품 카탈로그의 단어, 구 또는 설명일 수 있습니다. 그런 다음 이러한 "원자"를 자체적인 단어 및 녹음 데이터베이스와 비교하여 의미론적 분석을 사용하여 의미를 분류하고 추출하여 사실상 의미를 이해합니다.

이것은 인간이 할 수 없는 연결을 만들 수 있음을 의미합니다. 오늘날에는 막대한 처리 능력을 저렴하게 사용할 수 있기 때문에 개인의 선호도에 대한 추론이 놀랍습니다.

지금 출시되는 이유는 무엇입니까?

NLP는 수년 동안 개발되었습니다. 그러나 더 넓은 시장은 이제야 주목을 받고 있습니다. 왜냐하면 (1) 기업이 이를 실제로 적용하고 다른 AI 기술을 더 잘 이해하게 되었고, (2) 마침내 우리가 이를 통해 실제로 무언가를 할 수 있는 광범위한 계산 능력을 갖게 되었기 때문입니다. . 또한 당사와 같은 회사가 수직 산업 지식을 사용하여 일반적인 모델을 넘어 전환 또는 수익 증가와 같은 실제 결과를 유도하는 경험 중심 알고리즘을 생성할 수 있었던 것도 나쁘지 않습니다.

최근까지 학계나 정부 이외의 조직은 텍스트에서 상관 관계를 이해하고 도출하는 데 필요한 딥 러닝 알고리즘을 실제로 실행할 수 있는 컴퓨팅 성능을 가진 조직이 거의 없었습니다. 최근의 발전으로 우리는 방대한 양의 텍스트 데이터를 빠르게 소비하고 의미를 이끌어낼 수 있을 뿐만 아니라 사용자 행동과 함께 데이터를 처리하고 추출하는 실시간 기술(Flink 및 Kafka와 같은 기술의 출현과 함께)도 갖게 되었습니다. 필요한 통찰력을 얻고 적절한 조치 또는 결정으로 실시간으로 대응합니다.

Gartner가 언급했듯이 텍스트 데이터의 출현은 잠재적인 고급 AI 애플리케이션의 범위에 대한 광범위한 관심을 불러일으키고 있습니다. 예를 들어, 문자 메시지 및 채팅에서 감정을 추출하기 위해 고객 경험 분야에서 NLP를 사용함으로써 보다 광범위한 업계 채택 및 실제 적용을 위한 길을 열었습니다.

경험 개인화 분야에서 우리는 가능성을 탐색하기 시작했으며 예를 들어 제품 카탈로그 설명, 리뷰, 속성 및 기타 텍스트에서 통찰력을 추출하고 이득을 얻기 위해 NLP를 사용하여 본 결과에 흥분합니다. 저자극성, 100% 면 등 고객의 제품과 제품 간의 관계에 대한 더 깊은 이해

업계 전반의 기업이 NLP와 같은 딥 러닝 기술을 사용하여 숨겨진 통찰력을 추출하고 이를 특정 비즈니스 경험 및 전문성과 결합하여 혁신하고 차별화하는 것은 시간 문제일 뿐입니다.

조직에서 NLP를 적용해야 합니까? 실용적인 기업 사례 연구/예를 제공할 수 있습니까?

우리가 어떻게 작동하는지 분명히 확인한 한 부문은 많은 고객이 속한 소매입니다. 제품 회전율이 높거나 계절에 따라 완전히 새로운 카탈로그를 도입하는 패스트 패션 및 소매업체는 NLP를 사용하면 특히 이점을 얻을 수 있습니다.

개인화는 전통적으로 각 제품에 대한 행동 데이터가 많을 때 가장 잘 작동했습니다. 그러나 카탈로그의 큰 블록이 새롭거나 틈새 시장이고 함께 할 데이터가 없는 경우에는 어떻게 해야 합니까? 최근까지 할 수 있는 최선은 보완책으로 '최고 판매' 추천을 제공하는 것이었습니다.

NLP를 사용하면 제품 설명, 스타일 및 핏 노트, 등급 및 리뷰 등과 같은 텍스트 데이터를 실제로 가져올 수 있습니다. 해당 제품 및 관련 기타 항목에 대한 통찰력을 추출한 다음 더 깊은 이해를 사용하여 즉시 권장 사항을 제공할 수 있습니다. 새 제품이나 롱테일 제품을 보완합니다.

이것은 정기적으로 새로운 스타일이나 계절 카탈로그를 소개하거나 빠르게 순환하는 소매업체/브랜드를 위한 게임 체인저입니다. 이를 통해 처음부터 교차 판매 제안을 통해 쇼핑객을 개인화하고 관련 제품에 노출할 수 있습니다.

NLP의 다음 단계는 무엇입니까?

브랜드와 소매업체가 NLP를 계속 채택함에 따라 사용 사례도 계속 진화할 것입니다. 다음에 볼 것은 여행 예측, 음성 기반 확장, 검색 패싯 등을 포함하도록 NLP의 적용을 확장하는 것입니다. 딥 러닝이 포함된 NLP는 전자 상거래 쇼핑의 미래입니다.

RichRelevance Ecosystems 부사장 Raj Badarinath가 제공한 답변