자연어 처리는 디지털 프로세스에 음성을 제공합니다.

지난 10년 동안 자연어 처리의 가장 큰 변화는 기계 및 딥 러닝 접근 방식으로 이동

자연어 처리(NLP)를 통해 컴퓨터는 텍스트를 읽고, 말하고, 듣고, 해석하고, 감정을 측정하고, 중요한 부분을 결정할 수 있습니다. 오늘날의 기계는 인간보다 더 많은 언어 기반 데이터를 피로 없이 일관되고 편견 없는 방식으로 분석할 수 있습니다.

SAS UK &Ireland의 분석 컨설턴트인 Kayne Putman은 "NLP는 언어의 모호성을 해결하고 음성 인식 또는 텍스트 분석과 같은 많은 다운스트림 애플리케이션의 데이터에 유용한 숫자 구조를 추가하기 때문에 중요합니다."라고 말합니다. “즉, 사기 및 위험 분석 또는 고객 행동에 대한 통찰력 추출과 같은 다양한 비즈니스 사용 사례에 적용될 수 있습니다. 기본적으로 NLP를 환경에 도입하기 전에 우수한 데이터 분석을 갖추고 달성하고자 하는 바를 아는 것이 중요합니다.”

자연어 처리의 개발

지난 10년 동안 자연어 처리의 가장 큰 변화는 단어의 보다 전통적인 패턴 인식에서 기계 및 딥 러닝 접근 방식으로 이동한 것입니다. 개별 단어 또는 단어 그룹에 어느 정도 의미론적 의미를 부여할 수 있는 '단어 임베딩' 기술 측면에서 최근 발전이 있었습니다.

MathWorks의 수석 엔지니어링 관리자인 Jos Martin은 "결과는 추가 모델 교육 및 분석을 수행할 수 있는 고차원 숫자 벡터입니다. "일단 의미론적 의미가 숫자 공간으로 옮겨지면 최근에 개발된 다른 많은 딥 러닝 기술을 NLP 시스템 설계자가 사용할 수 있게 됩니다."

예를 들어, 많은 시스템이 LSTM(장기 기억) 유형의 순환 신경망을 활용하여 문장, 단락 및 기타 언어 블록에 있는 단어 간의 관계에 대해 더 많이 학습하는 데 도움이 됩니다. 이러한 유형의 네트워크를 통해 디자이너는 시퀀스의 다음 단어가 무엇인지 예측하거나 다음 몇 단어에 확률을 부여할 수 있습니다.

챗봇 그 이상

전통적인 자연어 처리에서 단어는 단어일 뿐이었습니다. 더 넓은 맥락에서 설정한 의미가 결여된 다소 의미 없는 구입니다. 실시간으로 제공되는 정보에 의해 제한되는 챗봇을 일반적으로 분류하는 방법입니다.

IPsoft의 변환 전무이사인 Johan Toll은 "고급 자연어 처리의 경우 단어를 숫자 벡터로 표현하여 문맥 이해를 향상시킬 수 있습니다."라고 말합니다. "단어를 단어로 이해하는 대신 기계가 단어 유사성과 구문 유사성을 매우 유연한 방식으로 이해할 수 있습니다."

예를 들어, '계약'이라는 단어가 갱스터 영화에서와 법적 맥락에서 매우 다른 의미를 갖는다는 것을 이해합니다. 정보 및 언어의 단일 스트림만 이해하는 챗봇과 달리 사용되는 언어 유형 외에도 필요한 컨텍스트에 따라 맞춤화된 다면적 대화가 가능합니다.

Toll에 따르면 고급 NLP는 촉진자입니다. "사실 대부분의 AI 개발 및 디지털 혁신에는 일종의 지능형 프로세스 자동화(IPA)가 포함되며 McKinsey는 회사 내 작업의 50~70%가 자동화될 것으로 추정합니다."라고 덧붙였습니다. “NLP가 촉진하는 이 자동화 덕분에 새로운 AI 애플리케이션을 개발할 수 있어 조직이 방대한 양의 귀중한 정보를 정확하게 소싱, 구성 및 식별할 수 있습니다. "

고객 경험 향상

전자 상거래의 성장과 글로벌 시장의 확장으로 더 많은 소비자가 그 어느 때보다 온라인에서 쇼핑을 하고 있습니다. 이러한 증가하는 수요를 충족하기 위해 조직은 NLP를 비롯한 차세대 기술의 조합을 채택하여 고객 경험을 강화하고 브랜드 평판을 개선하며 매출을 증대하고 있습니다. Aspect에서 실시한 연구에 따르면 응답자의 92%가 현대 고객 서비스에서 자연어 처리의 가치를 인식하고 있는 것으로 나타났습니다.

스티븐 볼(Stephen Ball) 수석 부사장은 “진보적인 생각을 하는 조직의 핵심 요구 사항은 고객이 가상 비서, 데스크톱 또는 모바일 챗봇을 비롯한 자동화된 셀프 서비스 기능을 사용할 수 있는 옵션을 제공하는 다재다능한 옴니채널 경험을 제공하는 것”이라고 말했습니다. Aspect의 Europe &Africa가 설명합니다. "자동화된 셀프 서비스의 진정한 보상은 조직이 이러한 새로운 기술을 적절하게 구현하는 경우에만 얻을 수 있으며 자연어 처리(NLP) 기술을 포괄적으로 이해하는 것이 핵심입니다.

"성공적인 자연어 처리 통합은 시간과 노력이 필요한 프로세스이며 회사의 요구에 쉽게 적응할 수 있는 AI 및 관련 기술에 대한 투자가 필요하며 가장 중요한 것은 현대 고객의 복잡하고 변화하는 요구 사항을 충족합니다. 이를 실현하려면 기업이 직원에게 NLP 및 기술 교육을 제공하고 외부 파트너와 협력하여 단기 및 중기적으로 이와 관련된 AI 경험을 얻는 것이 중요합니다.”

자연어 처리에 감정 추가

성조, 선택한 단어, 문장 사이의 멈춤 등으로 누군가가 불만인지 화를 내는지를 이해하는 능력은 최근까지 인간의 고유한 기술로 간주되었습니다. 활발한 연구 분야는 감정 분석입니다.

감정 분석은 텍스트에서 작가의 감정을 파악하는 자연어 처리의 한 형태입니다. 감정은 두려움, 분노, 혐오, 좌절, 동요 또는 슬픔일 수 있습니다. 머신 러닝 엔지니어인 Sally Epstein은 "이 매력적인 기술을 콜센터에 적용할 것입니다. 헬프라인 교환원은 전화를 건 사람이 불만 수준을 명시적으로 말할 필요 없이 고객의 요구를 더 잘 충족하기 위해 조언과 언어를 조정할 수 있습니다"라고 말했습니다. 캠브리지 컨설턴트의 의견입니다.

보다 광범위한 혁신 영역은 감정 분석이며, 이는 자유 형식 텍스트의 일부가 긍정적인지, 중립적인지 또는 부정적인지 결정하는 데 사용됩니다. "감정 분석을 사용하면 방대한 양의 텍스트 문서, 소셜 미디어 게시물 또는 제품 리뷰를 효율적으로 검색하여 의미 있는 추세를 추출할 수 있습니다."라고 Epstein은 덧붙입니다. "이러한 통찰력은 이미 기업에서 브랜드에 대한 소비자 만족도를 평가하는 데 사용하고 있습니다."
가장 중요한 것은 이러한 기술을 신속하게 확장하여 다양한 지역 방언과 언어에서 통찰력을 얻을 수 있다는 것입니다.

자연어 처리의 다음 단계는 무엇입니까?

미래에는 더 나은 음성 제어 및 음성 인식이 자연어 처리의 큰 영역이 될 것입니다. 지난 몇 년 동안 음성 인식이 크게 향상되었지만 더 광범위하게 사용되기에는 아직 갈 길이 남아 있습니다. 이 분야의 발전 중 일부는 더 나은 모델과 함께 제공될 것입니다.

또 다른 큰 영역은 전이 학습을 자연어 처리에 성공적으로 적용하는 것입니다. 자연어 처리에서 전이 학습을 위한 사전 훈련된 딥 러닝 모델을 가질 수 있게 된 것은 작년에 불과하며, 이는 전이 학습이 컴퓨터 비전에 대해 더 오래 사용되었기 때문에 중요합니다. 이는 사용자가 감정 분석에서 질문 답변에 이르기까지 모든 종류의 텍스트 분석 작업에서 약간의 조정이 있기는 하지만 사전 훈련된 동일한 모델의 이점을 누릴 수 있도록 해주기 때문에 엄청난 혁신입니다.

Mark Venables의 기사