Natural Language Understanding (NLU)

فهم اللغة الطبيعية (NLU) هو مجموعة فرعية متخصصة من الذكاء الاصطناعي (AI) تركز على فهم المقروء وتفسير الآلات للغة البشرية. وبينما تتيح التقنيات الأوسع نطاقًا لأجهزة الكمبيوتر معالجة البيانات النصية، يتيح NLU للأنظمة تحديدًا استيعاب المعنى والقصد والمشاعر الكامنة وراء الكلمات، والتعامل مع تعقيدات القواعد النحوية واللغة العامية والسياق. ومن خلال الاستفادة من بنيات التعلم العميق (DL) المتقدمة، يحوّل NLU النص غير المنظم إلى منطق منظم يمكن للآلة قراءته، مؤديًا دور الجسر بين التواصل البشري والفعل الحاسوبي.

الآليات الأساسية لـ NLU#

لفهم اللغة، تعمل خوارزميات NLU على تفكيك النص إلى أجزاء مكوِّنة وتحليل العلاقات بينها. وتتضمن هذه العملية عدة مفاهيم لغوية رئيسية:

• تجزئة الرموز: الخطوة الأساسية التي يُقسَّم فيها النص الخام إلى وحدات أصغر، مثل الكلمات أو الأجزاء الفرعية من الكلمات. ويُهيئ ذلك البيانات للتمثيل الرقمي داخل الشبكة العصبية.
• التعرّف على الكيانات المُسمّاة (NER): تحدد نماذج NLU كيانات محددة داخل الجملة، مثل الأشخاص أو المواقع أو التواريخ أو المؤسسات. فعلى سبيل المثال، في العبارة "احجز رحلة إلى لندن"، تُستخرج كلمة "لندن" بوصفها كيان موقع.
• تصنيف القصد: وظيفة محورية للأنظمة التفاعلية، إذ تحدد هدف المستخدم. ويحلل تصنيف القصد عبارة مثل "الإنترنت لدي متوقف" لفهم أن المستخدم يبلغ عن مشكلة تقنية بدلًا من طرح سؤال عام.
• التحليل الدلالي: بعيدًا عن الكلمات المفتاحية البسيطة، تقيّم هذه العملية معنى تراكيب الجمل. وقد ابتكر الباحثون في مجموعة Stanford NLP منذ وقت طويل أساليب لإزالة الغموض عن الكلمات استنادًا إلى السياق، بما يضمن تفسير كلمة "bank" تفسيرًا صحيحًا على أنها مؤسسة مالية أو ضفة نهر، تبعًا للنص المحيط بها.

NLU مقابل التخصصات ذات الصلة#

من الضروري التمييز بين NLU والمجالات الوثيقة الصلة به ضمن مشهد علوم الكمبيوتر:

• معالجة اللغة الطبيعية (NLP): تُعد NLP مصطلحًا شاملًا يضم NLU. فبينما تغطي NLP المسار الكامل للتعامل مع بيانات اللغة — بما في ذلك الترجمة والتحليل النحوي البسيط — يقتصر NLU على جانب الفهم. وتتولى مجموعة فرعية أخرى، هي توليد اللغة الطبيعية (NLG)، إنشاء استجابات نصية جديدة.
• الرؤية الحاسوبية (CV): تعالج CV البيانات المرئية تقليديًا، بينما يعالج NLU النصوص. ومع ذلك، تدمج النماذج متعددة الوسائط الحديثة بين هذين التخصصين. إذ يحلل NLU مطالبة نصية، مثل "اعثر على السيارة الحمراء"، وتنفذ CV البحث المرئي استنادًا إلى ذلك الفهم.
• التعرّف على الكلام: تُعرف هذه التقنية أيضًا باسم تحويل الكلام إلى نص، وتحول الإشارات الصوتية إلى كلمات مكتوبة. ولا يتولى NLU المهمة إلا بعد نسخ الكلام إلى نص، وذلك لتفسير ما قيل.

التطبيقات الواقعية#

يشغّل NLU العديد من الأنظمة الذكية التي تعتمد عليها الشركات والمستهلكون يوميًا.

1. دعم العملاء الذكي: تستخدم روبوتات الدردشة الحديثة NLU لحل تذاكر الدعم دون تدخل بشري. ومن خلال توظيف تحليل المشاعر، تستطيع هذه الوكلاء اكتشاف الإحباط في رسالة العميل وتصعيد المشكلة تلقائيًا إلى مدير بشري.

2. محركات البحث الدلالي: بخلاف البحث التقليدي القائم على الكلمات المفتاحية، تفهم المحركات المدعومة بـ NLU سياق الاستعلام. وتستخدم المؤسسات البحث الدلالي لتمكين الموظفين من الاستعلام عن قواعد البيانات الداخلية باستخدام أسئلة طبيعية مثل "اعرض لي تقارير المبيعات من الربع الرابع الماضي"، والحصول على مستندات دقيقة بدلًا من قائمة بملفات ذات صلة ضعيفة.

3. تكامل الرؤية واللغة: في مجال الذكاء الاصطناعي للرؤية، يتيح NLU إجراء "اكتشاف الكائنات بالمفردات المفتوحة". وبدلًا من الاقتصار على فئات ثابتة، مثل الفئات الثمانين في مجموعات البيانات القياسية، تستخدم نماذج مثل YOLO-World NLU لفهم المطالبات النصية المخصصة وتحديد تلك الكائنات في الصور.

مثال برمجي: اكتشاف الكائنات المدفوع بـ NLU#

يوضح المثال التالي كيفية دمج مفاهيم NLU في سير عمل الرؤية الحاسوبية باستخدام الحزمة ultralytics. نستخدم هنا نموذجًا يجمع بين مُرمِّز نصي (NLU) وظهرية للرؤية لاكتشاف الكائنات المحددة بالكامل بواسطة أوصاف اللغة الطبيعية.

from ultralytics import YOLOWorld

# Load a model capable of vision-language understanding
# This model uses NLU to interpret text prompts
model = YOLOWorld("yolov8s-world.pt")

# Define custom classes using natural language descriptions
# The NLU component parses "person in red shirt" to guide detection
model.set_classes(["person in red shirt", "blue bus"])

# Run inference on an image
results = model.predict("city_street.jpg")

# Display the results
results[0].show()

الأدوات والاتجاهات المستقبلية#

يعتمد تطوير NLU على أطر عمل قوية. إذ توفر مكتبات مثل PyTorch عمليات الموتر اللازمة لبناء نماذج التعلم العميق، بينما تقدم spaCy أدوات قوية بمستوى صناعي للمعالجة اللغوية.

تتجه الصناعة مستقبلًا نحو أنظمة موحدة متعددة الوسائط. وتبسّط منصة Ultralytics هذا التطور، إذ توفر بيئة شاملة لإدارة مجموعات البيانات، ووضع تعليقات توضيحية على الصور، وتدريب النماذج التي يمكن نشرها على الحافة. وبينما تتولى نماذج اللغة الكبيرة (LLMs) مهام الاستدلال المعقدة، فإن دمجها مع نماذج الرؤية عالية السرعة مثل YOLO26 ينشئ وكلاءً قوية قادرة على رؤية العالم وفهمه والتفاعل معه في الوقت الفعلي. ويمثل هذا التآزر الحدود التالية في تطبيقات التعلم الآلي (ML).