Verstehen natürlicher Sprache (NLU)

Kernbestandteile von NLU

NLU zerlegt die komplexe Aufgabe des Sprachverständnisses in mehrere Schlüsselkomponenten. Ein NLU-System führt in der Regel eine Kombination der folgenden Aufgaben aus, um Benutzereingaben zu dekonstruieren und zu interpretieren:

• Erkennung von Absichten: Dies ist der Prozess der Identifizierung des Ziels oder Zwecks des Nutzers. Bei der Formulierung "Buchen Sie einen Flug nach New York" lautet die Absicht beispielsweise "Buchen Sie einen Flug". Dies ist ein wichtiger erster Schritt für jedes aufgabenorientierte System, wie z. B. einen Chatbot oder virtuellen Assistenten. Sie können mehr darüber erfahren, wie Dienste wie Microsoft Azure LUIS mit Intents umgehen.
• Erkennung von benannten Entitäten (NER): Hierbei geht es um die Identifizierung und Kategorisierung von Schlüsselinformationen im Text in vordefinierte Kategorien wie Namen, Organisationen, Orte, Daten und Mengen. Im Beispiel der Flugbuchung ist "New York" eine Ortsentität.
• Stimmungsanalyse: Diese Aufgabe bestimmt den emotionalen Ton eines Textes und klassifiziert ihn als positiv, negativ oder neutral. Sie wird häufig verwendet, um Kundenfeedback, den Ruf einer Marke und die öffentliche Meinung zu bewerten.
• Relationsextraktion: Diese fortgeschrittene Aufgabe identifiziert die semantischen Beziehungen zwischen verschiedenen Entitäten im Text. Zum Beispiel kann man aus einem Nachrichtenartikel erkennen, dass "Elon Musk" der "CEO" von "Tesla" ist. Dies hilft beim Aufbau von strukturiertem Wissen aus unstrukturierten Daten.

Technologien, die NLU antreiben

Modernes NLU stützt sich in hohem Maße auf Fortschritte im Bereich des maschinellen Lernens (ML), insbesondere des Deep Learning (DL). Neuronale Netzwerkarchitekturen wie Transformers und vortrainierte Modelle wie BERT haben die NLU-Funktionen revolutioniert, indem sie komplexe kontextuelle Beziehungen innerhalb der Sprache effektiv erfassen. Diese Durchbrüche sind grundlegend für die Leistungsfähigkeit der aktuellen Large Language Models (LLMs). Prominente KI-Forschungseinrichtungen wie die Stanford NLP Group und Open-Source-Bibliotheken und -Plattformen wie spaCy und Hugging Face tragen maßgeblich zum Fortschritt in diesem Bereich bei, und Organisationen wie die Association for Computational Linguistics (ACL) treiben die Forschung voran.

NLU vs. Verwandte Konzepte

Es ist wichtig, NLU von eng verwandten Begriffen zu unterscheiden:

• Verarbeitung natürlicher Sprache (NLP): NLU ist ein spezielles Teilgebiet von NLP. Während NLP ein weites Feld ist, das alle Aspekte der Überschneidung zwischen Computern und menschlicher Sprache abdeckt, konzentriert sich NLU speziell auf das Verstehen und die Bedeutungsextraktion (die Eingabe). NLP umfasst auch die Erzeugung natürlicher Sprache (Natural Language Generation, NLG), die sich mit der Produktion von menschenähnlichem Text (der Ausgabe) befasst. Kurz gesagt, geht es bei NLU um das "Lesen", während NLP das "Lesen, Schreiben und Manipulieren" von Sprache umfasst.
• Computer Vision (CV): NLU befasst sich mit Sprachdaten, während CV sich auf die Interpretation von Informationen aus visuellen Eingaben wie Bildern und Videos konzentriert. CV-Modelle wie Ultralytics YOLO werden für Aufgaben wie die Objekterkennung verwendet. Die beiden Bereiche überschneiden sich jedoch zunehmend in multimodalen Modellen, die sowohl Text als auch Bilder verarbeiten und so Anwendungen ermöglichen, die NLP und CV miteinander verbinden. Plattformen wie Ultralytics HUB sind zwar in erster Linie auf KI im Bereich der Bildverarbeitung ausgerichtet, doch die zugrunde liegenden Prinzipien des Deep Learning überschneiden sich häufig. Weitere Informationen über KI-Anwendungen finden Sie in der Ultralytics-Dokumentation.