자연어 이해(NLU)

자연어 이해(NLU)는 기계가 인간 언어의 의미를 이해할 수 있도록 하는 데 중점을 둔 인공 지능(AI) 및 자연어 처리(NLP)의 하위 분야입니다. 단순히 단어를 처리하는 것과는 달리 NLU는 텍스트 또는 음성에서 의도, 컨텍스트 및 감정을 해석하는 것을 목표로 합니다. 이는 인간-컴퓨터 상호 작용 방정식의 "이해" 부분으로, 소프트웨어가 언어가 모호하거나 구어체이거나 비정형적인 경우에도 사용자가 진정으로 의미하는 바를 파악할 수 있도록 합니다. 이 기능은 사람들이 자신의 조건에 따라 상호 작용할 수 있는 보다 직관적이고 강력한 AI 애플리케이션을 만드는 데 기본적입니다.

NLU의 핵심 구성 요소

NLU는 언어 이해라는 복잡한 작업을 여러 핵심 요소로 분해합니다. NLU 시스템은 일반적으로 사용자 입력을 분석하고 해석하기 위해 다음과 같은 작업들을 조합하여 수행합니다.

• 의도 인식: 이는 사용자의 목표나 목적을 식별하는 프로세스입니다. 예를 들어 "뉴욕행 항공편 예약"이라는 문구에서 의도는 "항공편 예약"입니다. 이는 챗봇 또는 가상 어시스턴트와 같은 작업 지향 시스템에 있어 중요한 첫 번째 단계입니다. Microsoft Azure LUIS가 의도를 처리하는 방법에 대해 자세히 알아볼 수 있습니다.
• 개체명 인식(NER): 여기에는 텍스트에서 이름, 조직, 위치, 날짜 및 수량과 같은 미리 정의된 범주로 주요 정보 조각을 식별하고 분류하는 작업이 포함됩니다. 항공편 예약 예에서 "New York"은 위치 개체입니다.
• 감성 분석: 이 작업은 텍스트 본문의 감정적 어조를 파악하여 긍정적, 부정적 또는 중립적으로 분류합니다. 고객 피드백, 브랜드 평판 및 여론을 측정하는 데 널리 사용됩니다.
• 관계 추출: 이 고급 작업은 텍스트에서 서로 다른 엔터티 간의 의미론적 관계를 식별합니다. 예를 들어 뉴스 기사에서 "Elon Musk"가 "Tesla"의 "CEO"임을 식별합니다. 이는 비정형 데이터에서 구조화된 지식을 구축하는 데 도움이 됩니다.

NLU를 강화하는 기술

최신 NLU는 머신 러닝(ML), 특히 딥러닝(DL)의 발전에 크게 의존합니다. Transformer와 같은 신경망 아키텍처와 BERT와 같은 사전 훈련된 모델은 언어 내의 복잡한 컨텍스트 관계를 효과적으로 캡처하여 NLU 기능을 혁신했습니다. 이러한 획기적인 발전은 현재 대규모 언어 모델(LLM)의 힘에 기본적입니다. Stanford NLP Group과 같은 저명한 AI 연구 기관과 spaCy 및 Hugging Face와 같은 오픈 소스 라이브러리 및 플랫폼은 Association for Computational Linguistics(ACL)와 같은 조직이 연구를 주도하면서 해당 분야의 발전에 핵심적인 기여를 하고 있습니다.

NLU vs. 관련 개념

NLU를 이와 밀접하게 관련된 용어들과 구별하는 것이 중요합니다.

• 자연어 처리(NLP): NLU는 NLP의 특화된 하위 분야입니다. NLP는 컴퓨터와 인간 언어 간의 교집합의 모든 측면을 다루는 광범위한 분야인 반면, NLU는 특히 이해와 의미 추출(입력)에 중점을 둡니다. NLP에는 인간과 유사한 텍스트 생성(출력)과 관련된 자연어 생성(NLG)도 포함됩니다. 요컨대, NLU는 '읽기'에 관한 것이고, NLP는 언어의 '읽기, 쓰기, 조작'을 포괄합니다.
• 컴퓨터 비전(CV): NLU는 언어 데이터를 처리하는 반면 CV는 이미지 및 비디오와 같은 시각적 입력에서 정보를 해석하는 데 중점을 둡니다. Ultralytics YOLO와 같은 CV 모델은 객체 감지와 같은 작업에 사용됩니다. 그러나 이러한 분야는 텍스트와 이미지를 모두 처리하는 멀티모달 모델에서 점점 더 교차하여 NLP와 CV를 연결하는 애플리케이션을 가능하게 합니다. Ultralytics HUB와 같은 플랫폼은 주로 비전 AI에 중점을 두고 있지만 딥 러닝의 기본 원리는 종종 겹칩니다. AI 애플리케이션에 대한 자세한 내용은 Ultralytics 문서를 참조하십시오.