Compreensão de linguagem natural (NLU)

A Compreensão da Linguagem Natural (NLU) é um subdomínio da Inteligência Artificial (IA) e do Processamento da Linguagem Natural (PNL) que se centra na capacidade de as máquinas compreenderem o significado da linguagem humana. Ao contrário do simples processamento de palavras, o objetivo da NLU é interpretar a intenção, o contexto e o sentimento do texto ou do discurso. É a parte "compreensiva" da equação da interação homem-computador, permitindo que o software compreenda o que um utilizador quer realmente dizer, mesmo quando a linguagem é ambígua, coloquial ou não estruturada. Esta capacidade é fundamental para criar aplicações de IA mais intuitivas e poderosas que possam interagir com as pessoas nos seus próprios termos.

Componentes principais do NLU

O NLU decompõe a complexa tarefa de compreensão da linguagem em vários componentes-chave. Normalmente, um sistema NLU executa uma combinação das seguintes tarefas para desconstruir e interpretar a entrada do utilizador:

• Reconhecimento da intenção: Este é o processo de identificação do objetivo ou finalidade do utilizador. Por exemplo, na frase "Reservar um voo para Nova Iorque", a intenção é "reservar um voo". Este é um primeiro passo fundamental para qualquer sistema orientado para a tarefa, como um chatbot ou um assistente virtual. Pode saber mais sobre como os serviços como o Microsoft Azure LUIS tratam as intenções.
• Reconhecimento de Entidades Nomeadas (NER): Envolve a identificação e categorização de peças-chave de informação no texto em categorias predefinidas, tais como nomes, organizações, localizações, datas e quantidades. No exemplo da reserva de voo, "Nova Iorque" é uma entidade de localização.
• Análise de sentimento: Esta tarefa determina o tom emocional por detrás de um corpo de texto, classificando-o como positivo, negativo ou neutro. É amplamente utilizada para avaliar o feedback dos clientes, a reputação da marca e a opinião pública.
• Extração de relações: Esta tarefa avançada identifica as relações semânticas entre diferentes entidades no texto. Por exemplo, identificar que "Elon Musk" é o "CEO" da "Tesla" a partir de um artigo de notícias. Isto ajuda a construir conhecimento estruturado a partir de dados não estruturados.

Tecnologias que alimentam a NLU

O NLU moderno baseia-se fortemente nos avanços da aprendizagem automática (ML), em particular na aprendizagem profunda (DL). Arquitecturas de redes neuronais como os Transformers e modelos pré-treinados como o BERT revolucionaram as capacidades de NLU ao captarem eficazmente relações contextuais complexas dentro da linguagem. Estes avanços são fundamentais para o poder dos actuais modelos linguísticos de grande dimensão (LLM). Instituições de investigação de IA proeminentes, como o Stanford NLP Group, e bibliotecas e plataformas de código aberto, como o spaCy e o Hugging Face, são contribuintes fundamentais para o progresso do campo, com organizações como a Association for Computational Linguistics (ACL) a impulsionar a investigação.

NLU vs. Conceitos relacionados

É importante distinguir NLU de termos estreitamente relacionados:

• Processamento de linguagem natural (PNL): O NLU é um subcampo especializado do NLP. Embora a PNL seja um domínio vasto que abrange todos os aspectos da intersecção entre os computadores e a linguagem humana, a NLU centra-se especificamente na compreensão e na extração de significado (a entrada). A PNL também inclui a Geração de Linguagem Natural (NLG), que se ocupa da produção de texto semelhante ao humano (a saída). Em suma, a NLU diz respeito à "leitura", enquanto a PNL abrange a "leitura, escrita e manipulação" da linguagem.
• Visão por computador (CV): A NLU lida com dados linguísticos, enquanto a CV se centra na interpretação de informações provenientes de dados visuais, como imagens e vídeos. Os modelos de CV, como o Ultralytics YOLO, são utilizados para tarefas como a deteção de objectos. No entanto, os campos estão a cruzar-se cada vez mais em modelos multimodais que processam texto e imagens, permitindo aplicações que fazem a ponte entre a PNL e a CV. Embora plataformas como o Ultralytics HUB se concentrem principalmente na IA de visão, os princípios subjacentes da aprendizagem profunda sobrepõem-se frequentemente. Para mais informações sobre aplicações de IA, pode explorar a documentação do Ultralytics.