Natural Language Understanding (NLU)

Hiểu ngôn ngữ tự nhiên (NLU) là một tập con chuyên biệt của Trí tuệ nhân tạo (AI) tập trung vào khả năng đọc hiểu và diễn giải ngôn ngữ con người bởi máy móc. Trong khi các công nghệ rộng hơn cho phép máy tính xử lý dữ liệu văn bản, NLU cho phép các hệ thống nắm bắt ý nghĩa, ý định và cảm xúc đằng sau các từ ngữ, vượt qua những phức tạp về ngữ pháp, tiếng lóng và ngữ cảnh. Bằng cách tận dụng các kiến trúc Deep Learning (DL) tiên tiến, NLU biến văn bản phi cấu trúc thành logic có cấu trúc mà máy tính có thể đọc được, đóng vai trò là cầu nối giữa giao tiếp của con người và hành động tính toán.

Link to this sectionCác cơ chế cốt lõi của NLU#

Để hiểu ngôn ngữ, các thuật toán NLU chia văn bản thành các thành phần và phân tích mối quan hệ của chúng. Quá trình này bao gồm một số khái niệm ngôn ngữ học chính:

• Tokenization: Bước nền tảng trong đó văn bản thô được phân đoạn thành các đơn vị nhỏ hơn, chẳng hạn như từ hoặc các phần của từ. Bước này chuẩn bị dữ liệu cho việc biểu diễn số trong mạng thần kinh.
• Nhận dạng thực thể có tên (NER): Các model NLU xác định các thực thể cụ thể trong một câu, chẳng hạn như người, địa điểm, ngày tháng hoặc tổ chức. Ví dụ, trong cụm từ "Đặt chuyến bay đến London", "London" được trích xuất dưới dạng một thực thể địa điểm.
• Phân loại ý định: Một chức năng quan trọng đối với các hệ thống tương tác, giúp xác định mục tiêu của người dùng. Phân loại ý định phân tích một cụm từ như "Internet của tôi bị hỏng" để hiểu rằng người dùng đang báo cáo một vấn đề kỹ thuật thay vì đặt một câu hỏi chung.
• Phân tích ngữ nghĩa: Vượt ra ngoài các từ khóa đơn giản, quy trình này đánh giá ý nghĩa của các cấu trúc câu. Các nhà nghiên cứu tại Stanford NLP Group từ lâu đã tiên phong trong các phương pháp loại bỏ sự mơ hồ của từ ngữ dựa trên ngữ cảnh, đảm bảo rằng "bank" được hiểu chính xác là một tổ chức tài chính hay một bờ sông tùy thuộc vào văn bản xung quanh.

Link to this sectionNLU so với các ngành liên quan#

Điều cần thiết là phải phân biệt NLU với các lĩnh vực liên quan chặt chẽ trong bối cảnh khoa học máy tính:

• Xử lý ngôn ngữ tự nhiên (NLP): NLP là thuật ngữ bao trùm bao gồm cả NLU. Trong khi NLP bao quát toàn bộ quy trình xử lý dữ liệu ngôn ngữ—bao gồm dịch thuật và phân tích cú pháp đơn giản—thì NLU chỉ thuần túy là khía cạnh hiểu. Một tập con khác, Tạo ngôn ngữ tự nhiên (NLG), xử lý việc tạo ra các phản hồi văn bản mới.
• Thị giác máy tính (CV): Theo truyền thống, CV xử lý dữ liệu hình ảnh trong khi NLU xử lý văn bản. Tuy nhiên, các Multi-Modal Models hiện đại kết hợp các lĩnh vực này. NLU phân tích một lời nhắc văn bản (ví dụ: "tìm chiếc xe màu đỏ"), và CV thực hiện tìm kiếm trực quan dựa trên sự hiểu biết đó.
• Nhận dạng giọng nói: Còn được gọi là Chuyển đổi giọng nói thành văn bản (Speech-to-Text), công nghệ này chuyển đổi tín hiệu âm thanh thành từ ngữ viết. NLU chỉ tiếp quản sau khi giọng nói đã được phiên âm thành văn bản để diễn giải những gì đã được nói.

Link to this sectionCác ứng dụng trong thực tế#

NLU cung cấp sức mạnh cho nhiều hệ thống thông minh mà các doanh nghiệp và người tiêu dùng dựa vào hàng ngày.

1. Hỗ trợ khách hàng thông minh: Các chatbots hiện đại sử dụng NLU để giải quyết các phiếu hỗ trợ mà không cần sự can thiệp của con người. Bằng cách áp dụng Phân tích cảm xúc, các tác nhân này có thể phát hiện sự thất vọng trong tin nhắn của khách hàng và tự động leo thang vấn đề cho quản lý con người.

2. Công cụ tìm kiếm ngữ nghĩa: Không giống như tìm kiếm theo từ khóa cũ, các công cụ dựa trên NLU hiểu ngữ cảnh của truy vấn. Các tổ chức sử dụng Tìm kiếm ngữ nghĩa để cho phép nhân viên truy vấn cơ sở dữ liệu nội bộ bằng cách sử dụng các câu hỏi tự nhiên như "Cho tôi xem báo cáo bán hàng từ quý 4 năm ngoái", mang lại các tài liệu chính xác thay vì danh sách các tệp liên quan lỏng lẻo.

3. Tích hợp thị giác-ngôn ngữ: Trong lĩnh vực AI thị giác, NLU cho phép "Phát hiện đối tượng với từ vựng mở." Thay vì bị giới hạn trong các danh mục cố định (như 80 lớp trong các tập dữ liệu tiêu chuẩn), các model như YOLO-World sử dụng NLU để hiểu các yêu cầu bằng văn bản tùy chỉnh và định vị các đối tượng đó trong hình ảnh.

Link to this sectionVí dụ mã nguồn: Phát hiện đối tượng dựa trên NLU#

Ví dụ sau đây minh họa cách các khái niệm NLU được tích hợp vào quy trình làm việc thị giác máy tính bằng cách sử dụng gói ultralytics. Tại đây, chúng ta sử dụng một model kết hợp bộ mã hóa văn bản (NLU) với một backbone thị giác để phát hiện các đối tượng được định nghĩa thuần túy bằng các mô tả ngôn ngữ tự nhiên.

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()

Link to this sectionCông cụ và Xu hướng tương lai#

Sự phát triển của NLU dựa trên các framework mạnh mẽ. Các thư viện như PyTorch cung cấp các thao tác tensor cần thiết để xây dựng các model deep learning, trong khi spaCy cung cấp các công cụ cấp công nghiệp cho xử lý ngôn ngữ.

Hướng tới tương lai, ngành công nghiệp đang chuyển dịch sang các hệ thống đa phương thức thống nhất. Ultralytics Platform đơn giản hóa quá trình tiến hóa này, cung cấp một môi trường toàn diện để quản lý tập dữ liệu, gán nhãn hình ảnh và huấn luyện các model có thể triển khai tại biên (edge). Trong khi Large Language Models (LLMs) xử lý lập luận phức tạp, việc tích hợp chúng với các model thị giác tốc độ cao như YOLO26 tạo ra các tác nhân mạnh mẽ có khả năng nhìn, hiểu và tương tác với thế giới trong thời gian thực. Sự cộng hưởng này đại diện cho biên giới tiếp theo trong các ứng dụng Học máy (ML).