การประมวลภาษาธรรมชาติ
| ส่วนหนึ่งของเนื้อหา |
| ปัญญาประดิษฐ์ |
|---|
| เป้าหมาย |
| วิธีการ |
| ปรัชญา |
การประมวลภาษาธรรมชาติ (Natural language processing - NLP) เป็นสาขาย่อยของภาษาศาสตร์ วิทยาการคอมพิวเตอร์ วิศวกรรมสารสนเทศ และปัญญาประดิษฐ์ ทำการศึกษาการปฏิสัมพันธ์ระหว่างภาษาคอมพิวเตอร์และภาษา (ธรรมชาติ) มนุษย์ ในเชิงที่โปรแกรมคอมพิวเตอร์สามารถดำเนินการวิเคราะห์และแปลงข้อมูลภาษาธรรมชาติได้
การประมวลภาษาธรรมชาติมีการกล่าวถึงในปี พ.ศ. 2493 โดยแอลัน ทัวริง นักวิทยาศาสตร์ชาวอังกฤษได้เสนอการทดสอบคอมพิวเตอร์หรือเครื่องจักรที่สามารถคิดหรือกระทำได้เหมือนมนุษย์ ซึ่งวิธีการนั้นในปัจจุบันถูกเรียกว่าการทดสอบทัวริง
ในปัจจุบันการประมวลภาษาธรรมชาติมีการนิยมใช้ขั้นตอนการเรียนรู้เชิงคุณลักษณะและการเรียนรู้เชิงลึก[1][2] ที่สามารถให้ผลลัพธ์ที่ออกมาได้ดี ตัวอย่างเช่นในแบบจำลองภาษา[3] โดยได้มีการเปรียบเทียบกับวิธีการดั้งเดิมที่ใช้การประมวลผลภาษาธรรมชาติเชิงสถิติ หรือการประมวลผลตามกฎที่วางไว้
แนวทาง[แก้]
โครงข่ายประสาทเทียม[แก้]
ข้อเสียหลักของวิธีการทางสถิติคือพวกเขาต้องการการพัฒนาฟังก์ชันที่ซับซ้อน ตั้งแต่ปี 2015 วิธีการทางสถิติถูกแทนที่ด้วยวิธีโครงข่ายประสาทเทียม, ที่ใช้การฝังคำเพื่อจับคุณสมบัติทางความหมาย ของคำ
วิธีการทางสถิติ[แก้]
ในช่วงปลายทศวรรษที่ 1980 และกลางทศวรรษที่ 1990 วิธีการทางสถิตินำไปสู่การสิ้นสุดช่วงฤดูหนาวของปัญญาประดิษฐ์, ซึ่งเกิดจากความไม่มีประสิทธิภาพของวิธีการที่ใช้กฎเกณฑ์[4][5]
แนวโน้มทั่วไปและ (ทิศทางที่อาจเป็นไปได้) ในอนาคต[แก้]
ความเชื่อมโยงกับภาษาศาสตร์ทางปัญญาเป็นส่วนหนึ่งของมรดกทางประวัติศาสตร์ของการประมวลผลภาษาธรรมชาติ, แต่หลังจากการหันมาใช้วิธีทางสถิติในทศวรรษ 1990 ความสนใจดังกล่าวมีน้อยลง อย่างไรก็ตาม, แนวทางการพัฒนารูปแบบทางปัญญาเพื่อสร้างกรอบการทำงานแบบปฏิบัติการถูกใช้งานในบริบทต่างๆ, เช่น ไวยากรณ์ปัญญา,[6] ไวยากรณ์ฟังก์ชัน,[7] ไวยากรณ์การก่อสร้าง, จิตวิทยาภาษาเชิงคอมพิวเตอร์ และ ประสาทวิทยาศาสตร์ทางปัญญา (เช่น ACT-R) ในทำนองเดียวกัน, แนวคิดของการประมวลผลภาษาธรรมชาติเชิงปัญญาเป็นส่วนหนึ่งของโมเดลโครงข่ายประสาทแบบมัลติโหมด (ถึงแม้จะไม่ถูกกล่าวถึงชัดเจนบ่อย) และการพัฒนาในด้านปัญญาประดิษฐ์, โดยเฉพาะเครื่องมือและเทคโนโลยีที่ใช้โมเดลภาษาขนาดใหญ่[8][9] และการพัฒนาในด้านปัญญาประดิษฐ์, โดยเฉพาะเครื่องมือและเทคโนโลยีที่ใช้โมเดลภาษาขนาดใหญ่ แนวทางใหม่ในปัญญาประดิษฐ์ทั่วไปขึ้นอยู่กับหลักการพลังงานเสรี[10] ของนักประสาทวิทยาชาวอังกฤษคาร์ล เจ. ฟริสตันจากวิทยาลัยมหาวิทยาลัยลอนดอน
แหล่งข้อมูลอื่น[แก้]
- SAS - การประมวลผลภาษาธรรมชาติ (Natural language processing) นิยามและความสำคัญ
- Digital Ventures Natural Language Processing เทคโนโลยีเชื่อมโยงปัญญาประดิษฐ์กับมนุษย์ด้วย “ภาษา” เก็บถาวร 2020-07-12 ที่ เวย์แบ็กแมชชีน
- TextCortex AI ประชาธิปไตยในการสื่อสารที่เป็นลายลักษณ์อักษรเพื่อพัฒนาขีดความสามารถของ NLG
เก็บถาวร 2020-07-12 ที่ เวย์แบ็กแมชชีน
อ้างอิง[แก้]
- ↑ Goldberg, Yoav (2016). "A Primer on Neural Network Models for Natural Language Processing". Journal of Artificial Intelligence Research. 57: 345–420. arXiv:1807.10854. doi:10.1613/jair.4992.
- ↑ Goodfellow, Ian; Bengio, Yoshua; Courville, Aaron (2016). Deep Learning. MIT Press.
- ↑ Jozefowicz, Rafal; Vinyals, Oriol; Schuster, Mike; Shazeer, Noam; Wu, Yonghui (2016). Exploring the Limits of Language Modeling. arXiv:1602.02410. Bibcode:2016arXiv160202410J.
- ↑ "How the Statistical Revolution Changes (Computational) Linguistics". aclanthology.org. สืบค้นเมื่อ 2024-05-19.
- ↑ "Four revolutions". languagelog.ldc.upenn.edu. สืบค้นเมื่อ 2024-05-19.
- ↑ "US patent 9269353". worldwide.espacenet.com. สืบค้นเมื่อ 2024-05-19.
- ↑ "Universal Conceptual Cognitive Annotation (UCCA)". universalconceptualcognitiveannotation.github.io. สืบค้นเมื่อ 2024-05-19.
- ↑ "Grounded Compositional Semantics for Finding and Describing Images with Sentences". direct.mit.edu. สืบค้นเมื่อ 2024-05-19.
- ↑ "Understanding the Anatomies of LLM Prompts: How To Structure Your Prompts To Get Better LLM Responses". www.codesmith.io. สืบค้นเมื่อ 2024-05-19.
- ↑ "Active Inference: The Free Energy Principle in Mind, Brain, and Behavior". books.google.com. สืบค้นเมื่อ 2024-05-19.