Читать книгу Deep Learning illustriert - Jon Krohn - Страница 26

Natural Language Processing (NLP), also die Verarbeitung natürlicher Sprache, ist ein Forschungsfeld an der Schnittstelle zwischen Informatik, Linguistik und künstlicher Intelligenz (Abbildung 2–2). Bei NLP wird die natürlich gesprochene oder geschriebene menschliche Sprache – wie etwa der Satz, den Sie gerade lesen – mit Maschinen verarbeitet, um automatisch eine Aufgabe zu erledigen oder die Erledigung einer Aufgabe für Menschen zu erleichtern. Sprachnutzungen, die nicht unter das Dach der natürlichen Sprachen passen, könnten Codes in einer Programmiersprache oder kurze Strings aus Zeichen in einer Tabellenkalkulation sein.

Beispiele für NLP in der Industrie sind:

 Klassifikation von Dokumenten:Die Sprache innerhalb eines Dokuments (z.B. einer E-Mail, eines Tweets oder einer Filmkritik) wird genutzt, um dieses in eine bestimmte Kategorie einzuordnen (z.B. »dringend«, »positive Aussage« oder »vorhergesagte Richtung des Preises für die Aktien eines Unternehmens«).

 Maschinelle Übersetzungen:Übersetzungsfirmen werden durch maschinengenerierte Vorschläge bei der Übersetzung aus einer Quellsprache (z.B. Englisch) in eine Zielsprache (z.B. Mandarin oder Deutsch) unterstützt; inzwischen gibt es immer mehr vollautomatische – wenn auch nicht immer perfekte – Übersetzungen zwischen Sprachen.

 Suchmaschinen:Automatische Vervollständigung der Suchbegriffe der Benutzer und Vorhersage, welche Informationen oder Websites gesucht werden.

 Spracherkennung:Das Interpretieren von Sprachbefehlen zum Bereitstellen von Informationen oder Durchführen von Handlungen, wie bei den virtuellen Assistenten von Amazon, von Apple oder von Microsoft.

 Chatbots:Das Führen eines natürlichen Gesprächs über einen längeren Zeitraum. Obwohl das bisher noch nicht völlig überzeugend erfolgt, sind solche Systeme dennoch sehr hilfreich für relativ lineare Konversationen über eng begrenzte Themenfelder, wie etwa für die Routinegespräche an Kunden-Hotlines von Unternehmen.

Abb. 2–2NLP sitzt an der Schnittstelle zwischen Informatik, Linguistik und künstlicher Intelligenz.

Zu den NLP-Anwendungen, die sich am einfachsten bauen lassen, gehören Rechtschreibprüfungen, Programme, die Synonyme vorschlagen, und Werkzeuge zur Stichwortsuche. Diese einfachen Aufgaben können relativ direkt mit deterministischem, regelbasiertem Code erledigt werden, der zum Beispiel Referenzwörterbücher oder Thesauri verwendet. Deep-Learning-Modelle sind für solche Anwendungen unnötig komplex, und deshalb werden solche Modelle in diesem Buch nicht weiter diskutiert.

Zu NLP-Aufgaben mit mittlerer Komplexität gehören das Zuweisen einer Lesefunktion auf Schülerniveau zu einem Dokument, das Vorhersagen der am wahrscheinlichsten folgenden Wörter bei einer Abfrage in einer Suchmaschine, das Klassifizieren von Dokumenten (siehe die oben gezeigte Liste) und das Extrahieren von Informationen wie Preisen oder benannten Objekten² aus Dokumenten oder Websites. Diese mittelschweren NLP-Anwendungen lassen sich recht gut mit Deep-Learning-Modellen umsetzen. In Kapitel 11 werden Sie z.B. eine Vielzahl von Deep-Learning-Architekturen nutzen, um die Stimmung einer Filmkritik vorherzusagen.

Die am höchsten entwickelten NLP-Implementierungen sind für das maschinelle Übersetzen (siehe die oben gezeigte Liste), das automatisierte Beantworten von Fragen sowie für Chatbots erforderlich. Solche Anwendungen sind kompliziert, da sie in der Lage sein müssen, mit einsatzspezifischen Nuancen zurechtzukommen (Humor ist z.B. besonders wandelbar): Eine Antwort auf eine Frage kann von den bereits erteilten Antworten auf zuvor gestellte Fragen abhängen, und ein Sinn kann sich über eine längere Textpassage ergeben, die sich über mehrere Sätze erstreckt. Solche komplexen NLP-Aufgaben würden den Rahmen und Umfang dieses Buches überschreiten. Allerdings liefert der hier behandelte Stoff Ihnen zumindest eine hervorragende Grundlage für deren Entwicklung.