index

What is Natural Language Processing ?

(NLP) หมายถึงเทคโนโลยีประมวลผลภาษาธรรมชาติ เป็นแขนงหนึ่งของวิทยาการคอมพิวเตอร์ (Computer Science) และเป็นหนึ่งในเทคโนโลยี AI ซึ่งเกี่ยวกับการทำให้คอมพิวเตอร์สามารถตีความและเข้าใจภาษามนุษย์ ทำให้สื่อสารและวิเคราะห์ข้อมูลต่างๆ ออกมาได้เหมือนกับภาษาที่มนุษย์ใช้ โดยทั่วไป NLP มีวิทยาการพื้นฐานที่ประกอบด้วยภาษาศาสตร์เชิงคำนวณ (Computational Linguistics), แบบจำลองบนกฎพื้นฐานของภาษามนุษย์ แบบจำลอง Deep Learning และ Machine Learning รวมถึงสถิติต่างๆ

NPL มีความสำคัญอย่างไร

NLP สำคัญต่อการวิเคราะห์ข้อมูล ข้อความและคำพูดได้อย่างมีประสิทธิภาพ สามารถทำงานโดยแยกแยะความแตกต่างของภาษาถิ่น คำสแลง และการใช้หลักไวยากรณ์ต่างจากปกติในการสนทนาประจำวันได้ ปัจจุบันองค์กรมักใช้ซอฟต์แวร์ NLP เพื่อช่วยประมวลผลข้อมูลเสียงและข้อความในช่องทางการสื่อสารที่หลากหลาย เช่น Social Media อีเมล วิดีโอ และข้อความเสียง เป็นต้น ทั้งนี้ยังใช้เพื่อวิเคราะห์ Sentiment หรือเจตนาในข้อความและตอบสนองกับมนุษย์ได้แบบเรียลไทม์ นอกจากนี้ยังสามารถนำ NLP มาปรับใช้กับแอปพลิเคชันสำหรับติดต่อลูกค้า เพื่อช่วยให้สื่อสารได้อย่างมีประสิทธิภาพยิ่งขึ้น ตัวอย่างเช่น Chatbot ที่สามารถวิเคราะห์และจำแนกความต้องการลูกค้าเพื่อตอบคำถามแบบอัตโนมัติ และสามารถนำส่งคำถามที่มีความซับซ้อนมากขึ้นไปยังฝ่ายสนับสนุนบริการลูกค้า ซึ่งการทำงานแบบอัตโนมัตินี้ช่วยลดค่าใช้จ่าย ลดจำนวนเจ้าหน้าที่และเวลาจากการตอบคำถามซ้ำซ้อน พร้อมมีส่วนช่วยเพิ่มความพึงพอใจของลูกค้าอีกด้วย

ลักษณะการทำงานของ NPL

Natural Language processing (NLP) เป็นกระบวนการที่มีองค์ประกอบสำคัญต่างๆ ทำงานร่วมกัน อย่างเช่น Machine Learning, การสร้างแบบจำลอง Deep Learning (การฝึกให้คอมพิวเตอร์คิดและเข้าใจได้แบบมนุษย์), และ Computational Linguistics (ศาสตร์ที่ว่าด้วยการเข้าใจภาษามนุษย์) เป็นต้น โดยมีกระบวนการทำงานโดยสังเขป คือเริ่มต้นจากขั้นตอนการเตรียมและคัดแยกข้อมูล (Pre-Processing) เพื่อให้สามารถนำไปใช้งานกับแอปพลิเคชันที่หลากหลาย เช่น Stemming และ Lemmatization (ลดความซับซ้อนของคำ), Tokenization (แบ่งประโยคเป็นหน่วยคำหรือวลี) ไปจนถึงขั้นตอนลบคำฟุ่มเฟือย (Stop Word) และจากนั้นเป็นขั้นตอนการฝึก (Training) โดยนักวิจัยหรือนักพัฒนาจะใช้ข้อมูลที่ได้จากขั้นตอน Pre-Processing และ Machine Learning เพื่อฝึกโมเดล NLP ตามรูปแบบของข้อมูลที่ต้องการเพื่อใช้งานกับแอปพลิเคชัน รวมถึงต้องมีการป้อนข้อมูลขนาดใหญ่เพื่อเพิ่มความแม่นยำให้กับอัลกอริทึมของซอฟต์แวร์ และนำไปสู่ขั้นสรุปและเตรียมการก่อนนำไปใช้จริง (Deployment) โดยผู้เชี่ยวชาญด้าน Machine Learning ที่จะ Deploy โมเดลหรือรวมเข้ากับผลิตภัณฑ์ที่มีอยู่ โมเดล NLP จะรับคำสั่ง Input และคาดการณ์ Output เพื่อใช้กับการใช้งานที่ออกมาโดยเฉพาะหรือตามต้องการ

ตัวอย่างกรณีการใช้งานของ NLP

Natural Language Processing (NLP) เป็นเบื้องหลังความฉลาดของแอปพลิเคชันที่ทันสมัยในโลกจริง มีตัวอย่างบางส่วนดังนี้:

การแปล (Machine Translation) : อย่างเช่น Google Translate เป็นตัวอย่างของเทคโนโลยี NLP ที่ใช้กันอย่างแพร่หลายในปัจจุบัน ไม่ใช่เพียงแค่แปลจากภาษาหนึ่งเป็นอีกภาษาหนึ่ง แต่การแปลที่มีประสิทธิภาพต้องสามารถตีความและเข้าใจน้ำเสียงของภาษาที่ป้อนได้อย่างถูกต้อง และสามารถแปลออกมาเป็นข้อความที่มีความหมายเดียวกัน

สรุปความ (Text summarization) : เป็นการใช้เทคนิคของ NLP เพื่อย่อยข้อความดิจิทัลครั้งละจำนวนมากและสร้างบทสรุปให้กับผู้อ่านที่มีเวลาน้อย โดยแอปพลิเคชันสรุปความคุณภาพสูงมักใช้เทคโนโลยี Semantic Reasoning และ Natural Language Generation (NLG) เพื่อช่วยให้บริบทและการสรุปมีประสิทธิภาพและใช้ประโยชน์ได้ดีขึ้น

ตรวจจับ Spam: ด้วยการใช้ความสามารถในการจำแนกข้อความของ NLP เพื่อสแกนหาภาษาที่บ่งชี้ว่าอาจเป็น Spam หรือ Phishing Chatbot

เครื่องมือโต้ตอบกับลูกค้า (Virtual Agent) : อย่างเช่น Alexa ของ Amazon และ Siri ของ Apple ที่ใช้การจดจำรูปแบบคำสั่งด้วยเสียงและตอบสนองด้วยภาษาที่เป็นธรรมชาติทั้งการโต้ตอบและให้คำแนะนำที่เป็นประโยชน์ ส่วน Chatbot ใช้หลักการเดียวกันกับ Virtual agent เพื่อตอบโต้กับข้อความที่ป้อนเข้าไป รวมถึงสามารถเรียนรู้บริบทใหม่ของมนุษย์เพื่อให้สามารถตอบสนองได้ดียิ่งขึ้นเมื่อเวลาผ่านไป