ក្លែងបន្លំ កំពុងផ្លាស់ប្តូររបៀបដែលយើងរៀបចំផែនការ និងបង្កើតមាតិកា។ វាក៏ប៉ះពាល់ដល់របៀបដែលមនុស្សស្វែងរកសម្ភារៈ ពីអ្វីដែលពួកគេស្វែងរកនៅលើ Google ដល់អ្វីដែលពួកគេមើលយ៉ាងជក់ចិត្តនៅលើ Netflix។
សំខាន់ជាងនេះទៅទៀត សម្រាប់អ្នកទីផ្សារមាតិកា វាអនុញ្ញាតឱ្យក្រុមរីកចម្រើនដោយស្វ័យប្រវត្តិនូវប្រភេទនៃការបង្កើតមាតិកាមួយចំនួន និងការវិភាគសម្ភារៈបច្ចុប្បន្ន ដើម្បីកែលម្អអ្វីដែលអ្នកកំពុងចែកចាយ និងផ្គូផ្គងបំណងរបស់អតិថិជនកាន់តែប្រសើរ។
មានបំណែកផ្លាស់ទីជាច្រើននៅក្នុង AI និង ការរៀនម៉ាស៊ីន ដំណើរការ។ តើអ្នកធ្លាប់សួរជំនួយការឆ្លាតវៃ (ដូចជា Siri ឬ Alexa) ដែរឬទេ?
ការឆ្លើយតបទំនងជា "បាទ/ចាស" ដែលបង្ហាញថាអ្នកបានស្គាល់រួចហើយជាមួយនឹងដំណើរការភាសាធម្មជាតិនៅកម្រិតមួយចំនួន (NLP)។
លោក Alan Turing ជាឈ្មោះដែលអ្នកបច្ចេកទេសគ្រប់រូបធ្លាប់ឮ។ ការធ្វើតេស្ត Turing ដ៏ល្បីល្បាញត្រូវបានបង្កើតឡើងជាលើកដំបូងនៅក្នុងឆ្នាំ 1950 ដោយគណិតវិទូដ៏ល្បីល្បាញ និងជាអ្នកវិទ្យាសាស្ត្រកុំព្យូទ័រ Alan Turing ។
គាត់បានអះអាងនៅក្នុងការងាររបស់គាត់។ គ្រឿងម៉ាស៊ីនកុំព្យូទ័រ និងបញ្ញា ថាម៉ាស៊ីនមួយគឺឆ្លាតវៃសិប្បនិម្មិត ប្រសិនបើវាអាចសន្ទនាជាមួយមនុស្សបាន ហើយបញ្ឆោតគាត់ឱ្យគិតថាគាត់កំពុងជជែកជាមួយមនុស្ស។
នេះបានបម្រើជាមូលដ្ឋានសម្រាប់បច្ចេកវិទ្យា NLP ។ ប្រព័ន្ធ NLP ប្រកបដោយប្រសិទ្ធភាពនឹងអាចចាប់យកសំណួរ និងបរិបទរបស់វា វិភាគវា ជ្រើសរើសសកម្មភាពល្អបំផុត និងឆ្លើយជាភាសាដែលអ្នកប្រើប្រាស់នឹងយល់។
ស្តង់ដារទូទាំងពិភពលោកសម្រាប់ការបំពេញភារកិច្ចលើទិន្នន័យរួមមាន បញ្ញាសិប្បនិម្មិត និងបច្ចេកទេសរៀនម៉ាស៊ីន។ ចុះយ៉ាងណាចំពោះភាសាមនុស្ស?
វិស័យនៃការបង្កើតភាសាធម្មជាតិ (NLG) ការយល់ដឹងភាសាធម្មជាតិ (NLU) និងដំណើរការភាសាធម្មជាតិ (NLP) សុទ្ធតែទទួលបានការចាប់អារម្មណ៍យ៉ាងខ្លាំងក្នុងប៉ុន្មានឆ្នាំថ្មីៗនេះ។
ប៉ុន្តែដោយសារអ្នកទាំងបីមានទំនួលខុសត្រូវខុសគ្នា វាជារឿងសំខាន់ណាស់ក្នុងការជៀសវាងការភាន់ច្រឡំ។ មនុស្សជាច្រើនជឿថាពួកគេយល់គំនិតទាំងនេះទាំងស្រុង។
ដោយសារភាសាធម្មជាតិមាននៅក្នុងឈ្មោះរួចហើយ អ្វីទាំងអស់កំពុងធ្វើគឺដំណើរការ យល់ និងផលិតវា។ យើងបានសម្រេចចិត្តថា វាអាចមានប្រយោជន៍ក្នុងការចូលជ្រៅជាងនេះបន្តិច ទោះជាយើងជួបប្រទះញឹកញាប់ប៉ុណ្ណា ឃ្លាទាំងនេះត្រូវបានប្រើប្រាស់ជំនួសគ្នា។
អាស្រ័យហេតុនេះ ចូរយើងចាប់ផ្តើមដោយពិនិត្យមើលយ៉ាងដិតដល់នូវពួកវានីមួយៗ។
តើដំណើរការភាសាធម្មជាតិជាអ្វី?
ភាសាធម្មជាតិណាមួយត្រូវបានចាត់ទុកថាជាអត្ថបទឥតគិតថ្លៃដោយកុំព្យូទ័រ។ វាធ្វើតាមថា ពេលបញ្ចូលទិន្នន័យ មិនមានពាក្យគន្លឹះថេរនៅកន្លែងថេរទេ។ បន្ថែមពីលើការមិនមានរចនាសម្ព័ន្ធ ភាសាធម្មជាតិក៏មានជម្រើសនៃការបញ្ចេញមតិផងដែរ។ សូមយកឃ្លាទាំងបីនេះជាឧទាហរណ៍៖
- អាកាសធាតុថ្ងៃនេះយ៉ាងម៉េចដែរ?
- ថ្ងៃនេះមានភ្លៀងធ្លាក់ទេ?
- តើថ្ងៃនេះតម្រូវឱ្យខ្ញុំយកឆ័ត្រមកទេ?
រាល់សេចក្តីថ្លែងការណ៍ទាំងនេះកំពុងសួរអំពីការព្យាករណ៍អាកាសធាតុសម្រាប់ថ្ងៃនេះ ដែលជាភាគបែងទូទៅ។
ក្នុងនាមជាមនុស្ស យើងស្ទើរតែអាចមើលឃើញការតភ្ជាប់មូលដ្ឋានទាំងនេះភ្លាមៗ ហើយធ្វើសកម្មភាពបានសមរម្យ។
ទោះយ៉ាងណាក៏ដោយនេះគឺជាក បញ្ហាប្រឈមសម្រាប់កុំព្យូទ័រ ដោយសាររាល់ algorithm ទាមទារការបញ្ចូល ដើម្បីធ្វើតាមទម្រង់ជាក់លាក់មួយ ហើយសេចក្តីថ្លែងការណ៍ទាំងបីមានរចនាសម្ព័ន្ធ និងទម្រង់ផ្សេងៗគ្នា។
ហើយអ្វីៗនឹងជួបការលំបាកក្នុងពេលឆាប់ៗនេះ ប្រសិនបើយើងព្យាយាមបង្កើតច្បាប់សម្រាប់ការផ្សំពាក្យនីមួយៗជាភាសាធម្មជាតិ ដើម្បីជួយកុំព្យូទ័រក្នុងការយល់ដឹង។ NLP ចូលទៅក្នុងរូបភាពក្នុងស្ថានភាពនេះ។
ដំណើរការភាសាធម្មជាតិ (NLP) ដែលព្យាយាម គំរូភាសាធម្មជាតិរបស់មនុស្ស ទិន្នន័យ មានប្រភពមកពីភាសាវិទ្យា
លើសពីនេះ NLP ផ្តោតលើការប្រើការរៀនម៉ាស៊ីន និងវិធីសាស្រ្តសិក្សាស៊ីជម្រៅ ខណៈពេលដែលដំណើរការបរិមាណដ៏សំខាន់នៃការបញ្ចូលរបស់មនុស្ស។ វាត្រូវបានប្រើប្រាស់ជាញឹកញាប់នៅក្នុងទស្សនវិជ្ជា ភាសាវិទ្យា វិទ្យាសាស្ត្រកុំព្យូទ័រ ប្រព័ន្ធព័ត៌មាន និងទំនាក់ទំនង។
ភាសាកុំព្យូទ័រ ការវិភាគវាក្យសម្ព័ន្ធ ការទទួលស្គាល់ការនិយាយ ការបកប្រែដោយម៉ាស៊ីន និងផ្នែករងផ្សេងទៀតនៃ NLP គឺមានតែមួយចំនួនប៉ុណ្ណោះ។ ដំណើរការភាសាធម្មជាតិបំប្លែងសម្ភារៈដែលមិនមានរចនាសម្ព័ន្ធទៅជាទម្រង់សមស្រប ឬអត្ថបទដែលមានរចនាសម្ព័ន្ធដើម្បីដំណើរការ។
ដើម្បីយល់ពីអត្ថន័យរបស់អ្នកប្រើ នៅពេលដែលពួកគេនិយាយអ្វីមួយ វាបង្កើតក្បួនដោះស្រាយ និងបណ្តុះបណ្តាលគំរូដោយប្រើទិន្នន័យយ៉ាងច្រើន។
វាដំណើរការដោយការដាក់ក្រុមផ្សេងគ្នារួមគ្នាសម្រាប់ការកំណត់អត្តសញ្ញាណ (ត្រូវបានគេស្គាល់ថាជាការទទួលស្គាល់អង្គភាព) និងដោយការទទួលស្គាល់គំរូពាក្យ។ Lemmatization, tokenization, និង stemming techniques ត្រូវបានប្រើដើម្បីស្វែងរកគំរូពាក្យ។
ការទាញយកព័ត៌មាន ការទទួលស្គាល់សំឡេង ការដាក់ស្លាកជាផ្នែកនៃការនិយាយ និងការញែកគឺគ្រាន់តែជាការងារមួយចំនួនដែល NLP ធ្វើ។
នៅក្នុងពិភពពិត NLP ត្រូវបានប្រើសម្រាប់កិច្ចការនានា រួមទាំងការបញ្ចូលព័ត៌មានវិទ្យា ការធ្វើគំរូភាសា។ ការវិភាគមនោសញ្ចេតនាការស្រង់ចេញប្រធានបទ ការទទួលស្គាល់អង្គភាពដែលមានឈ្មោះ ការដាក់ស្លាកផ្នែកនៃការនិយាយ ការទាញយកការតភ្ជាប់ ការបកប្រែម៉ាស៊ីន និងការឆ្លើយសំណួរដោយស្វ័យប្រវត្តិ។
តើការយល់ដឹងភាសាធម្មជាតិគឺជាអ្វី?
ផ្នែកតូចមួយនៃដំណើរការភាសាធម្មជាតិគឺការយល់ភាសាធម្មជាតិ។ បន្ទាប់ពីភាសាត្រូវបានធ្វើឱ្យសាមញ្ញហើយ កម្មវិធីកុំព្យូទ័រត្រូវតែយល់ កាត់ន័យ និងអាចធ្វើការវិភាគអារម្មណ៍ផងដែរ។
អត្ថបទដូចគ្នាអាចមានអត្ថន័យជាច្រើន ឃ្លាជាច្រើនអាចមានអត្ថន័យដូចគ្នា ឬអត្ថន័យអាចផ្លាស់ប្តូរអាស្រ័យលើកាលៈទេសៈ។
ក្បួនដោះស្រាយ NLU ប្រើវិធីសាស្រ្តគណនាដើម្បីដំណើរការអត្ថបទពីប្រភពជាច្រើន ដើម្បីយល់អត្ថបទបញ្ចូល ដែលអាចជាមូលដ្ឋានដូចជាការដឹងពីអត្ថន័យឃ្លា ឬស្មុគស្មាញដូចការបកស្រាយការសន្ទនារវាងបុគ្គលពីរនាក់។
អត្ថបទរបស់អ្នកត្រូវបានបំប្លែងទៅជាទម្រង់ម៉ាស៊ីនដែលអាចអានបាន។ ជាលទ្ធផល NLU ប្រើបច្ចេកទេសគណនាដើម្បីឌិគ្រីបអត្ថបទ និងបង្កើតលទ្ធផល។
NLU អាចត្រូវបានអនុវត្តក្នុងស្ថានភាពផ្សេងគ្នាដូចជាការយល់ដឹងពីការសន្ទនារវាងមនុស្សពីរនាក់ ការកំណត់ពីអារម្មណ៍របស់នរណាម្នាក់អំពីកាលៈទេសៈមួយ និងស្ថានភាពផ្សេងទៀតដែលមានលក្ខណៈដូចគ្នា។
ជាពិសេសមានកម្រិតភាសាចំនួនបួនដើម្បីចាប់យក NLU:
- វាក្យសម្ព័ន្ធ៖ នេះគឺជាដំណើរការនៃការកំណត់ថាតើវេយ្យាករណ៍កំពុងត្រូវបានប្រើប្រាស់យ៉ាងសមស្រប និងរបៀបដែលប្រយោគត្រូវបានដាក់បញ្ចូលគ្នា។ ជាឧទាហរណ៍ បរិបទ និងវេយ្យាករណ៍របស់ប្រយោគត្រូវតែយកមកពិចារណា ដើម្បីកំណត់ថាតើវាសមហេតុផលឬអត់។
- អត្ថន័យ៖ នៅពេលដែលយើងពិនិត្យមើលអត្ថបទ អត្ថន័យនៃបរិបទដូចជា កិរិយាសព្ទ tenor ឬការជ្រើសរើសពាក្យរវាងមនុស្សពីរនាក់គឺនៅទីនោះ។ ព័ត៌មានទាំងនេះក៏អាចត្រូវបានប្រើប្រាស់ដោយ NLU algorithm ដើម្បីផ្តល់លទ្ធផលពីសេណារីយ៉ូណាមួយដែលពាក្យនិយាយដូចគ្នាអាចត្រូវបានប្រើ។
- ការមិនយល់ស្របនៃអត្ថន័យនៃពាក្យ៖ វាគឺជាដំណើរការនៃការស្វែងយល់ពីអត្ថន័យនៃពាក្យនីមួយៗក្នុងឃ្លាមួយ។ អាស្រ័យលើបរិបទ វាផ្តល់អត្ថន័យរបស់វា
- ការវិភាគជាក់ស្តែង៖ វាជួយក្នុងការស្វែងយល់ពីការកំណត់ និងគោលបំណងនៃការងារ។
NLU មានសារៈសំខាន់ចំពោះ អ្នកវិទ្យាសាស្ត្រទិន្នន័យ។ ដោយសារតែដោយគ្មានវា ពួកគេខ្វះសមត្ថភាពក្នុងការទាញយកអត្ថន័យពីបច្ចេកវិទ្យាដូចជា chatbots និងកម្មវិធីសម្គាល់ការនិយាយ។
បន្ទាប់ពីបានទាំងអស់, មនុស្សត្រូវបានគេប្រើដើម្បីមានការសន្ទនាជាមួយ bot ដែលអាចនិយាយបាន; ម្យ៉ាងវិញទៀត កុំព្យូទ័រមិនមានភាពប្រណីតនៃភាពងាយស្រួលនេះទេ។
លើសពីនេះ NLU អាចស្គាល់អារម្មណ៍ និងពាក្យប្រមាថនៅក្នុងសុន្ទរកថាយ៉ាងពិតប្រាកដតាមដែលអ្នកអាចធ្វើបាន។ នេះបង្កប់ន័យថាអ្នកវិទ្យាសាស្ត្រទិន្នន័យអាចពិនិត្យយ៉ាងមានប្រយោជន៍នូវទម្រង់មាតិកាផ្សេងៗ និងចាត់ថ្នាក់អត្ថបទដោយប្រើសមត្ថភាពរបស់ NLU ។
NLG ធ្វើការផ្ទុយដោយផ្ទាល់ទៅនឹងការយល់ដឹងភាសាធម្មជាតិ ដែលមានបំណងរៀបចំ និងធ្វើឱ្យយល់អំពីទិន្នន័យដែលមិនមានរចនាសម្ព័ន្ធ ដើម្បីបំប្លែងវាទៅជាទិន្នន័យដែលអាចប្រើប្រាស់បាន។ បន្ទាប់មក ចូរកំណត់ NLG និងស្វែងយល់ពីវិធីដែលអ្នកវិទ្យាសាស្ត្រប្រើប្រាស់វាក្នុងករណីប្រើប្រាស់ជាក់ស្តែង។
តើអ្វីជាការបង្កើតភាសាធម្មជាតិ?
ដំណើរការភាសាធម្មជាតិក៏រួមបញ្ចូលការផលិតភាសាធម្មជាតិផងដែរ។ កុំព្យូទ័រអាចសរសេរដោយប្រើប្រាស់ភាសាធម្មជាតិ ប៉ុន្តែការយល់ដឹងភាសាធម្មជាតិផ្តោតលើការអានការយល់ដឹង
ដោយប្រើការបញ្ចូលទិន្នន័យជាក់លាក់ NLG បង្កើតចម្លើយជាលាយលក្ខណ៍អក្សរជាភាសាមនុស្ស។ សេវាកម្មអត្ថបទទៅការនិយាយ ក៏អាចប្រើដើម្បីបំប្លែងអត្ថបទនេះទៅជាការនិយាយផងដែរ។
នៅពេលដែលអ្នកវិទ្យាសាស្ត្រទិន្នន័យផ្គត់ផ្គង់ប្រព័ន្ធ NLG ជាមួយទិន្នន័យ ប្រព័ន្ធនឹងវិភាគទិន្នន័យដើម្បីបង្កើតការនិទានរឿងដែលអាចយល់បានតាមរយៈការសន្ទនា។
ជារួម NLG បំប្លែងសំណុំទិន្នន័យទៅជាភាសាដែលយើងទាំងពីរយល់ ហៅថាភាសាធម្មជាតិ។ ដើម្បីឱ្យវាអាចផ្តល់នូវលទ្ធផលដែលត្រូវបានសិក្សាដោយប្រុងប្រយ័ត្ន និងត្រឹមត្រូវក្នុងកម្រិតអតិបរមាដែលអាចធ្វើទៅបាន NLG ត្រូវបានផ្តល់ដោយបទពិសោធន៍របស់មនុស្សក្នុងជីវិតពិត។
វិធីសាស្រ្តនេះ ដែលអាចតាមដានការសរសេរមួយចំនួនរបស់ Alan Turing ដែលយើងបានពិភាក្សារួចហើយ មានសារៈសំខាន់ណាស់ក្នុងការបញ្ចុះបញ្ចូលមនុស្សថាកុំព្យូទ័រកំពុងសន្ទនាជាមួយពួកគេក្នុងលក្ខណៈដែលអាចជឿជាក់បាន និងធម្មជាតិ ដោយមិនគិតពីប្រធានបទនៅក្នុងដៃ។
NLG អាចត្រូវបានប្រើដោយអង្គការដើម្បីផលិតការនិទានកថាការសន្ទនាដែលអាចត្រូវបានប្រើដោយអ្នករាល់គ្នានៅក្នុងក្រុមហ៊ុន។
NLG ដែលត្រូវបានប្រើញឹកញាប់បំផុតសម្រាប់ផ្ទាំងគ្រប់គ្រងព័ត៌មានពាណិជ្ជកម្ម ការផលិតមាតិកាដោយស្វ័យប្រវត្តិ និងការវិភាគទិន្នន័យដែលមានប្រសិទ្ធភាពជាងមុន អាចជាជំនួយដ៏ធំដល់អ្នកជំនាញដែលធ្វើការក្នុងផ្នែកផ្សេងៗដូចជា ទីផ្សារ ធនធានមនុស្ស ការលក់ និងបច្ចេកវិទ្យាព័ត៌មាន។
តើ NLU និង NGL មានតួនាទីអ្វីនៅក្នុង NLP?
NLP អាចត្រូវបានប្រើដោយអ្នកវិទ្យាសាស្ត្រទិន្នន័យនិង ក្លែងបន្លំ អ្នកជំនាញដើម្បីបំប្លែងសំណុំទិន្នន័យដែលគ្មានរចនាសម្ព័ន្ធទៅជាទម្រង់ដែលកុំព្យូទ័រអាចបកប្រែទៅជាការនិយាយ និងអត្ថបទ ពួកគេថែមទាំងអាចបង្កើតការឆ្លើយតបដែលសមស្របតាមបរិបទចំពោះសំណួរដែលអ្នកសួរពួកគេ (គិតម្តងទៀតចំពោះជំនួយការនិម្មិតដូចជា Siri និង Alexa) ។
ប៉ុន្តែតើ NLU និង NLG សមនឹង NLP នៅឯណា?
ថ្វីត្បិតតែមានតួនាទីខុសៗគ្នាក៏ដោយ ក៏វិញ្ញាសាទាំងបីនេះ មានរឿងមួយដូចគ្នាដែរ គឺពួកគេនិយាយភាសាធម្មជាតិ។ ដូច្នេះតើអ្នកទាំងបីមានភាពខុសគ្នាយ៉ាងណា?
ពិចារណាវាតាមវិធីនេះ៖ ខណៈពេលដែល NLU មានគោលបំណងដើម្បីយល់ភាសាដែលមនុស្សប្រើ NLP កំណត់ទិន្នន័យសំខាន់បំផុត ហើយរៀបចំវាទៅជារឿងដូចជាអត្ថបទ និងលេខ។
វាថែមទាំងអាចជួយដល់ការទំនាក់ទំនងដែលបានអ៊ិនគ្រីបដែលមានគ្រោះថ្នាក់ផងដែរ។ ម្យ៉ាងវិញទៀត NLG ប្រើប្រាស់ការប្រមូលទិន្នន័យដែលមិនមានរចនាសម្ព័ន្ធ ដើម្បីផលិតរឿងដែលយើងអាចបកស្រាយថាមានអត្ថន័យ។
អនាគតនៃ NLP
ទោះបីជា NLP មានការប្រើប្រាស់ពាណិជ្ជកម្មនាពេលបច្ចុប្បន្នជាច្រើនក៏ដោយ អាជីវកម្មជាច្រើនបានរកឃើញថាវាពិបាកក្នុងការទទួលយកវាយ៉ាងទូលំទូលាយ។
នេះភាគច្រើនដោយសារតែបញ្ហាខាងក្រោម៖ បញ្ហាមួយដែលជារឿយៗប៉ះពាល់ដល់ស្ថាប័នគឺព័ត៌មានលើសចំណុះ ដែលធ្វើឱ្យវាពិបាកសម្រាប់ពួកគេក្នុងការកំណត់អត្តសញ្ញាណថាតើសំណុំទិន្នន័យណាដែលមានសារៈសំខាន់ចំពេលមានទិន្នន័យច្រើនដែលហាក់ដូចជាគ្មានទីបញ្ចប់។
លើសពីនេះទៀត ដើម្បីប្រើប្រាស់ NLP ប្រកបដោយប្រសិទ្ធភាព អង្គការតែងតែត្រូវការវិធីសាស្រ្ត និងឧបករណ៍មួយចំនួនដែលអាចឱ្យពួកគេទាញយកព័ត៌មានដ៏មានតម្លៃពីទិន្នន័យ។
ជាចុងក្រោយ NLP បង្កប់ន័យថា ក្រុមហ៊ុនត្រូវការគ្រឿងចក្រទំនើបៗ ប្រសិនបើពួកគេចង់គ្រប់គ្រង និងរក្សាការប្រមូលទិន្នន័យពីប្រភពទិន្នន័យផ្សេងៗដោយប្រើ NLP ។
ទោះបីជាមានឧបសគ្គរារាំងក្រុមហ៊ុនភាគច្រើនពីការទទួលយក NLP ក៏ដោយ វាហាក់ដូចជាថាអង្គការដូចគ្នាទាំងនេះនៅទីបំផុតនឹងទទួលយក NLP, NLU និង NLG ដើម្បីឱ្យមនុស្សយន្តរបស់ពួកគេអាចរក្សាបាននូវអន្តរកម្ម និងការពិភាក្សាដូចមនុស្សជាក់ស្តែង។
អត្ថន័យ និងវាក្យសម្ព័ន្ធគឺជាផ្នែករង NLP នៃការស្រាវជ្រាវដែលកំពុងទទួលបានការចាប់អារម្មណ៍ច្រើន។
សន្និដ្ឋាន
ដោយយកនូវអ្វីដែលយើងបានពិភាក្សារហូតមកទល់ពេលនេះដើម្បីពិចារណា៖ ការផ្តល់អត្ថន័យដល់សំឡេង និងការសរសេរ NLU អាន និងយល់ភាសាធម្មជាតិ ហើយ NLG បង្កើត និងបញ្ចេញភាសាថ្មីដោយមានជំនួយពីម៉ាស៊ីន។
ភាសាត្រូវបានប្រើប្រាស់ដោយ NLU ដើម្បីដកស្រង់ការពិត ចំណែក NLG ប្រើការយល់ដឹងដែលទទួលបានដោយ NLU ដើម្បីផលិតភាសាធម្មជាតិ។
សូមប្រយ័ត្នចំពោះអ្នកលេងធំៗនៅក្នុងឧស្សាហកម្ម IT ដូចជា Apple, Google និង Amazon ដើម្បីបន្តការវិនិយោគនៅក្នុង NLP ដូច្នេះពួកគេអាចធ្វើបាន អភិវឌ្ឍប្រព័ន្ធ ដែលធ្វើត្រាប់តាមអាកប្បកិរិយារបស់មនុស្ស។
សូមផ្ដល់យោបល់