人工智能（AI）正在改變我們對待世界的方式。 AI“機器人”無處不在。從我們的手機到亞馬遜的Alexa等設備，我們生活在一個被機器學習所包圍的世界裡。谷歌，Netflix，數據公司，視頻遊戲等都使用人工智能來梳理大量數據。最終結果是洞察力和分析，否則將是不可能的或需要太長時間。
毫無疑問，各種規模的企業都注意到大公司在人工智能方面取得的成功並加入其中。然而，並非所有AI在商業世界中都是平等的。某些形式的人工智能比其他形式更有用。
今天，我正在談論一種叫做自然語言處理（NLP）的東西。它是一種人工智能，專注於分析人類語言，以吸取見解，創建廣告，幫助您發短信（是的，真的）等等。
但為什麼是自然語言處理？
NLP是一種新興技術，可以驅動您過去常常看到的各種形式的AI。我之所以選擇專注於這項技術，而不是像基於數學的分析的人工智能，是因為NLP越來越大的應用。
這樣想吧。人類每天都會說成千上萬的其他人解釋的詞來做無數事。它的核心是簡單的溝通，但我們都知道單詞比這更深入。我們從某人所說的一切中得出了一個背景。他們是否用他們的肢體語言暗示某些東西，或者他們多久提到一些東西。雖然NLP並不專注於語音變形，但它確實利用了語境模式。
這是它獲得價值的地方。讓我們用一個例子來說明在實際情況下使用NLP的強大程度。當你在iPhone上打字時，就像我們很多人每天都在做的那樣，你會根據你輸入的內容和你當前正在輸入的內容看到單詞建議。這是自然語言處理的動作。
這是一件小事，我們大多數人都認為理所當然，多年來一直認為這是理所當然的，但這就是為什麼NLP變得如此重要。現在讓我們將其轉化為商業世界。有些公司正試圖決定如何最好地向用戶做廣告。他們可以使用Google查找用戶在搜索其產品時輸入的常用搜索字詞。
然後，NLP允許將數據快速彙編成與其品牌明顯相關的術語以及他們可能不期望的術語。利用不尋常的條款可以使公司有能力以新的方式進行廣告宣傳。
那麼NLP如何運作？
如上所述，自然語言處理是一種分析人類語言的人工智能。它採用多種形式，但其核心技術有助於機器理解，甚至與人類語言交流。但理解NLP並不是最簡單的事情。這是一種非常先進的AI形式，它最近才變得可行。這意味著我們不僅仍然在學習NLP，而且還很難掌握。
我決定在外行的任期內打破NLP。我可能不會觸及每個技術定義，但接下來是瞭解自然語言處理如何工作的最簡單方法。
NLP的第一步取決於系統的應用。基於語音的系統（如Alexa或Google智能助理）需要將您的單詞翻譯成文本。這是通常使用隱馬爾可夫模型系統（HMM）完成的。
HMM使用數學模型來確定您所說的內容並將其轉換為NLP系統可用的文本。以最簡單的方式，HMM收聽您的語音的10到20毫秒的剪輯，並尋找音素（最小的語音單位）與預先錄製的語音進行比較。接下來是對語言和語境的實際理解。每個NLP系統使用略有不同的技術，但總的來說，它們非常相似。系統試圖將每個單詞分解為其詞性（名詞，動詞等）。
這是通過一系列編碼語法規則實現的，這些規則依賴於包含統計機器學習的算法，以幫助確定您所說的內容。
如果我們不是在談論語音到文本的NLP，那麼系統只是跳過第一步，直接使用算法和語法規則分析單詞。最終結果是能夠以多種不同方式對所述內容進行分類。根據NLP軟件的基本焦點，結果以不同的方式使用。例如，SEO應用程序可以使用解碼的文本來提取與特定產品相關聯的關鍵字。
語義分析
在解釋NLP時，分解語義分析也很重要。 它與NLP密切相關，甚至可以說語義分析有助於形成自然語言處理的支柱。
語義分析是NLP AI如何在邏輯上解釋人類句子。 當HMM方法將句子分解為其基本結構時，語義分析有助於該過程添加內容。例如，如果NLP程序查看單詞“dummy”，則需要上下文來確定文本是否指的是將某人稱為“虛擬”，或者是否指的是類似汽車碰撞“虛擬”的內容。
如果HMM方法分解文本並且NLP允許人與計算機之間的通信，則語義分析允許所有內容在上下文中有意義。如果沒有語義分析師，我們幾乎不會擁有我們喜歡的人工智能水平。 隨著流程的進一步發展，我們只能期望NLP受益。
NLP以及更多
隨著NLP的發展，我們可以期待看到更好的人類與AI的互動。 Google的助手和亞馬遜的Alexa等設備正在進入我們的家庭甚至是汽車，這些設備正在顯示人工智能將繼續存在。
未來幾年應該會看到人工智能技術的增長更多，預計到2025年全球人工智能市場將增加600億美元。 不用說，你應該關注AI。
隨著人工智能科技的進步，越來越多的技術都融入了機器學習及深度學習技術。在Google I/O 2018大會上，谷歌為全世界詮釋了什麼叫做AI產品。其中。谷歌的開源計劃--AIY Projects(AIY計劃)受到了在場開發者的關注，其目標是讓每個Maker(創客)都能DIY自己的 AI 人工智能產品，讓更多人能學習、探索並體驗人工智能。
閱讀更多 引力空間站 的文章
