เทคโนโลยี NLP เป็นที่ซึ่งความมหัศจรรย์ของภาษามนุษย์มาบรรจบกับความสามารถของ AI (ปัญญาประดิษฐ์) ด้วยการกำเนิดของคอมพิวเตอร์และการแสวงหาความเข้าใจ การวิเคราะห์ทางภาษา และการประมวลผลภาษาโดยอัตโนมัติของมนุษย์ NLP จึงกลายเป็นเทคโนโลยีสำคัญที่ช่วยเชื่อมช่องว่างระหว่างมนุษย์กับคอมพิวเตอร์ ในบทความนี้เราจะพาทุกท่านทำความเข้าใจกับเทคโนโลยี NLP พร้อมโมเดลต่างๆ เพื่อการนำไปปรับใช้และผลักดันขอบเขตของสิ่งที่ AI สามารถทำได้

1. Natural Language Processing (NLP) คืออะไร ?

การประมวลผลภาษาธรรมชาติ หรือ Natural Language Processing (NLP) เป็นหนึ่งในแขนงของปัญญาประดิษฐ์ (Artificial Intelligence) และภาษาศาสตร์คอมพิวเตอร์ (Computational Linguistics) ที่เน้นการโต้ตอบสื่อสาร (interact) ระหว่างคอมพิวเตอร์และมนุษย์ โดยใช้เทคนิคและวิธีการต่างๆ เพื่อให้คอมพิวเตอร์สามารถเข้าใจ ตีความ และสร้างผลลัพธ์ที่มีความหมายและเป็นประโยชน์

2. NLP สำคัญอย่างไร ? 

เทคโนโลยี NLP ก้าวหน้าอย่างต่อเนื่อง จึงมีศักยภาพในการปฏิวัติวิธีที่เราสื่อสารกับคอมพิวเตอร์ เช่น

• ทำให้เราเทคโนโลยีเข้าถึงได้ง่ายขึ้น ใช้งานง่าย

• สามารถเข้าใจและช่วยเหลือเราในชีวิตประจำวันได้

• มีเป้าหมายสูงสุดคือ การทำให้คอมพิวเตอร์เข้าใจและสร้างภาษาในลักษณะที่คล้ายกับมนุษย์

3. องค์ประกอบและเทคนิคสำคัญของการสร้าง NLP

เพื่อเพิ่มขีดความสามารถของการประมวลผลทางภาษา Language models จึงเป็นส่วนสำคัญของโมเดลภาษาใน NLP ที่ช่วยให้คอมพิวเตอร์สามารถประมวลผล ทำความเข้าใจ และสร้างภาษาที่เป็นธรรมชาติมากขึ้น ด้วยการรวมเทคนิคเหล่านี้เข้ากับไปป์ไลน์ของ NLP ช่วยขับเคลื่อนการทำงานที่หลากหลาย เช่น การแปลภาษาด้วยคอมพิวเตอร์ การสร้างข้อความ การวิเคราะห์ความรู้สึก และอื่นๆ

ตัวอย่าง :

3.1 Tokenization - การแยกส่วนของข้อความออกเป็นหน่วยเล็กๆ

• Bag-of-Words (BoW): เป็นเทคนิคที่ง่ายและใช้กันทั่วไป จากการแสดงข้อความในรูปแบบ Collection ของคำโดยไม่สนใจไวยากรณ์ หรือลำดับคำ โมเดลนี้สร้างเวกเตอร์ของเอกสารข้อความโดยพิจารณาถึงความถี่ของคำที่ปรากฏในเอกสารนั้นๆ มักใช้เป็น Input สำหรับงานอย่างการจัดประเภทข้อความและการดึงข้อมูล

•  Word Embeddings: การแทน ”คำ” เป็น “ตัวเลขเวกเตอร์” ที่สามารถเก็บความสัมพันธ์และความหมายระหว่างคำได้ เช่น Word2Vec, GloVe, และ FastText เป็นโมเดล Word embedding ที่นิยมใช้ ซึ่งโมเดลเหล่านี้เรียนรู้การแสดงความหมายของคำในเนื้อหาของประโยคตัวอย่าง
  
  

3.2 Deep learning - การจำลองรูปแบบการประมวลผลของสมองมนุษย์

•  Recurrent Neural Networks - RNN: คือ Artificial Neural Network รูปแบบหนึ่งที่สามารถประมวลผลข้อมูลตามลำดับ เช่น ข้อความ (ลำดับตัวอักษร), วิดีโอ (ลำดับของภาพและเสียง) เป็นต้น และช่วยเก็บรักษาหน่วยความจำภายในหรือสถานะที่ซ่อนอยู่ 

• Convolutional Neural Networks - CNN: เป็นโมเดลที่ใช้ในการประมวลผลรูปภาพได้ดี ด้วยสมการ ใน NLP โมเดล CNN มักถูกใช้สำหรับการจัดประเภทข้อความหรือวิเคราะห์อารมณ์ เพื่อเพิ่มความสามารถในการเก็บข้อความและความสัมพันธ์ระหว่างคำในข้อความ

4. ความสามารถของ NLP

การเข้าใจภาษามนุษย์ของ NLP ครอบคลุมเทคนิคและอัลกอริธึมที่หลากหลาย ช่วยให้คอมพิวเตอร์สามารถดึงความหมายจากข้อความ จำแนกเอกสาร ระบุตัวตน เข้าใจความรู้สึก และสร้างภาษาที่สอดคล้องกัน ในวิธีที่ต่างๆ 

ตัวอย่าง :

4.1 Text Classification: การจัดกลุ่มข้อมูล แบ่งออกเป็นประเภทหรือหมวดหมู่ต่างๆ โดยแต่ละข้อมูลอาจอยู่ได้มากกว่าหนึ่งหมวด ตัวอย่างการใช้งาน เช่น spam detection หรือการจัดประเภทอีเมลที่เป็นเป็นอีเมลขยะ หรือ อีเมลสำคัญ 

4.2 Named Entity Recognition - NER: การระบุและจัดประเภทนามที่มีชื่อ เช่น ชื่อคน ชื่อองค์กร สถานที่ ตัวเลข จำนวนเงิน วันเวลา เป็นต้น ช่วยในการดึงข้อมูลที่มีโครงสร้างออกจากข้อความที่ไม่มีโครงสร้าง

การใช้ Named Entity Recognition เพื่อระบุและจัดประเภทนาม

4.3 Sentiment Analysis: การวิเคราะห์อารมณ์ ความรู้สึก ที่อยู่ในข้อความ ใช้สำหรับการจำแนกข้อความที่เป็นเชิงบวก เชิงลบ หรือเป็นกลาง ของแต่ละบุคคล เช่น ทัศนคติหรือความสับสน เป็นต้น 

การใช้ Sentiment Analysis เพื่อวิเคราะห์อารมณ์ที่อยู่ในข้อความ

4.4 Text Summarization: สร้างข้อสรุปจากข้อความที่มีเนื้อหายาว โดยรักษาใจความสำคัญของข้อความไว้ เพื่อให้ผู้ใช้เห็นภาพรวมที่กระชับของเอกสาร ประหยัดเวลาและความพยายามในการอ่านและทำความเข้าใจข้อความยาวๆ 

4.5 Machine Translation: การแปลภาษา จากภาษาหนึ่งไปเป็นอีกภาษา ใช้โมเดลการแปลภาษาในรูปแบบของระบบ NMT (Neural Machine Translation) เพื่อประมวลผลและทำความเข้าใจโครงสร้าง ไวยากรณ์ และความหมายของภาษาต่างๆ 

4.6 Question Answering: ระบบการตอบกลับอัตโนมัติที่มีเป้าหมายในการตอบคำถามอย่างเป็นธรรมชาติ โดยการทำความเข้าใจความหมายและบริบทของคำถาม ค้นหาข้อมูลที่เกี่ยวข้อง และให้คำตอบที่เฉพาะเจาะจง 

4.7 Language Generation: เทคนิคการสร้างข้อความครอบคลุมการใช้งานที่หลากหลาย ตั้งแต่การเติมข้อความ การสรุป ไปจนถึงการเขียนเชิงสร้างสรรค์ ใช้ประโยชน์จากอัลกอริทึมขั้นสูงเพื่อสร้างข้อความที่คล้ายกับภาษามนุษย์ แสดงความคล่องแคล่ว และการเชื่อมโยงกัน โดยสามารถนำมาใช้สร้างระบบสนทนาอย่าง Chatbot 

5. ใช้งาน NLP ง่ายขึ้นบน Google Cloud

Google Cloud นำเสนอชุดครื่องมือและบริการที่ครอบคลุมเพื่อปลดล็อกศักยภาพของเทคโนโลยี NLP ในการสร้างและดึงข้อมูลเชิงลึกที่มีค่าจากข้อมูลข้อความ ยกตัวอย่างเครื่องมือบน GCP สำหรับ NLP เช่น 

Natural Language API : เป็นโมเดลที่ได้รับการฝึกฝน ช่วยให้ Developer สามารถใช้ความสามารถของ ใช้โมเดล NLP เพื่อวิเคราะห์และทำความเข้าใจข้อความในระดับต่างๆ ได้อย่างง่ายดาย

AutoML Natural Language : Developer สามารถกำหนดโมเดล NLP ของตนได้โดยไม่ต้องพึ่งความเชี่ยวชาญทางด้าน Machine Learning สามารถสร้างโมเดลที่ปรับให้เหมาะกับโดเมนหรือกรณีการใช้งานเฉพาะ ทำให้สามารถวิเคราะห์ข้อมูลข้อความได้แม่นยำและตรงความต้องการมากขึ้น

Make It Now!

หากคุณสนใจต้องการคำปรึกษา Cloud Ace Thailand พร้อมให้บริการที่จะสนับสนุนคุณตั้งแต่ การให้คำปรึกษา จนถึงการออกแบบระบบ ติดตั้งระบบ ย้ายระบบ ในฐานะ Google Cloud Partner ที่มีความเชี่ยวชาญ และได้รับรางวัล Service partner of the year ในปี 2019

ติดต่อเรา th_sales@cloud-ace.com