Menü

Acht Ansätze zur Verarbeitung natürlicher Sprache mit Hilfe von KI

Eine Person, die ein Smartphone hält
Inhalt

Diese Seite teilen

Mike McNamara
375

In der heutigen Welt ist KI, die natürliche Sprachen unterstützt, nicht nur ein „nettes Extra“, sondern eine Notwendigkeit. Laut Gartner werden bis 2024 bis zu 80% der digitalen Markenerlebnisse über virtuelle Menschen an Verbraucher ausgeliefert werden.

Konversationelle KI geht weit über Chatbots hinaus. KI-Systeme, die natürliche Sprache verarbeiten, engagieren sich in einen humanähnlichen Dialog, verstehen den Kontext und bieten intelligente Antworten in Millisekunden. Einfach ausgedrückt ist die natürliche Sprachverarbeitung ein Computerprogramm, das die menschliche Sprache so versteht, wie sie gesprochen wird. Die natürliche Sprachverarbeitung verändert sich ständig: Neue technologische Entwicklungen und ständig wechselnde Strategien optimieren die Art und Weise, wie KI die Sprache verarbeitet.

Gartner hat in Gartner 2021 Strategic Roadmap for Enterprise AI: Natural Language Architecture, Anthony Mullen, Magnus Revang, Stephen Emmott, Erick Brethenoux, Bern Elliot, Jessica Ekholm , 15. Dezember 2020 acht Ansätze zur Verarbeitung natürlicher Sprache aufgelistet:

#1 Generalisierte Sprachmodelle oder Transformatormodelle

Im Jahr 2020 haben viele Anbieter diesen neuen, disruptiven Ansatz für die Sprachverarbeitung übernommen. Die Modelle werden von Insight Engines, Textanalysen, Natural Language Generation (NLG) und Konversations-KI in allen Bereichen des NL-Technologie-Workflows verwendet. Diese generalisierten Sprachmodelle werden häufig mit Transfer Learning verwendet, um vorgefertigte Deep-Learning-Modelle (mit Billionen von Parametern) zu verwenden und benutzerdefinierte Modelle für Branchen und Unternehmen zu erstellen. Beispiele für diese Modelle sind BERT/Meena und GPT2/3.

#2 Konversationelle Middleware

Mit dieser Middleware können Sie eine flexible Kombination von Sprach- und Konversations-Engines einsetzen. Entkopplung der zugrundeliegenden Engine von ihren Trainingsdaten und ihrer Dialoggestaltung und -integration. Typische Engines, die von diesen Middleware-Anbietern verwendet werden, sind Amazon Lex, Microsoft Bot Framework, Google Dialogflow, IBM Watson und Rasa. (Siehe Nutzung von KI-Middleware zur Gestaltung von Chatbots und virtuellen Assistenten).

#3 Erweiterung von Suche und Konversation auf computergestützte Abfragen

Die meisten BI-Tools (Business-Intelligence) bieten eine Art natürliche Sprachschnittstelle für ihre Arbeit. Der Ansatz der meisten von ihnen ist jedoch nicht ganz konversationell. Computergestützte Abfragen verbessern sich jedoch schnell. Das neueste vielversprechende Tool ist Google TAPAS, das generalisierte Sprachmodelle für den Zugriff auf tabellarische Daten verwendet. Mehr über die Entwicklung von BI und natürlicher Sprache erfahren Sie in diesem Bericht: Worlds Collide as Augmented Analytics Draws Analytics, BI and Data Science Together.

#4 Modular Deep Learning Stacks und Module von NL-Anbietern

Große Anbieter wie Alibaba, Oracle, IBM und Microsoft entwickeln Dokumenten-, sprach-, Übersetzungs- und Gesprächsfunktionen über einen gemeinsamen Stack aus NL-Modellen und gemeinsamen Komponenten.

#5 Demokratisierung der Bürgerentwicklung von NL-Erfahrungen

Ob zur Suche oder Konversation, viele Anbieter haben das WYSIWYG ihrer Tools für Bürgerentwickler optimiert und ihre nichttechnischen Schnittstellen zugänglicher gemacht. Low-Code- und No-Code-Designtools sind für mehr als lediglich einen Dialog verfügbar. Der Dialog ist nur eines von vielen Elementen, die bürgerliche Entwickler ohne technische Kenntnisse entwickeln können. Heutzutage bieten Low-Code- und No-Code-Plattformen oft nicht nur Dialogdesign, sondern auch RPA und die Entwicklung von Suchanwendungen zusammen mit Standard-Web-2.0-Design-Elementen.

#6 Anbieter von multimodalen Angeboten, die Sprachmodelle um Computer Vision und Übersetzung ergänzen.

Die Sprachdienste entwickeln sich immer mehr zu multimodalen Diensten, die eine reichhaltige und natürliche Kommunikation zwischen Menschen und Maschinen ermöglichen. Openstream bietet Ihnen beispielsweise die Möglichkeit, gleichzeitig mit Mapping-Anwendungen zu kommunizieren und zu interagieren. Und Baidu Translate greift nicht nur die Hinweise von gesprochenen Worten auf, sondern auch von visuellen Objekten in einer Videoszene.

#7 Entwicklung des Datenzugriffs, Metadatenmanagement und grafikgestützte Systeme

Heutzutage ist der Stand der Technik bei der verteilten Datenverwaltung und -anreicherung die Data Fabric. Ihre Data Fabric kann Ihnen wiederverwendbare Datendienste, Pipelines, semantische Ebenen und APIs durch eine Kombination von Datenintegrationsansätzen bereitstellen. Sie können Data Fabrics weiter verbessern, indem Sie dynamische Schemaerkennung oder sogar kostenorientierte Optimierung hinzufügen (siehe Entmystifizierung der Data Fabric).

#8 Eine neue Pipeline von Tools und Dienstleistungen für NL-Projekte

Unternehmen, die sich mit Datenkennzeichnung und -kommentierung befassen, unterstützen zunehmend Text-, Sprach- und Dokumentkommentierungsdienste sowie Computervision. Die Übersetzungsfirmen managen ihre Workloads mit Hilfe von Übersetzungszentren, die sowohl Modelle als auch Mitarbeiter umfassen.

Weitere Informationen

NetApp vereinfacht das Datenmanagement, damit Sie sich auf die KI-Wissenschaft konzentrieren können. Wir stellen mehr Leistung zur Verfügung, für mehr Daten, für mehr KI, und zwar schneller. Mit NetApp® Lösungen besteht für Sie ein geringeres Risiko, und Sie können dort auf Ihre Daten zugreifen, wo Sie sie benötigen. Die KI-Lösungen von NetApp beheben Engpässe am Edge, im Core und in der Cloud und ermöglichen eine effizientere Datenerfassung, beschleunigte NLP-Workloads und eine reibungslosere Cloud-Integration. Besuchen Sie unsere KI-Homepage und lesen Sie unseren Blog über konversationelle KI, um mehr zu erfahren.

Mike McNamara

Mike McNamara ist Senior Leader of Product and Solution Marketing bei NetApp und blickt auf 25 Jahre Erfahrung im Marketing für Datenmanagement und Data Storage zurück. Vor seinem Wechsel zu NetApp vor über 10 Jahren arbeitete Mike bei Adaptec, EMC und HP. Mike war einer der wichtigsten Teamleiter bei der Einführung der branchenweit ersten KI/ML-Lösung mit Cloud-Anbindung (NetApp), des einheitlichen Scale-out- und Hybrid-Cloud-Storage-Systems und der dazugehörigen Software (NetApp), des iSCSI- und SAS-Storage-Systems und der dazugehörigen Software (Adaptec) sowie des Fibre Channel-Storage-Systems (EMC CLARiiON). Nachdem er bereits der Marketing Chair für die Fibre Channel Industry Association war, ist er nun Mitglied des Ethernet Technology Summit Conference Advisory Board und der Ethernet Alliance. Er schreibt regelmäßig Beiträge für Branchenzeitschriften und spricht häufig bei entsprechenden Veranstaltungen. Darüber hinaus veröffentlichte Mike bei FriesenPress ein Buch mit dem Titel „Scale-Out Storage - The Next Frontier in Enterprise Data Management“ und wurde bei Kapos als einer der Top 50 B2B-Produktvermarkter gelistet, die es zu beobachten gilt.

Alle Beiträge von Mike McNamara anzeigen

Hilfreiche Links