{"id":16419,"date":"2022-04-04T08:45:12","date_gmt":"2022-04-04T08:45:12","guid":{"rendered":"https:\/\/www.wfglobal.org\/?post_type=press&p=16419"},"modified":"2022-04-04T08:45:12","modified_gmt":"2022-04-04T08:45:12","slug":"pemrosesan-bahasa-alami-merupakan-lompatan-besar-dalam-berbicara-dengan-pikiran-manusia","status":"publish","type":"press","link":"https:\/\/wadhwanifoundation.org\/id\/press\/natural-language-processing-a-big-leap-in-conversing-with-the-human-mind\/","title":{"rendered":"Pemrosesan Bahasa Alami: Lompatan Besar dalam Berkomunikasi dengan Pikiran Manusia"},"content":{"rendered":"

NLP dapat menjadi keuntungan besar dalam membangun chatbot bahasa daerah, tetapi banyak hal yang perlu dilakukan sebelum kita sampai di sana.<\/em><\/p>\n

Oleh Prakash Kumar dan Apoorv Vishnoi<\/p>\n

Pernahkah Anda bertanya-tanya bagaimana email spam disaring, mesin pencari memunculkan halaman yang paling sesuai, aplikasi word terus mengoreksi tata bahasa, asisten suara berbicara kepada kita saat menulis pesan di WhatsApp, Anda mendapatkan saran untuk beberapa kata berikutnya? Bagaimana para penilai dengan cepat menemukan kasus plagiarisme dalam tugas yang dikirimkan secara online? Di balik semua itu, ada sebuah aplikasi Kecerdasan Buatan (AI) utama yang disebut Pemrosesan Bahasa Alami atau NLP.<\/p>\n

Kita, manusia, selalu terpesona oleh orang lain yang dapat berbicara seperti kita, apakah itu burung beo atau asisten suara seperti Alexa. Sekarang, burung beo hanya mengulangi apa yang mereka dengar tanpa memahami arti sebenarnya dari apa yang mereka katakan. Namun, asisten suara kita lebih pintar dari itu; mereka dapat melakukan tugas-tugas yang berarti bagi kita, mengendalikan perangkat kita dan bahkan melakukan percakapan interaktif dengan kita. Bidang utama yang memberi asisten suara kekuatan ini adalah Pemrosesan Bahasa Alami atau (NLP). Sederhananya, NLP memungkinkan perangkat untuk memproses bahasa alami dalam format tertulis atau lisan dan berinteraksi dengan kita. Dalam hal perintah lisan, ada langkah lain yaitu konversi dari ucapan ke teks saat kita berbicara dengan perangkat dan teks ke ucapan saat perangkat berbicara kepada kita.<\/p>\n

Bagaimana perangkat ini memahami bahasa alami seperti bahasa Inggris, Hindi, atau Prancis? Komputer dan algoritme tidak benar-benar memahami kata-kata. Teks diubah menjadi angka oleh program komputer karena komputer hanya memahami angka. Dalam kasus NLP, ada proses perantara yang disebut konversi ucapan manusia menjadi properti atau karakteristik yang dapat dihitung yang disebut vektor fitur seperti maksud, waktu, dan sentimen. Hal ini diperlukan karena bahasa, tidak seperti perintah komputer, memiliki banyak nuansa. Semua ini terjadi dengan menggunakan pembelajaran mesin khusus dan algoritma pembelajaran mendalam. Aplikasi ini kemudian dilatih untuk tugas-tugas tertentu dengan menggunakan data dalam jumlah besar. Ketika kita menggunakan aplikasi semacam itu di ponsel kita untuk mendiktekan pesan, kita tidak hanya menggunakan aplikasi NLP tetapi juga memberikan lebih banyak data yang digunakan oleh program untuk meningkatkan kinerjanya. Dengan kata lain, aplikasi ini terus belajar, itulah sebabnya kami melihat peningkatan dalam kinerjanya saat kami semakin sering menggunakan aplikasi tersebut.<\/p>\n

Kami mendapatkan peringatan tentang sentimen yang ada di platform media sosial seperti Twitter, terutama ketika sebuah insiden terjadi seperti kekalahan India dalam pertandingan kriket di Piala Dunia T20. Bagaimana cara melakukannya? Dengan membaca sebuah tweet, kita dapat mengetahui apakah teks tersebut menampilkan sentimen Positif atau Negatif atau Netral. Aplikasi berbasis NLP dilatih untuk menganalisis tweet dengan melihat kata \/ frasa setelah menghilangkan artikel, tanda baca, dll. Sebuah kamus kata\/frasa disiapkan berdasarkan tweet sebelumnya, menandainya sebagai negatif, positif atau netral. Tweet baru dilihat dengan tagar yang sesuai seperti @T20World Cup sebagai contoh, dan dengan menggunakan NLP dievaluasi apakah orang senang, sedih atau netral dengan hasilnya.<\/p>\n

Bisnis menggunakan alat berbasis NLP. Salah satu aplikasi tersebut adalah mengidentifikasi topik dalam dokumen besar dan meringkas laporan. Menggunakan algoritme yang terlatih untuk meringkas laporan-laporan ini menjadi poin-poin penting akan menghemat banyak waktu. Alat untuk menulis laporan ringkasan digunakan oleh firma hukum dan departemen pemerintah di mana mereka harus membaca banyak halaman.<\/p>\n

Pemerintah mengundang saran dari masyarakat mengenai rancangan kebijakan. Banyaknya tanggapan membuat sulit untuk menganalisis ribuan tanggapan secara manual. Alat NLP sangat cocok untuk melakukan hal ini untuk instansi pemerintah.<\/p>\n

Chatbots, yang merupakan alat berbasis NLP, tiba-tiba menjadi sangat populer di situs web. Mereka dilatih tentang FAQ dan dapat menjawab panggilan secara efektif, sehingga meringankan beban staf meja bantuan. Mereka juga menyelesaikan pertanyaan yang bersifat informasi, yang sulit ditemukan oleh banyak orang di situs web. Banyak departemen pemerintah telah mulai menggunakan Chatbots. Langkah selanjutnya dapat berupa Chatbot Multibahasa di portal Pemerintah untuk memungkinkan orang-orang dari berbagai negara bagian untuk berinteraksi dan mendapatkan informasi \/ bantuan dengan berbicara dalam bahasa ibu mereka atau menggunakan teks.<\/p>\n

Asisten Suara adalah aplikasi NLP yang paling terkenal. Mereka adalah perpaduan dari beberapa teknologi yang sedang berkembang: Seorang manusia akan berkata, \u201chei asisten, nyalakan lampu\u201d. Melalui pengenalan suara, kata-kata yang diucapkan akan diubah menjadi teks; teks akan diubah menjadi angka yang dimengerti oleh sistem; angka-angka tersebut akan melewati serangkaian algoritma NLP terlatih yang akan memberikan pesan tentang tindakan. Pesan tindakan tersebut disampaikan ke bola lampu menggunakan Internet of Things atau IoT, dan akhirnya, bola lampu dinyalakan. Tentu saja, semua ini akan terjadi dalam sepersekian detik.<\/p>\n

Kasus penggunaan penting lainnya dari NLP adalah penerjemahan bahasa. Banyak aplikasi yang tersedia untuk membantu pengguna menerjemahkan dari satu bahasa ke bahasa lain. Untuk negara seperti kita, yang memiliki 22 bahasa resmi, penerjemah terlatih NLP dapat membantu kita mengonversi dokumen, situs web, pemberitahuan publik ke berbagai bahasa daerah. Bahkan, aplikasi ini juga dapat membantu kita berbicara dalam bahasa daerah.<\/p>\n

Meskipun banyak kemajuan yang telah dicapai, namun saat ini, NLP tidak dapat memberikan akurasi yang sangat tinggi pada tugas-tugas. Bahkan akurasi 75% dianggap cukup baik. Salah satu alasannya adalah karena bahasa memiliki atribut yang kompleks seperti sarkasme, ironi, idiom, dan masih banyak lagi. Sebagai contoh, seseorang menulis \u2018Saya ingin melompat dari jembatan\u2019. Aplikasi ini merespons dengan daftar enam jembatan yang ada di sekitarnya. Seorang penumpang yang frustasi men-tweet, \u201c@XXX Terima kasih telah mengirimkan bagasi saya ke Hyderabad dan menerbangkan saya ke Kalkuta pada waktu yang sama. Pelayanan yang brilian. #XXX.\u201d Chatbot maskapai menjawab, \u201cSenang mendengarnya. #Tetap Terbang XXX.\u201d Selain itu, algoritme NLP sangat spesifik untuk domain tertentu, sehingga algoritme yang dilatih untuk menganalisis dokumen hukum tidak akan cocok untuk menganalisis rekam medis.<\/p>\n

Akhirnya, algoritma NLP memberikan hasil yang lebih baik untuk bahasa seperti bahasa Inggris, yang memiliki banyak data yang tersedia. Jika kita membutuhkan performa yang sama pada bahasa daerah, kita perlu melakukan banyak upaya untuk mengumpulkan dan membersihkan data serta melatih aplikasi ini.<\/p>","protected":false},"excerpt":{"rendered":"

NLP could be a big boon in conversation building regional language chatbots but a lot needs to be done before we get there. By Prakash Kumar and Apoorv Vishnoi Have you wondered how spam emails get filtered out, search engines throw up most appropriate pages, word application keeps on correcting grammar, voice assistants talk to […]<\/p>\n","protected":false},"author":31,"featured_media":16133,"template":"","tags":[7],"press-category":[],"coauthors":[],"class_list":["post-16419","press","type-press","status-publish","has-post-thumbnail","hentry","tag-authored-articles"],"acf":[],"_links":{"self":[{"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/press\/16419","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/press"}],"about":[{"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/types\/press"}],"author":[{"embeddable":true,"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/users\/31"}],"version-history":[{"count":0,"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/press\/16419\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/media\/16133"}],"wp:attachment":[{"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/media?parent=16419"}],"wp:term":[{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/tags?post=16419"},{"taxonomy":"press-category","embeddable":true,"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/press-category?post=16419"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/wadhwanifoundation.org\/id\/wp-json\/wp\/v2\/coauthors?post=16419"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}