关于NLP未来的五大预期

人工智能（AI）的一个子领域被称为 “自然语言处理”，或简称 “NLP“，使机器能够理解、解码和解释人类语言。NLP模型可以被训练来理解文本格式（如PDF）或音频格式（如语音命令）的数据。NLP技术的使用已经在众多行业中得到了广泛的应用。

由于人工智能处理器和芯片的进步，企业现在可以创建更复杂的NLP模型，这对投资和技术的采用率有有利的影响。技术的典型使用案例可能会因为更有效的NLP模型而改变。为了帮助一系列企业的高管做出投资决策，我们在本文中提出了我们对NLP未来的五大预测（见图1）。

一. 对NLP的投资将继续上升

根据Market & Market报告1，截至2022年，NLP市场规模约为160亿美元，到2027年将达到约500亿美元，年均增长率超过25%（见图2）。根据分析，北美是NLP的最大市场。另一方面，东亚地区对NLP解决方案的投资很大。

图2：NLP市场概况。

NLP市场的快速增长与3个因素有关。

1. 机器学习技术的进步

NLP模型的大脑可以等同于AI芯片。芯片越强大，机器的计算能力就越强，可以进行的类似人类的互动就越多。AI芯片制造商设计的处理器可以处理更多的参数，增加NLP系统的模型规模。

从图3可以看出，我们在2018年有处理不到1亿个参数的模型（这已经很了不起了）。NLP模型现在可以解释超过1000亿个参数，这表明发展了1000多倍。3虽然不是所有的组织都使用这样的大模型（他们不应该这样做，这对很多企业来说不是明智的投资），但芯片技术的改进对NLP模型的一般能力有积极的影响。

图3：大型语言模型的模型大小。

2. 增强的数据可用性和质量

另一个增强NLP系统能力的因素是数据的可用性和质量。图4说明了数据可用性的指数式增长，预计这种增长将继续下去。

为了提高训练数据的质量，有许多数据标签工具可以对文本或音频数据进行注释。这两者加在一起也有助于NLP市场的扩张。

图4：数据量

3. 客户的期望值不断提高

根据埃森哲的研究，超过75%的CEO希望完全改变他们管理客户关系的方法，以跟上不断变化的消费者需求。由于客户期望与品牌进行快速互动，企业被迫实施NLP模型。

二. 对话式人工智能工具将更加智能

对话式人工智能是NLP的一个分支，可以理解和回应人。它是背后的技术：

• 聊天机器人
• 智能虚拟助理（IVA）
• 语音机器人（语音助手）
• 数字工作者（digeys）。

由于NLP模型的进步，对话式人工智能工具可以更好地识别人类语言的细微差别（意图识别）。此外，由于加强了自然语言理解（NLU），这些工具可以更好地与人沟通。

由于对话式人工智能的进步，我们预计在不久的将来，以下3个术语将与公司更加相关：

1. 对话式商务

对话式商务是一种新的营销策略，旨在提高客户的舒适度。从事对话式商务的企业使用全渠道平台，现场代理、聊天机器人和群发信息工具在不同的渠道与客户沟通，例如：

• WhatsApp (WhatsApp Business API)
• Facebook Messenger
• 公司的移动应用程序
• 公司的网站
• 公司的呼叫中心，等等。

对话式商务是一个适合零售、电子商务和酒店业的战略。以下是对话式商务的一些使用案例：

• 通过NLP进行产品推荐：用户可能熟悉他们的问题（如漏水），但不熟悉解决这个问题所需的产品（如屋顶瓦片、柏油）。通过用户和聊天机器人之间的双向交流，用NLP的产品发现帮助客户发现相关的物品（见图5）。
• 客户支持： 客户有各种各样的询问，从交付细节到经常问的问题。对话式人工智能工具使公司能够自动回答客户的询问。
• 签证资格筛选： 招待聊天机器人可以根据用户提供的个人信息评估你的签证资格。

图5：通过解释产品细节，聊天机器人通过NLP进行产品推荐。（Source: Haptik）

图6：帮助客户退款的WhatsApp聊天机器人实例（Source: Haptik）

2. 对话式银行业务

对话式银行业务是金融服务中对话式商务的实施。金融机构利用他们的客户互动，通过：

• 银行聊天机器人
• 财富管理聊天机器人
• 抵押贷款聊天机器人。

由于对话式银行业务，金融公司可以实现自动化：

1. 客户入职。
2. 发放抵押贷款的文件收集和验证过程。
3. 提供股票建议（见图7）。

图7：聊天机器人向客户提供股票建议（Source: Haptik）

3. 智能自动化

由于对话式人工智能，员工可以与数字工人等智能自动化技术接触，并指示他们进行各种活动（见图8）。端到端的自动化是通过智能自动化工具提供的。它们能够连续和自主地工作。因此，它们是增强你的员工和提高其生产力的有效工具。

图8：员工如何与数字工作者接触（Source: AIMultiple）

智能自动化工具，如数字工人有以下使用情况：

1. 撰写和发送电子邮件。
2. 从CRM和ERP会计工具中提取数据。
3. 解释和可视化数据。
4. 招募人员
5. 报告以及更多。

你可以通过阅读我们关于对话式人工智能的未来的五大期望，找到我们关于对话式商务的详细期望。

三. 公司将使用NLG来生成文本

自然语言生成（NLG）是NLP的一个分支。NLG对于内容创作者和营销人员来说已经是一个有用的人工智能应用。然而，AIMultiple认为更多的公司将使用自动文本生成和NLP驱动的内容编辑工具，因为

• 公司开始在营销方面投入更多。例如，在2022年，公司的营销支出从总预算的6.4%扩大到9.5%。
• 大约60%的公司通过内容营销获得新客户。

NLP可以缓解营销人员的任务，因为有以下使用案例：

• 内容翻译： 公司通过客户喜欢的语言与他们接触是有益的。NLP的发展允许高质量的机器翻译。有一些供应商专门提供自动翻译服务。然而，多年来，即使谷歌翻译也提高了其准确性。
• 转述内容： 有一些工具可以擦亮用户的写作。这样的工具可以重写内容，使其更适合读者。
• 编辑内容： 即使是微软的Word也会标记出错误和不恰当的语法用法。现在，有专门的NLP模型来校对内容。
• 生成内容： 今天只使用人工智能，就可以创造出原创内容。你可以选择主题。在此之后，NLP算法会根据谷歌的搜索输入产生原创内容。
• 提供有利于SEO建议： NLP模型还提供数据驱动的建议，可以优化你的内容，使其出现在谷歌搜索的第一页。这些建议可以是关于（见图9）:主题的理想字数、你应该使用的图片数量和关键字的密度等。

图9：关于 “future-of-nlp” 关键词的SEO建议的例子。

四. 更多来自不同行业的公司实施情感分析

情绪分析是一种NLP应用，它将大数据作为洞察力的来源。它通过测量语音或文本的态度（消极、中立或积极）来分析消费者的满意度。

情感研究对各行业的公司来说都是至关重要的，因为对消费者行为的研究显示，客户满意度、收入和客户忠诚度之间有很强的联系。8如果不实施情感分析，就很难准确衡量客户的幸福感。

AIMultiple认为以下3个行业/部门将从情感分析中获益良多：

1. 金融业

根据研究：

• 股票价格
• 大宗商品
• 钱币价值（见图10）。

与一般公众对特定金融资产的感受有关。因此，投资者情绪、行业报告、社交媒体和传统媒体对资产的情绪都可以提供有价值的投资数据。

图10：BTC/USD和发生在Twitter上的情绪分析之间的关系。

因此，我们预计金融机构将在未来更有效地使用情感分析。

2. 电子商务

由于电子商务业务的激烈竞争，公司必须想出创造性的解决方案来识别和解决客户服务的低效率问题。情绪分析可以在这方面帮助电子商务公司，因为

• 他们可以找到顾客满意的产品（见图11）
• 他们可以抓取互联网数据，看看他们的电子商务平台在客户服务、产品交付等方面是如何运作的。

图11：产品评论的情绪分析

3. HR

根据德勤公司的统计，11 “约75%的首席执行官认为伟大的辞职对他们的企业构成最大威胁。人力资源部门可以利用情绪分析来确定员工流失的主要原因。一旦你确定了主要的痛点，你就可以采取行动来防止大辞退。

五. 语音生物识别技术的使用将变得更加普遍

语音识别在商业上有各种应用。然而，它的一种特殊用途，即语音生物识别技术，在未来可能会变得更加流行，因为它通过使用人们的声纹作为识别来源，提高了认证安全性。

语音生物识别技术有以下好处：

• 人们的声音、发音、音调、音高是独特的特征，它们几乎不可能被完全模仿。因此，语音生物识别技术可能提供比传统密码更多的安全性。
• 人们经常忘记他们的密码，这引起了人们的不满。

AIMultiple认为，语音生物识别技术将被更频繁地用于检测欺诈性交易。我们还预计，更多来自医疗保健领域的公司将使用语音识别，因为数据隐私是医疗保健公司的一个重要关注点。

To find out regarding the differences between NLP and NLU you can read our NLU vs NLP: Main Differences & Use Cases Comparison article.

要了解有关NLP和NLU之间的差异，你可以阅读NLU与NLP：主要差异和用例比较文章。

1. “Natural Language Processing (NLP) Market“. Market and Markets. August 2022.
2. Same with source (1).
3. “Large Language Models: A New Moore’s Law?“. Hugging Face. October 2021.
4. Same with source (3).
5. “Volume of data/information created, captured, copied, and consumed worldwide from 2010 to 2020, with forecasts from 2021 to 2025“. Statista. September 2022.
6. Same with source (5)
7. “The future of customer conversation: More than words, more than AI“. Accenture. (2021).
8. Sharma, A. et al. “Relationship Between Customer Satisfaction and Loyalty“. SSRN. August 2021.
9.  “Understanding Cryptocurrencies with Sentiment Analysis.” Medium.
10. “Product Feature- vs. Review-Level Sentiment Analysis: When the Parts are Worth More than the Whole“. Towards Data Science. February 2021.
11. From Great Resignation to Great Reimagination“. Deloitte. 2022.