關於NLP未來的五大預期

人工智慧（AI）的一個子領域被稱為 “自然語言處理”，或簡稱 “NLP“，使機器能夠理解、解碼和解釋人類語言。NLP模型可以被訓練來理解文字格式（如PDF）或音訊格式（如語音命令）的資料。NLP技術的使用已經在眾多行業中得到了廣泛的應用。

由於人工智慧處理器和晶片的進步，企業現在可以建立更復雜的NLP模型，這對投資和技術的採用率有有利的影響。技術的典型使用案例可能會因為更有效的NLP模型而改變。為了幫助一系列企業的高管做出投資決策，我們在本文中提出了我們對NLP未來的五大預測（見圖1）。

一. 對NLP的投資將繼續上升

根據Market & Market報告1，截至2022年，NLP市場規模約為160億美元，到2027年將達到約500億美元，年均增長率超過25%（見圖2）。根據分析，北美是NLP的最大市場。另一方面，東亞地區對NLP解決方案的投資很大。

圖2：NLP市場概況。

NLP市場的快速增長與3個因素有關。

1. 機器學習技術的進步

NLP模型的大腦可以等同於AI晶片。晶片越強大，機器的計算能力就越強，可以進行的類似人類的互動就越多。AI晶片製造商設計的處理器可以處理更多的引數，增加NLP系統的模型規模。

從圖3可以看出，我們在2018年有處理不到1億個引數的模型（這已經很了不起了）。NLP模型現在可以解釋超過1000億個引數，這表明發展了1000多倍。3雖然不是所有的組織都使用這樣的大模型（他們不應該這樣做，這對很多企業來說不是明智的投資），但晶片技術的改進對NLP模型的一般能力有積極的影響。

圖3：大型語言模型的模型大小。

2. 增強的資料可用性和質量

另一個增強NLP系統能力的因素是資料的可用性和質量。圖4說明了資料可用性的指數式增長，預計這種增長將繼續下去。

為了提高訓練資料的質量，有許多資料標籤工具可以對文字或音訊資料進行註釋。這兩者加在一起也有助於NLP市場的擴張。

圖4：資料量

3. 客戶的期望值不斷提高

根據埃森哲的研究，超過75%的CEO希望完全改變他們管理客戶關係的方法，以跟上不斷變化的消費者需求。由於客戶期望與品牌進行快速互動，企業被迫實施NLP模型。

二. 對話式人工智慧工具將更加智慧

對話式人工智慧是NLP的一個分支，可以理解和迴應人。它是背後的技術：

• 聊天機器人
• 智慧虛擬助理（IVA）
• 語音機器人（語音助手）
• 數字工作者（digeys）。

由於NLP模型的進步，對話式人工智慧工具可以更好地識別人類語言的細微差別（意圖識別）。此外，由於加強了自然語言理解（NLU），這些工具可以更好地與人溝通。

由於對話式人工智慧的進步，我們預計在不久的將來，以下3個術語將與公司更加相關：

1. 對話式商務

對話式商務是一種新的營銷策略，旨在提高客戶的舒適度。從事對話式商務的企業使用全渠道平臺，現場代理、聊天機器人和群發資訊工具在不同的渠道與客戶溝通，例如：

• WhatsApp (WhatsApp Business API)
• Facebook Messenger
• 公司的移動應用程式
• 公司的網站
• 公司的呼叫中心，等等。

對話式商務是一個適合零售、電子商務和酒店業的戰略。以下是對話式商務的一些使用案例：

• 通過NLP進行產品推薦：使用者可能熟悉他們的問題（如漏水），但不熟悉解決這個問題所需的產品（如屋頂瓦片、柏油）。通過使用者和聊天機器人之間的雙向交流，用NLP的產品發現幫助客戶發現相關的物品（見圖5）。
• 客戶支援： 客戶有各種各樣的詢問，從交付細節到經常問的問題。對話式人工智慧工具使公司能夠自動回答客戶的詢問。
• 簽證資格篩選： 招待聊天機器人可以根據使用者提供的個人資訊評估你的簽證資格。

圖5：通過解釋產品細節，聊天機器人通過NLP進行產品推薦。（Source: Haptik）

圖6：幫助客戶退款的WhatsApp聊天機器人例項（Source: Haptik）

2. 對話式銀行業務

對話式銀行業務是金融服務中對話式商務的實施。金融機構利用他們的客戶互動，通過：

• 銀行聊天機器人
• 財富管理聊天機器人
• 抵押貸款聊天機器人。

由於對話式銀行業務，金融公司可以實現自動化：

1. 客戶入職。
2. 發放抵押貸款的檔案收集和驗證過程。
3. 提供股票建議（見圖7）。

圖7：聊天機器人向客戶提供股票建議（Source: Haptik）

3. 智慧自動化

由於對話式人工智慧，員工可以與數字工人等智慧自動化技術接觸，並指示他們進行各種活動（見圖8）。端到端的自動化是通過智慧自動化工具提供的。它們能夠連續和自主地工作。因此，它們是增強你的員工和提高其生產力的有效工具。

圖8：員工如何與數字工作者接觸（Source: AIMultiple）

智慧自動化工具，如數字工人有以下使用情況：

1. 撰寫和傳送電子郵件。
2. 從CRM和ERP會計工具中提取資料。
3. 解釋和視覺化資料。
4. 招募人員
5. 報告以及更多。

你可以通過閱讀我們關於對話式人工智慧的未來的五大期望，找到我們關於對話式商務的詳細期望。

三. 公司將使用NLG來生成文字

自然語言生成（NLG）是NLP的一個分支。NLG對於內容創作者和營銷人員來說已經是一個有用的人工智慧應用。然而，AIMultiple認為更多的公司將使用自動文字生成和NLP驅動的內容編輯工具，因為

• 公司開始在營銷方面投入更多。例如，在2022年，公司的營銷支出從總預算的6.4%擴大到9.5%。
• 大約60%的公司通過內容營銷獲得新客戶。

NLP可以緩解營銷人員的任務，因為有以下使用案例：

• 內容翻譯： 公司通過客戶喜歡的語言與他們接觸是有益的。NLP的發展允許高質量的機器翻譯。有一些供應商專門提供自動翻譯服務。然而，多年來，即使谷歌翻譯也提高了其準確性。
• 轉述內容： 有一些工具可以擦亮使用者的寫作。這樣的工具可以重寫內容，使其更適合讀者。
• 編輯內容： 即使是微軟的Word也會標記出錯誤和不恰當的語法用法。現在，有專門的NLP模型來校對內容。
• 生成內容： 今天只使用人工智慧，就可以創造出原創內容。你可以選擇主題。在此之後，NLP演算法會根據谷歌的搜尋輸入產生原創內容。
• 提供有利於SEO建議： NLP模型還提供資料驅動的建議，可以優化你的內容，使其出現在谷歌搜尋的第一頁。這些建議可以是關於（見圖9）:主題的理想字數、你應該使用的圖片數量和關鍵字的密度等。

圖9：關於 “future-of-nlp” 關鍵詞的SEO建議的例子。

四. 更多來自不同行業的公司實施情感分析

情緒分析是一種NLP應用，它將大資料作為洞察力的來源。它通過測量語音或文字的態度（消極、中立或積極）來分析消費者的滿意度。

情感研究對各行業的公司來說都是至關重要的，因為對消費者行為的研究顯示，客戶滿意度、收入和客戶忠誠度之間有很強的聯絡。8如果不實施情感分析，就很難準確衡量客戶的幸福感。

AIMultiple認為以下3個行業/部門將從情感分析中獲益良多：

1. 金融業

根據研究：

• 股票價格
• 大宗商品
• 錢幣價值（見圖10）。

與一般公眾對特定金融資產的感受有關。因此，投資者情緒、行業報告、社交媒體和傳統媒體對資產的情緒都可以提供有價值的投資資料。

圖10：BTC/USD和發生在Twitter上的情緒分析之間的關係。

因此，我們預計金融機構將在未來更有效地使用情感分析。

2. 電子商務

由於電子商務業務的激烈競爭，公司必須想出創造性的解決方案來識別和解決客戶服務的低效率問題。情緒分析可以在這方面幫助電子商務公司，因為

• 他們可以找到顧客滿意的產品（見圖11）
• 他們可以抓取網際網路資料，看看他們的電子商務平臺在客戶服務、產品交付等方面是如何運作的。

圖11：產品評論的情緒分析

3. HR

根據德勤公司的統計，11 “約75%的執行長認為偉大的辭職對他們的企業構成最大威脅。人力資源部門可以利用情緒分析來確定員工流失的主要原因。一旦你確定了主要的痛點，你就可以採取行動來防止大辭退。

五. 語音生物識別技術的使用將變得更加普遍

語音識別在商業上有各種應用。然而，它的一種特殊用途，即語音生物識別技術，在未來可能會變得更加流行，因為它通過使用人們的聲紋作為識別來源，提高了認證安全性。

語音生物識別技術有以下好處：

• 人們的聲音、發音、音調、音高是獨特的特徵，它們幾乎不可能被完全模仿。因此，語音生物識別技術可能提供比傳統密碼更多的安全性。
• 人們經常忘記他們的密碼，這引起了人們的不滿。

AIMultiple認為，語音生物識別技術將被更頻繁地用於檢測欺詐性交易。我們還預計，更多來自醫療保健領域的公司將使用語音識別，因為資料隱私是醫療保健公司的一個重要關注點。

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

要了解有關NLP和NLU之間的差異，你可以閱讀NLU與NLP：主要差異和用例比較文章。

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.