день ИИ ще не досяг того рівня розвитку, коли для рішення подібних задач у великому обсязі використовувалися би знання про реальний світ, і існуючі системи можна називати лише експериментальними, оскільки вони працюють з обмеженою кількістю ретельно відібраних шаблонів на ЕЯ.
Прикладна NLP займається звичайно не моделюванням, а безпосередньо можливістю комунікації людини з ЕОМ на ЕЯ. У цьому випадку не так важливо, як уведена фраза буде зрозуміла з погляду знань про реальний світ, а важливий витяг інформації про те, чим і як ЕОМ може бути корисної користувачеві (прикладом може служити інтерфейс експертних систем). Крім розуміння ЕЯ, у таких системах важливо також і розпізнавання помилок і їхня корекція.
Основна проблема обробки природної мови
Основною проблемою NLP є язикова неоднозначність. Існують різні види неоднозначності:
Синтаксична (структурна) неоднозначність: у фразі Time flies like an arrow для ЕОМ неясно, чи йде мова про час, що летить, або про комах, тобто чи є слово flies дієсловом або іменником.
Значеннєва неоднозначність: у фразі The man went to the bank to get some money and jumped in слово bank може означати як банк, так і беріг.
Відмінкова неоднозначність: привід in у пропозиціях He ran the mile in four minutes/He ran the mile in the Olympics позначає або час, або місце, тобто представлені зовсім різні відносини.
Референциальная неоднозначність: для системи, що не володіє знаннями про реальний світ, буде важко визначити, з яким словом - table або cake - співвідноситься займенник it у фразі I took the cake from the table and ate it.
Литерация (Literalness): у діалозі Can you open the door? — I feel cold ні прохання, ні відповідь виражені нестандартним способом. В інших обставинах на питання може бути отримана пряма відповідь yes/no, але в даному випадку в питанні імпліцитно виражене прохання відкрити двері.
Центральна проблема як для загальної, так і для прикладний NLP - дозвіл такого роду неоднозначностей - вирішується за допомогою перекладу зовнішнього представлення на ЕЯ в якусь внутрішню структуру. Для загальної NLP таке перетворення вимагає набору знань про реальний світ. Так, для аналізу фрази Jack took the bread from the supermarket shelf, paid for it, and left і для коректної відповіді на такі питання, як What did Jack pay for?, What did Jack leave? і Did Jack have the bread with him when he left? необхідні знання про супермаркети, процеси покупки і продажі і деякі інші.
Прикладні системи NLP мають перевага перед загальними, тому що працюють у вузьких предметних областях. Приміром, системі, використовуваної продавцями в магазинах із продажу комп'ютерів, не потрібно ”роздумувати” над неоднозначністю слова terminals у вопросе How many terminals are there in the order?.
Проте, створення систем, що мають можливість спілкування на ЕЯ в широких областях, можливо, хоча поки результати далекі від задовільних.
Розпізнавання мови
В міру розвитку комп'ютерних систем стає усе більш очевидним, що використання цих систем набагато розшириться, якщо стане можливим використання людської мови при роботі безпосередньо з комп'ютером, і зокрема стане можливим керування машиною звичайним голосом у реальному часі, а також введення і висновок інформації у виді звичайної людської мови.
Існуючі технології розпізнавання мови не мають поки достатніх можливостей для їхнього широкого використання, але на даному етапі досліджень проводиться інтенсивний пошук можливостей уживання коротких багатозначних слів (процедур) для полегшення розуміння. Розпізнавання мови в даний час знайшло реальне застосування в житті, мабуть, тільки в тих випадках, коли використовуваний словник скорочений до 10 знаків, наприклад при обробці номерів кредитних карт і інших кодів доступу в системах, що базуються на комп'ютерах, що обробляють передані по телефоні дані. Так що насущна задача - розпізнавання принаймні 20 тисяч слів природної мови - залишається поки недосяжної. Ці можливості поки недоступні для широкого комерційного використання. Однак ряд компаній самотужки намагається використовувати вже існуючі в даній області науки знання.
Для успішного розпізнавання мови варто вирішити наступні задачі:
обробку словника (фонемний склад),
обробку синтаксису,
скорочення мови (включаючи можливе використання твердих сценаріїв),
вибір диктора (включаючи вік, стать, рідну мову і діалект), тренування дикторів,
вибір особливого виду мікрофона (приймаючи в увагу спрямованість і місце розташування мікрофона),
умови роботи системи й одержання результату з указівкою помилок.
Існуючі сьогодні системи розпізнавання мови ґрунтуються на зборі всієї доступної (часом навіть надлишкової) інформації, необхідної для розпізнавання слів. Дослідники вважають, що в такий спосіб задача розпізнавання зразка мови, заснована на якості сигналу, підданого змінам, буде достатньої для распознавани, але проте в даний час навіть при розпізнаванні невеликих повідомлень нормальної мови, поки неможливо після одержання різноманітних реальних сигналів здійснити пряму трансформацію в лінгвістичні символи, що є бажаним результатом.
Практична реалізація
Розробки в області штучного інтелекту ведуться й у Новосибірськом Державному Технічному Університеті. На факультеті Прикладної Математики й Інформатики (Фпмии) елементи теорії штучного інтелекту входять у базову програму підготовки фахівців. Одним із провідних спеціалістів у даній області є професор Хабаров В.И., зав. кафедрою Програмних Систем і Баз Даних (Псибд). Один з напрямків його досліджень зв'язано з упровадженням семантичних і нейронных мереж у системи керування й аналізу даних, систем нагромадження і представлення знань. Як приклад можна назвати розробку CASE-технології, базованої на ультрамережах.
Тенденції розвитку сучасних інформаційних технологій приводять до постійного зростання складності інформаційних систем (ИС), створюваних у різних областях економіки. Сучасні великі проекти ИС характеризуються, як правило, що випливають особливостями:
складність опису (досить велика кількість