为何NLP领域的技术落地如此不易？

近年来，人工智能领域的发展越来越好，希望转业投身到这个领域的人也越来越多，但想要搭上这波AI红利不是那么容易的。

NLP自然语言处理是人工智能的一个子领域，它指的是机器能够理解并解释人的写作或说话方式的能力。但众所周知，人工智能对人类影响最大的就是自然语言方面，就连微软创始人比尔盖茨也曾说过，语言理解就是人工智能领域皇冠上的明珠。那么，为何如今NLP领域的技术落地这么难呢？

NLP的落地场景并不是那么直接，往往需要结合客户或者产品设计。之前微软亚洲研究院副院长周明在接受采访时说过，“目前自然语言处理产品出现的问题，很多时候无关技术，而是在产品设计和UI方面做得不够好”。如果产品设计或UI方面做得不好，用户体验感就会很差，对产品落地也会造成很大的影响。

就目前的市场来看，NLP领域的创业大公司很少，究其原因，还是因为技术难度太大，应用场景太复杂。就连现在NLP领域的创业公司都会面临一个落地难的状况。对于特别纯粹的自然语言应用（不涵盖搜索），主要就是机器翻译。而今的机器翻译水平还是达不到高标准。对于有背景的复杂句子，机器依然很难翻译。若翻译付费形成一种商业模式，从研究到技术到落地再到商业化，这将会面临一个很大的挑战。

运用周明的话来讲，现在的自然语言处理面临着如下问题：第一，自然语言是多轮的；第二，自然语言除了多轮特征之外，它还涉及到了背景知识和常识知识；第三，自然语言处理要面对个性化问题。

那么，如何才能解决这些问题呢？

周明表示，在技术的改进上虽然我们不能保证，但有三个值得尝试的方向：

第一，上下文的建模需要建立大规模的数据集。比如多轮对话和上下文理解。数据标注的时候要注意前后文。没有这样的数据，很难取得突破。

第二，强化学习很重要。我们需要根据用户的反馈倒推模型并做参数修正，使模型更加优化。现在强化学习刚刚开始用在自然语言领域，性能并不稳定，但在未来很有机会。

第三，要引入常识和专业知识，并把这些知识构建好。这样就能更加精准地回答问题。没有人能证明现在常识知识用在语言问答和搜索中的作用有多大。所以，我们需要一个测试集来检验结果。这个测试集要专门测上下文和常识，可以让我们要不停用新模型（比如强化学习或者知识图谱）去试错，来看系统性能能不能提升。

自然语言可以说是人类智慧的结晶，虽然说仍有很多问题亟待解决，但这不会难倒聪明的人类。我们相信，凭着我们迎难而上的勇气，终有一天，人工智能会更好的服务于人类。

想了解更多IT资讯，请访问中培教育官网：中培教育