自然言語処理：インテリジェントな音声でデジタルプロセスを強化する

過去10年間で自然言語処理に起きた最大の変化は、単語の従来型パターン認識から離れ、機械学習とディープラーニングのアプローチへ移行したことです。

自然言語処理（NLP）により、コンピュータはテキストを読み、音声を聞き、解釈し、感情を測定し、どの部分が重要かを判断できます。今日の機械は、人間よりも多くの言語ベースのデータを、疲れることなく、一貫した、偏りのない方法で分析できます。

「NLPは言語の曖昧さを解消し、音声認識やテキスト分析など多くの下流アプリケーションに有用な数値構造をデータに加えるため重要です」と、SAS UK & Irelandのアナリティクスコンサルタント、ケイン・パットマン氏は言います。「つまり、不正・リスク分析や顧客行動のインサイト抽出など、幅広いビジネスユースケースに適用可能です。根本的に、優れたデータ分析を整え、NLP導入前に何を達成したいかを知っておくことが不可欠です。」

自然言語処理の発展

過去10年間でNLPに起きた最大の変化は、単語の従来型パターン認識から離れ、機械学習とディープラーニングのアプローチへ移行したことです。「単語埋め込み」という技術の最近の進歩により、個々の単語や単語群にある程度の意味論的意味を付与できるようになりました。

「結果として、さらなるモデル訓練と分析を可能にする高次元の数値ベクトルが得られます」と、MathWorksのシニアエンジニアリングマネージャー、ヨス・マーティン氏は言います。「一度意味論的意味が数値空間に移されると、最近開発された多くのディープラーニング技術がNLPシステム設計者に利用可能になります。」

例えば、多くのシステムが長短期記憶（LSTM）タイプの再帰型ニューラルネットワークを活用し、文、段落、その他の言語ブロック内の単語間の関係をより深く学習しています。これらのネットワークにより、設計者はシーケンスの次の単語が何になるかを予測したり、次の複数単語に確率を割り当てたりできます。

単なるチャットボット以上

従来のNLPでは、単語はただの単語でした——より広い文脈によって確立される意味を欠いた、やや無意味なフレーズです。これが典型的なチャットボットの分類であり、リアルタイムで与えられた情報によって制限されます。

「高度な自然言語処理では、単語を数値ベクトルとして表現することで文脈理解を改善できます」と、IPsoftのトランスフォーメーション担当エグゼクティブディレクター、ヨハン・トール氏は言います。「単語を単語として理解するだけでなく、単語の類似性やフレーズの類似性を非常に柔軟な方法で理解できるようになります。」

例えば、「契約」という単語が法的文脈ではギャング映画での意味と大きく異なることを理解できます。単一の情報・言語ストリームしか理解しないチャットボットとは異なり、これは必要な文脈と言語タイプに合わせて調整された多面的な会話を可能にします。

トール氏によれば、高度なNLPはファシリテーター（促進者）です。「実際、ほとんどのAI開発とデジタルイノベーションには何らかの形でインテリジェントプロセスオートメーション（IPA）が含まれ、マッキンゼーは企業内タスクの50〜70%が自動化されると推定しています」と同氏は付け加えます。「NLPによって促進されるこの自動化こそが、新しいAIアプリケーションの開発を可能にし、組織が膨大な貴重情報を正確に収集、整理、特定できるようにします。」

カスタマー体験の拡張

Eコマースの成長とグローバルマーケットの拡大により、これまで以上に多くの消費者がオンラインショッピングをしています。この需要増大に対応するため、組織はNLPを含む次世代技術の組み合わせを採用し、カスタマー体験を拡張し、ブランド評判を向上させ、売上を伸ばしています。Aspectの調査では、回答者の92%が現代のカスタマーサービスにおけるNLPの価値を認識しています。

「前向きな組織にとっての重要な要件は、バーチャルアシスタントやデスクトップ・モバイルチャットボットなどの自動セルフサービス機能を、従来のコミュニケーション手段とともに選択できる、多様なオムニチャネル体験を提供することです」と、Aspectのヨーロッパ・アフリカ担当シニアVP、スティーブン・ボール氏は説明します。「自動セルフサービスの真の報酬を得るには、これらの新技術を適切に導入し、NLP技術を包括的に理解することが鍵です。」

「NLPの成功的な統合は時間と労力を要するプロセスであり、企業のニーズに容易に適応でき、何より現代の顧客の複雑で変化する要求に応えるほど高度な、AIと関連技術への投資が必要です。これを実現するには、スタッフのスキルアップのためのNLPと技術トレーニングを提供し、短・中短期で関連するAI経験を得るために外部パートナーと協働することが不可欠です。」

自然言語処理への感情の付加

声の調子、選ぶ言葉、文の間のポーズから、誰かがフラストレーションや怒りを感じているかを理解する能力は、まで最近まで人間固有のスキルと考えられていました。注目される研究領域が感情分析です。

感情分析は、テキストから筆者の感情（恐れ、怒り、嫌悪、フラストレーション、動揺、悲しみなど）を判断するNLPの一形態です。「この魅力的な技術の一つの応用はコールセンターです——ヘルプラインオペレーターが、発信者がフラストレーションレベルを明示しなくても、そのニーズに合うようアドバイスと言葉を調整できるようになります」と、ケンブリッジコンサルタンツの機械学習エンジニア、サリー・エプスタイン氏はコメントします。

より広範なイノベーション領域が感情分析（センティメント分析）です。これは自由形式のテキストがポジティブ、ニュートラル、ネガティブのどれかを判断するために使われます。「感情分析を用いると、大量のテキスト文書、ソーシャルメディア投稿、製品レビューを効率的に検索し、意味のあるトレンドを抽出できます」とエプスタイン氏は付け加えます。「このインサイトはすでに、ブランドの消費者満足度評価に企業によって活用されています。」最も重要なのは、これらの技術が異なる地域の方言や言語からインサイトを引き出すために迅速にスケールできることです。

自然言語処理のこれから？

将来に向けて、より良い音声制御と音声認識がNLPの大きな領域になります。音声認識は過去数年で大幅に改善しましたが、より広く使えるほど十分に良くなるまでにはまだ道のりがあります。この分野の進歩の一部は、より良いモデルによってもたらされるでしょう。

もう一つの大きな領域は、トランスファー学習をNLPに成功裏に適用することです。NLPでディープラーニングの事前訓練モデルをトランスファー学習に使えるようになったのは昨年になってからで、これは重要です。なぜならトランスファー学習はコンピュータビジョンではもっと前から利用可能だったからです。これは巨大なブレイクスルーです。なぜなら、同じ事前訓練モデル（多少の調整はあるにせよ）を、感情分析から質問応答まで、あらゆるテキスト分析タスクで活用できるからです。

記事：マーク・ヴェナブルズ