- Natural Language Understanding (NLU) adalah bagian dari AI yang membantu komputer memahami apa yang sebenarnya dimaksud manusia saat berbicara atau mengetik, dengan mengenali maksud dan detail penting.
- NLU bekerja dengan memecah kalimat, mengidentifikasi kata kunci atau nama, serta menghubungkan kata-kata dengan perannya dalam kalimat untuk memahami konteksnya.
- NLU digunakan dalam banyak alat yang kita pakai sehari-hari, seperti asisten suara (Siri, Alexa), chatbot layanan pelanggan, penyortiran email, dan analisis umpan balik untuk mendeteksi tren atau perasaan dalam teks.
- Teknik utama dalam NLU meliputi tokenisasi (memecah kalimat menjadi kata-kata), penandaan bagian kata, mendeteksi nama atau tanggal, memahami keinginan pengguna, dan menggunakan konteks percakapan sebelumnya untuk memberikan respons yang lebih baik.
NLU mungkin terdengar seperti satu lagi singkatan dalam dunia AI, tapi sebenarnya sangat penting agar AI bisa benar-benar memahami maksud kita.
Bagaimana Siri tahu kapan Anda meminta petunjuk arah dan kapan Anda ingin memutar lagu?
Bagaimana agen AI membedakan antara pertanyaan produk dan permintaan bantuan?
Mari kita bahas bagaimana NLU bekerja dan mengapa hal ini penting untuk interaksi AI yang lebih cerdas.
Apa itu NLU?
Natural language understanding (NLU) adalah bagian dari natural language processing (NLP) yang memungkinkan mesin menafsirkan dan memahami bahasa manusia.
NLU digunakan dalam AI chatbot, asisten virtual, dan alat analisis sentimen. Teknologi ini memungkinkan mesin memahami maksud pengguna—baik teks maupun suara—sehingga bisa memberikan tindakan yang sesuai.
NLU dianggap sebagai masalah AI-hard (atau AI-complete), artinya hanya dapat diselesaikan dengan kecerdasan buatan. Tanpa AI, NLU tidak mungkin dilakukan.
Bagaimana cara kerja NLU?
.webp)
NLU memecah bahasa manusia untuk menafsirkan makna dan maksudnya. Berikut langkah-langkah kerjanya:
1. Pra-Proses Teks
Sebelum analisis dimulai, teks dibersihkan dengan menghapus elemen yang tidak diperlukan seperti tanda baca dan kata umum agar fokus pada konten yang bermakna.
2. Mengidentifikasi Komponen Utama
Sistem mengekstrak entitas, kata kunci, dan frasa, mengidentifikasi bagian teks yang paling relevan untuk dianalisis lebih lanjut.
3. Menganalisis Struktur Kalimat
Dengan memeriksa hubungan kata dan tata bahasa, NLU menentukan bagaimana kata dan konsep saling berinteraksi dalam sebuah kalimat.
4. Memetakan ke Maksud dan Tujuan
Komponen yang diekstrak dicocokkan dengan maksud atau tujuan yang sudah ditentukan, membantu sistem memahami tujuan pengguna.
5. Memperdalam Pemahaman dengan Konteks
Interaksi sebelumnya dan petunjuk kontekstual membantu meningkatkan akurasi, sehingga sistem NLU dapat menyesuaikan respons berdasarkan riwayat percakapan.
6. Menghasilkan Output Terstruktur
Akhirnya, sistem menghasilkan respons terstruktur yang dapat memicu tindakan, menjalankan perintah, atau memberikan informasi yang relevan.
Contoh di Dunia Nyata
Mari kita uraikan dengan sebuah contoh.
Patrick menggunakan agen AI di tempat kerja yang terintegrasi dengan semua aplikasi utamanya, termasuk kalender.
Patrick mengetik ke agen AI-nya: “Jadwalkan rapat dengan Anqi pukul 13.00 besok, atau waktu yang serupa. Jadwalkan tindak lanjut dua minggu setelahnya.”
Dalam proses agentic AI nya, agen tersebut akan:
- Mengidentifikasi maksud: Agen mengenali bahwa Patrick ingin menjadwalkan rapat
- Mengambil entitas utama: Agen mengenali bahwa Patrick membicarakan ‘Anqi’ sebagai kontak, ‘pukul 1 siang’ sebagai waktu, dan ‘besok’ sebagai tanggal.
- Analisis pernyataan: Agen mengenali bahwa tugasnya adalah ‘menjadwalkan’, dilakukan dengan Anqi, pada waktu dan hari jam 1 siang besok.
- Pemahaman kontekstual: Agen memeriksa kalender Patrick dan Anqi untuk memastikan ketersediaan. Jika jam 1 siang besok tidak tersedia, agen akan menawarkan waktu serupa sesuai permintaan.
- Tindakan akhir: Agen menjadwalkan rapat dan tindak lanjut dengan mengirim undangan kalender ke Patrick dan Anqi.
Penggunaan NLU di Dunia Nyata
Kemungkinan besar Anda sering berinteraksi dengan NLU dalam kehidupan sehari-hari tanpa menyadarinya. Berikut beberapa contoh aplikasi yang paling umum:
Generasi prospek
NLU adalah komponen utama dalam AI lead generation, yaitu proses kualifikasi prospek melalui AI percakapan. Dengan pemahaman bahasa alami, chatbot dapat mengenali kebutuhan dan kemampuan prospek yang masuk. Mereka bahkan bisa langsung menjadwalkan pertemuan dengan tim penjualan setelah prospek lolos kualifikasi.
Asisten suara
Asisten suara seperti Siri, Alexa, dan Google Assistant mengandalkan NLU untuk memahami maksud di balik perintah suara Anda.
Misalnya, saat Anda mengatakan, "Buat pengingat janji kuku jam 2 siang," asisten akan memecah kalimat Anda, mengenali maksudnya (membuat pengingat), dan mengambil entitas (janji kuku, besok, jam 2 siang).
NLU memungkinkan asisten ini memahami permintaan lisan dan menindaklanjutinya dengan tindakan yang tepat.
Chatbot layanan pelanggan
Saat Anda berinteraksi dengan chatbot dukungan pelanggan dan mengetik, "Di mana paket saya?", bot menggunakan NLU untuk mengetahui bahwa maksud Anda adalah memeriksa status pengiriman.
Bot akan mengambil entitas yang diperlukan—informasi pesanan Anda—dan memberikan pembaruan yang sesuai. Kemampuan memahami dan merespons berbagai pertanyaan pelanggan inilah yang membuat NLU sangat penting dalam otomatisasi layanan pelanggan modern.
Penyortiran dan otomatisasi email
NLU juga digunakan di balik sistem otomatisasi email. Misalnya, alat berbasis NLU dapat membaca email masuk, memahami isinya, dan secara otomatis mengelompokkan ke dalam kategori seperti "penting", "promosi", atau "rapat".
Sistem ini bahkan dapat membuat respons yang sesuai berdasarkan isi email, sehingga perusahaan dapat menghemat waktu dalam mengelola komunikasi.
Analitik teks untuk umpan balik dan survei
Perusahaan sering menggunakan NLU untuk menganalisis umpan balik dari survei, ulasan, dan postingan media sosial.
NLU membantu mengidentifikasi pola dan sentimen dalam bahasa tertulis, sehingga kebutuhan dan opini pelanggan bisa dipahami.
Misalnya, sistem NLU dapat memindai ratusan ulasan pelanggan dan menentukan apakah sebagian besar pengguna merasa positif atau negatif terhadap fitur tertentu melalui analisis sentimen.
Komponen Utama
Tokenisasi
Tokenisasi adalah proses memecah kalimat menjadi unit-unit kecil seperti kata atau frasa agar AI lebih mudah memprosesnya.
Contoh: "Jadwalkan rapat jam 3 sore besok" dipecah menjadi ["Jadwalkan," "rapat," "jam 3 sore," "besok"].
Penandaan Bagian Kata (POS Tagging)
POS tagging mengidentifikasi struktur gramatikal kalimat dengan memberi label pada setiap kata sebagai kata benda, kata kerja, kata sifat, dan sebagainya.
Contoh: Pada "Jadwalkan rapat", AI menandai "Jadwalkan" sebagai kata kerja dan "rapat" sebagai kata benda.
Pengenalan Entitas Bernama (NER)
Pengenalan Entitas Bernama (NER) mendeteksi dan mengklasifikasikan entitas penting seperti nama, lokasi, dan tanggal dalam teks.
Contoh: Pada "Pesan tiket ke New York Jumat depan", AI mengenali "New York" sebagai lokasi dan "Jumat depan" sebagai tanggal.
Klasifikasi Maksud
Klasifikasi maksud menentukan tujuan atau keinginan utama pengguna di balik input yang diberikan.
Contoh: "Pesan meja untuk dua orang" diklasifikasikan sebagai maksud untuk melakukan reservasi.
Parsing Dependensi
Parsing dependensi menganalisis hubungan antar kata untuk memahami struktur gramatikal kalimat.
Contoh: Pada "Kirim laporan ke Maria", AI mengenali bahwa "Maria" adalah penerima laporan tersebut.
Analisis Kontekstual
Analisis kontekstual menggunakan percakapan sekitar atau interaksi sebelumnya untuk memastikan respons yang relevan dan akurat.
Contoh: Jika pengguna sebelumnya menanyakan tentang proyek tertentu, AI dapat menyesuaikan respons berikutnya berdasarkan konteks tersebut.
Bangun agen NLU kustom
Dengan kemajuan teknologi AI yang pesat, siapa pun dapat membuat agen AI dengan kemampuan NLU.
Botpress adalah platform pembuatan bot yang sangat dapat diperluas dan dirancang untuk perusahaan. Stack kami memungkinkan pengembang membangun chatbot dan agen AI untuk berbagai kebutuhan.
Memulai sangat mudah dengan paket gratis kami, tutorial lengkap, dan Botpress Academy.
Mulai membangun hari ini. Gratis.
FAQ
1. Bagaimana hubungan NLU dengan machine learning dan deep learning?
NLU (Natural Language Understanding) bergantung pada machine learning untuk mengenali pola dalam data teks dan deep learning untuk memodelkan struktur bahasa yang kompleks. Arsitektur deep learning seperti transformer memungkinkan sistem NLU menafsirkan konteks dan maksud dengan akurasi tinggi.
2. Apa perbedaan antara NLU dan Natural Language Generation (NLG)?
NLU (Natural Language Understanding) berfokus pada memahami dan mengekstrak makna dari input pengguna, sedangkan NLG (Natural Language Generation) berfokus pada menghasilkan respons yang menyerupai manusia. Singkatnya, NLU membaca dan memahami. NLG menulis dan merespons.
3. Seberapa akurat NLU saat ini, dan faktor apa saja yang memengaruhi akurasinya?
Sistem NLU modern dapat mencapai akurasi lebih dari 90% di domain yang terdefinisi dengan baik, namun performanya dipengaruhi oleh kualitas data pelatihan, variasi bahasa, kompleksitas domain, dan seberapa baik model menangani ambiguitas atau permintaan dengan banyak maksud.
4. Berapa banyak data yang biasanya dibutuhkan untuk membangun model NLU yang andal?
Untuk membangun model NLU yang andal, biasanya dibutuhkan ribuan contoh berlabel untuk setiap intent atau entitas, meskipun penggunaan transfer learning dan model pra-latih (seperti BERT atau GPT) dapat secara signifikan mengurangi kebutuhan data menjadi beberapa ratus contoh per kelas.
5. Bagaimana cara mengintegrasikan mesin NLU dengan alat lain seperti CRM, kalender, atau basis data?
Anda mengintegrasikan mesin NLU dengan alat lain dengan menghubungkannya ke API yang memungkinkan sistem mengambil tindakan setelah maksud pengguna terdeteksi – seperti membuat janji, mengambil informasi kontak, atau memperbarui data. Ini melibatkan skrip backend atau menggunakan platform dengan dukungan integrasi bawaan.
.webp)
