NLP（Natural Language Processing）自然語言處理是人工智慧領域中，一項利用數學模型及演算法，讓機器去認知、理解我們語言的技術。
在我們日常生活中，已經可以看到許多應用實例，例如：平台上的客服聊天機器人、或是智慧音箱內建的智能助理，都運用 NLP 技術分析我們輸入的語言、然後做出適當的回應。
NLP已發展超過數十年，目前我們觀察到NLP五大趨勢發展：
- Transformer Everywhere
NLP技術不僅僅分析文字或是口語，越來越多機器學習模型（Transformer model）應用到電腦視覺領域，例如圖像分類（image classification ）、物件偵測 （object detection）、語意影像分割（semantic image segmentation）。根據實測，Vision Transformer (ViT) 相較 CNN（Convolutional Neural Networks，卷積神經網路） 在計算效率與準確率都提升4倍以上。
- Multimodel Learning
如同我們學習外語，若能夠同時有聽、說、讀、寫四種不同能力的訓練，將可增進我們對該項外語的掌握度與流暢度。機器也是一樣，如果能有照片、聲音、影片等多項不同類型的資訊，將可協助機器提升分析的準確率。
- Zero and Few Shot learning
機器學習的挑戰之一是獲得大量高品質、且標注好的數據，零樣本學習（Zero-Shot Learning ）與小樣本學習（Few-Shot Learning）藉由使用沒有標註、或少量標註的的數據達成機器學習目的，例如：對比語言-圖像預訓練（Contrastive Language-Image Pre-training，CLIP）是其中一種因應缺乏標註數據的解決方案。
- Model Optimization
另外一個將 NLP 應用到實作環境中的挑戰是將模型縮小、以優化訓練演算法，例如使用Quantization （將資料的精準度降低、如降低圖片畫質）、Model Pruning （模型減枝）、Knowledge Distillation（知識蒸餾）等方式，讓需要分析的數據輕量化，達成優化訓練模型、提升演算效率的成效。
- Industry Adoption
上述的客服聊天機器人，除了偵測使用者想要詢問的問題外，也會藉由語意分析偵測使用者的情緒，讓機器人的回覆更人性化；除此之外，我們也發現醫療產業運用 NLP技術，進行醫療問題答覆、醫學影像分析、醫療診斷協助等項目。
人工智慧領域除了NLP外，MLOps（機器學習模型管理）、Data Governance（資料治理）、Reinforcement Learning （強化學習）也是現今熱門及值得關注的技術，我們將在未來的文章與大家分享。
延伸閱讀
作者：呂寧真
O’Reilly台灣代表
I may not be talented enough to be a wise man or innovator, but I can still change the world by spreading their knowledge.
職場生涯嘗試許多不一樣的領域，例如：語言學習、音樂、動畫、資訊教育，看似跨產業，核心仍圍繞在數位內容，及藉由內容的傳播促成企業之間的合作，看到內容為其他企業或個人帶來的改變，是工作以外的收穫與滿足。