Natural Language Understanding (NLU)

Hvad er NLU?

Natural Language Understanding (forkortet NLU) er den del af Natural Language Processing (NLP) der fokuserer på at forstå mening i sprog. Ikke bare at genkende ord og sætninger, men at forstå hvad du mener, hvad din intention er, og hvad konteksten er.

Forskellen mellem NLP og NLU er som forskellen mellem at høre og at forstå. NLP er det brede felt der dækker al interaktion mellem computere og sprog. NLU er den specifikke evne til at forstå betydning.

Når du siger “Book mig et bord til to i aften” til en stemmeassistent, skal NLU-systemet forstå at “book” betyder “reservér”, at “bord” refererer til et restaurantbord, at “to” er antallet af gæster, og at “i aften” er i dag. Det er ikke nok at genkende ordene. Systemet skal forstå intentionen bag dem.

NLU er teknologien der gør chatbots, stemmeassistenter og AI-kundeservice nyttige. Uden NLU ville de kun kunne reagere på præcise formuleringer i stedet for at forstå hvad brugeren vil.

Hvad gør NLU?

NLU dækker flere kerneopgaver:

1. Intent recognition (intentionsgenkendelse). Hvad vil brugeren opnå? “Hvad er klokken i Tokyo?” → intention: tidszoneforespørgsel. “Sæt en alarm kl. 7” → intention: opret alarm. Samme information kan udtrykkes på hundredvis af måder, og NLU skal genkende intentionen uanset formulering.
2. Entity extraction (entitetsudtrækning). Hvilke vigtige informationer er nævnt? I “Fly mig til Paris på fredag” er Paris en destination og fredag en dato. NLU identificerer og kategoriserer disse enheder.
3. Sentiment analysis (sentimentanalyse). Hvad er følelsen bag teksten? “Fantastisk service!” er positivt. “Det tog en evighed” er negativt. “Det var okay” er neutralt. NLU kan fange nuancer som ironi og sarkasme (med varierende succes).
4. Disambiguering. Løsning af flertydighed. “Bank” kan betyde en pengebank, en bakke eller at banke på. NLU bruger kontekst til at afgøre hvilken betydning der er relevant.
5. Coreference resolution. Forståelse af hvad stedord refererer til. I “Maria fortalte Jonas at hun var glad”, hvem er “hun”? NLU skal forstå at “hun” refererer til Maria.

NLU i praksis

1. Stemmeassistenter. Siri, Google Assistant og Alexa bruger NLU til at forstå dine stemmekommunikationer. “Hvad for noget vejr får vi i morgen?” og “Blir’ det godt vejr i morgen?” skal begge forstås som en vejrforespørgsel.
2. Chatbots. Moderne AI-chatbots bruger NLU til at forstå kundehenvendelser uanset hvordan de er formuleret. “Mit internet virker ikke”, “Nettet er nede” og “Kan ikke komme online” skal alle føre til fejlfinding af internetforbindelse.
3. Sprogmodeller. ChatGPT og Claude bruger avanceret NLU til at forstå dine prompts. De forstår kontekst, nuancer, implicit mening og endda sarkasme, og de kan generere svar der viser denne forståelse.
4. Søgemaskiner. Google bruger NLU til at forstå søgeintentioner. Søgningen “hvordan laver man pandekager” forstås som et ønske om en opskrift, ikke en videnskabelig forklaring af den kemiske proces.
5. Email-kategorisering. Systemer der automatisk kategoriserer kundeemails efter emne, vigtighed og sentiment bruger NLU til at forstå indholdet.

Fra regelbaseret til deep learning

NLU har udviklet sig markant:

1. Regelbaseret NLU (tidlig æra). Programmører skrev manuelt regler som “hvis sætningen indeholder ‘bestil’ og ‘pizza’, så er intentionen ‘bestil_mad’”. Det var skrøbeligt. “Smid en pizza efter mig” ville fejlagtigt blive tolket som en madbestilling.
2. Statistisk NLU (2000-2017). Maskinlæring overtog. Modeller lærte mønstre fra mærkede data. Bedre end regler, men krævede stadig store mængder annoterede eksempler per intention.
3. Transformer-baseret NLU (2017-nu). BERT (2018) og GPT-serien løftede NLU markant. Disse modeller forstår kontekst bidirektionelt og kan finjusteres til NLU-opgaver med langt færre eksempler. Moderne LLM’er har NLU som en naturlig del af deres kapabilitet.

NLU vs. NLP vs. NLG

De tre akronymer bruges ofte i flæng, men de dækker forskellige ting:

1. NLP (Natural Language Processing). Paraplyen. Alt der handler om computere og sprog.
2. NLU (Natural Language Understanding). Input-siden. At forstå hvad sprog betyder.
3. NLG (Natural Language Generation). Output-siden. At generere sprog fra data eller intentioner.

En moderne AI-assistent som Claude bruger alle tre: NLP som det overordnede framework, NLU til at forstå din prompt, og NLG til at generere svaret.