直击痛点 NLP技术的价值和落地｜超级观点 _NLP

带着观点看商业。超级观点，来自新商业践行者的前沿观察。

文｜顾夏辉（子长科技CTO）
语言是人类思维的基础，当计算机具备了处理自然语言的能力，才具有真正智能的想象。自然语言处理（Natural Language Processing, NLP）作为人工智能（Artificial Intelligence, AI）的核心技术之一，是用计算机来处理、理解以及运用人类语言，属于计算机科学与语言学的交叉学科。目前，NLP乃至人工智能的落地情况如何？是举步维艰，还是已经获得广泛应用？
毫无疑问，已经有越来越多的企业认可NLP技术，并在相关项目上进行了大量投入，但NLP技术在具体商业落地中依然存在挑战。企业投入需要回报，无论是提升效率，提高输入，还是为企业各个业务赋能，归根结底，都是需要技术应用能够真正为企业带来价值。因此落地的重点不是使用NLP技术或者其他人工智能技术所完成一个企业应用，而是要看这些应用是否解决了客户的痛点，为企业带来真正的价值。
举例来说，1STEP.AI与金赋科技合作开发了一个“智能送策“项目，主要是把企业信息与各地政府的扶持政策进行匹配，帮助企业找到适用的政府扶持政策。这项工作之前依靠人工进行，困难重重，原因一是企业和政策的数据量都非常大，且数据持续更新；原因二是政策中的条件关系多样化（并列关系、选择关系等），匹配逻辑复杂。人工操作的局限在于处理的数量有限，时间长，匹配错误率高。
和通常人们的理解不同，在这个例子当中，利用技术进行准确的抽取并不能真正解决客户的痛点。比如，一个政策中对于企业的要求有20条，如果政策抽取的模型准确率比如是95%，但是正是由于有一条关于企业注册地点的特性没有抽取出来，直接导致匹配的公司会多出几十倍甚至上百倍，这样的政策抽取结果对于匹配公司的业务来说，其价值几乎为零。因为抽取的结果并不能提供准确的目标公司集。因此1STEP.AI和金赋科技并没有把政策抽取和逻辑关系抽取的准确度作为目标，而是把目标定为政策所匹配的公司的准确度。这个目标符合业务需求而不是简单的用人工智能完成一个应用，但是该目标的难度比简单的政策抽取复杂很多。其实，任何一个商业应用都是复杂的问题，而人工智能的模型更适合解决困难问题。什么是困难问题呢？什么是复杂问题？困难问题类似于围棋、图像识别这样的问题，规则简单，但是实际情况或者玩法困难。而复杂问题是指规则复杂，流程繁多的问题。所以，对于商业应用的复杂问题，最搞笑的方法是多个模型协作解决问题。
在“智能送策”项目中，这个复杂问题是什么呢？首先，政策往往包含了很多内容，所以需要在政策中找到包含政策要点的段落，再在段落中找到政策要点。要点和要点之间存在着逻辑关系，多个要点可以是“并列“的关系，也可以是”或者“的关系。一个政策文件中又有可能包含多个政策，这些政策之间也存在着逻辑关系。在“智能送策”系统中使用的模型包括：段落抽取（准确度0.99），政策实体抽取（准确度0.98），映射模型（准确度0.88），语义逻辑模型（累计准确度0.85）。把上述模型结合起来才能够提供具有商业价值的落地方案。

文章插图
“智能送策”系统中使用的模型
通过以上模型的协作，“智能送策”通过人工智能技术，可以自动高效地解决企业实体信息抽取、属性映射、逻辑关系匹配等复杂问题，将匹配公司的结果准确度从人工操作的78%提升到89%；在一些政策条目下，覆盖的企业数量增加了11倍以上，大大推动了业务的快速拓展。
人工智能产业结构已经日趋成熟，它包括了三个层面：包括软硬件设施和数据服务的基础层、囊括了基础框架、算法模型以及通用技术的技术层以及辐射到各行业中的产品、服务和解决方案的应用层。NLP是技术层的重要组成部分之一，是认知智能时代的关键技术，可以说，NLP能力对行业应用的落地、企业的转型升级都具有决定性的作用。
NLP技术的价值在于海量数据处理，它的应用灵活且包罗万象，目前多体现在增进数据洞察、实现智能交互、提高运营效率和替代重复性劳动等方面。作为应用模块，落地范围非常广泛。基于不同行业客户的需求和业务痛点，在各种行业场景中都有渗透。在处理海量的结构化数据和非结构化数据上，具有人工无法企及的能力和效率，例如文本数据的识别、抽取、匹配与处理，广泛的网络数据获取和分析等。