自然語言處理是從計算語言學 (Computational Linguistics) 發展而來，計算語言學透過電腦科學來理解語言原理，使電腦能夠分析和處理文字，並掌握其含義，包括說話者或作者的意圖和情感。
主要能細分兩個子領域，自然語言理解 (Natural Language Understanding, NLU) 和自然語言生成 (Natural Language Generation, NLG)
以往的機器翻譯主要依賴於統計模型和基於規則的方法，這些方法在處理語言轉換時往往面臨流暢性和準確性不足的問題。生成式 AI 的出現，如 Google 的 Transformer 模型，徹底改變了機器翻譯的技術。這些生成式 AI 模型能夠更好地理解和生成自然語言，使得翻譯結果更加流暢、自然，並顯著提高了翻譯的準確性和語意內容。
文字生成技術得益於生成式 AI 的快速發展，從早期馬可夫過程 (Markov Process) 和長短期記憶 (Long Short-Term Memory, LSTM)，到 BERT (Bidirectional Encoder Representations from Transformers)、GPT-2、LaMDA 等模型。這些生成式 AI 模型能夠理解並創造自然語言，使得文字生成在自動完成、聊天機器人、文字創作等場景中變得更加流暢與自然。
文字摘要是用簡短的內容，概括長篇文章。現在已從統計模型和基於規則的方法，逐步過渡到生成式 AI 模型的應用。生成式 AI，特別是基於 Transformer 的模型，如 BERT 和 GPT 系列，能夠深入理解文字的語意結構，並生成連貫性的摘要。這些生成模型不僅能自動取得關鍵內容，還能創造出符合上下文的自然語言描述，使得文字摘要更加準確且具有可讀性，常見在新聞摘要、文件簡化和研究論文概括等應用場景中。
問答系統有兩種類型：
而傳統的問答系統依賴於預先定義的規則或基於資訊檢索的方法，這限制了它們的靈活性和準確性。隨著生成式 AI 的進步，在基於 Transformer 的模型，如 BERT、GPT-3 和 LaMDA，通過深度學習語言模型，能夠更好地理解問題的上下文，並生成精確且自然的回答。這些生成模型使問答系統能夠處理更複雜的問題，提供更準確的答案。
生成式 AI 在自然語言處理的內容品質，高度依賴訓練與測試模型資料的品質和數量。這些模型會需要大量資料來學習語言的模式和規則，但並非所有資料都同樣有用或可靠。例如，資料可能會有雜訊、不完整、不一致、有偏見或過時，這可能會導致產生的內容出現錯誤或不準確。
生成式 AI 在自然語言處理中面臨著人類語言的複雜性和多樣性挑戰。語言並不是一個固定或簡單的系統，而是充滿變化和豐富內涵，且在不同文化、背景和領域之間存在顯著差異。語言中的歧義、反諷、俚語、習慣用語、隱喻等細微差別，常常難以被模型準確解釋或生成。此外，地區、方言和口音的差異會帶來不同的語法結構、詞彙、拼寫和發音，進一步增加了生成式 AI 在語言處理中的挑戰。
生成式 AI 在自然語言處理中的應用伴隨著重要的倫理和社會挑戰。這些技術可以對人類溝通、互動和決策產生深遠的影響，這取決於其設計、實施和監管方式。雖然生成式 AI 可以增加客戶服務、教育和可近性等領域的效能，但同時也帶來了隱私泄露、安全漏洞、偏見與歧視的風險，以及擴散錯誤資訊的可能性。
目前寫的內容，比較偏向整合性概括，如果大家有其他建議的話，也可以回覆給我，我再調整後面的幾天的內容方向
謝謝大家的閱讀 :D
iThome鐵人賽
看影片追技術