PTSC 4.1

Nama: Muhammad Millenia Arya P

Kelas: 3KA20

NPM: 14117121

Pemahaman Bahasa Alami,Pembangkitan Bahasa Alami,Pemrosesan di Sistem Pakar

Salah satu keluhan terbesar saya tentang terminologi di industri adalah klaim bahwa data dari percakapan adalah "data tidak terstruktur". Itu omong kosong. Lagi pula, bagaimana orang berkomunikasi, baik dengan suara atau dalam bahasa tertulis, jika tidak ada struktur yang membantu makna? Sintaksis adalah struktur bahasa, dan jelas membantu dalam mendefinisikan semantik, atau makna komunikasi. Untuk memahami bagaimana komputer meningkat dengan cepat, penting untuk melihat bagaimana bahasa alami berbeda dari apa yang sebelumnya diproses oleh komputer.

Dari model penyimpanan data sekuensial flat file ke database relasional (RDBMS), ada sejarah panjang dekade data terstruktur secara kaku. Bagi orang-orang yang terbiasa dengan format seperti itu, bahasa tampaknya sangat tidak terstruktur, yang menyebabkan penggunaan istilah yang salah. Pesatnya pertumbuhan berbasis cloud, teks dan suara, membuat banyak orang bingung dalam dunia basis data tradisional. Namun, sudah saatnya untuk berhenti merujuk ke data yang tidak terstruktur. Frasa lain yang lebih akurat adalah informasi yang terstruktur secara longgar (atau data, jika orang ingin menjadi kurang akurat tetapi lebih nyaman).

Sebagai perbandingan, kecerdasan buatan (AI) telah difokuskan pada meniru pemikiran manusia, komunikasi, dan tindakan. Hampir sejak awal disiplin AI, para peneliti telah tertarik pada bagaimana manusia berkomunikasi. Itu telah menyebabkan dua disiplin ilmu tumpang tindih pemrosesan bahasa alami (NLP) dan generasi bahasa alami (NLG).

Sintaks dan Semantik

Keterbatasan teknologi komputasi sebelumnya berarti bahwa banyak pekerjaan asli dalam AI pada bahasa dilakukan melalui sistem pakar. Tugasnya adalah memahami bahasa dengan mendefinisikan aturan yang dieksekusi oleh sistem. Masalahnya adalah bahwa aturan-aturan itu difokuskan hampir hanya pada sintaks. Sementara itu bisa menyelesaikan banyak masalah, bahasa yang cair dan makna semantik tidak selalu ditemukan dalam sintaksis, dan terkadang sintaksis lebih sulit untuk dideteksi daripada yang diharapkan. Salah satu contoh paling lucu namun relevan dari perpaduan antara sintaksis dan semantik adalah dalam membantu komputer memahami makna yang berbeda dari dua kalimat berikut:

Today In: Inovasi

Waktu berlalu seperti dan panah.

Buah terbang seperti pisang.

Dipromosikan

BRANDVOICE Jepang

 | Program berbayar

Bagaimana Kyoto Membangun Kembali Sendiri Sebagai Pembangkit Tenaga Nanotek Dan Regeneratif

BRANDVOICE Civic Nation

 | Program berbayar

Membangun Hubungan, Menjelajahi Peluang, Mempersiapkan Diri untuk Sukses: Pekerjaan Konselor Sekolah Hari Ini

BRANDVOICE UNICEF USA

 | Program berbayar

Bagi Haiti, Kemenangan Adalah Berjuang Dalam Berjuang Melawan Kolera

Semakin banyaknya aturan memperlambat sistem dan tidak mencapai tingkat akurasi yang dibutuhkan dalam percakapan.

Teknologi pada saat itu juga berarti bahwa fokus bahasa adalah bahasa tertulis. Selain itu, lebih mudah untuk membuat output yang benar secara sintaksis daripada membaca cara kita menulis, jadi fokusnya adalah pada kompleksitas NLP sementara NLG sering dibuat sangat sederhana. Itulah sebabnya mengapa mudah untuk mendapatkan sistem pakar untuk gagal dalam Tes Turing, karena cara orang dapat memutarbalikkan bahasa untuk membingungkan sistem dan kaku, respons mesin dasar berarti mudah untuk mengatakan bahwa percakapan itu dengan sistem pakar dan tidak seorang manusia.

Jaringan Saraf Tiruan Memajukan Bahasa Alami

Kemajuan yang dibawa komputasi awan juga membantu pekerjaan bahasa alami. Kekuatan pemrosesan dari cluster komputer dan prosesor berarti bahwa analisis yang lebih kompleks dapat dilakukan jauh lebih cepat. Itu membawa jaringan syaraf tiruan (JST) ke depan dunia pembelajaran mesin. ANN tidak harus secara eksplisit mendefinisikan semua aturan sintaksis dan menautkannya dengan semantik. Dengan membuat lapisan jaringan yang berbeda untuk menganalisis komponen bahasa yang lebih mendasar, programmer kemudian dapat membiarkan sistem belajar dengan contoh, menggunakan volume besar teks dan ucapan. Hal itu menghasilkan NLP dan NLG yang lebih cepat dan lebih akurat.

Di sisi pemrosesan bahasa alami, yang memungkinkan sistem untuk menganalisis data teks dalam jumlah besar dengan lebih cepat. Itu telah menyebabkan kemajuan dalam kapasitas pencarian internet, analisis sentimen layanan pelanggan, dan di berbagai bidang lainnya. Salah satu contohnya adalah dalam perdagangan. Ada sejumlah besar informasi di infrastruktur teknologi pengecer besar mana pun. Berharap mendapatkan ratusan agen merchandising untuk belajar cara menggunakan antarmuka business intelligence (BI) yang kompleks atau semuanya menjadi ahli di pivot tables bukanlah hal yang baru. Perangkat lunak menjadi, sebagaimana dimaksud pada hari-hari di tempat, sebagai perangkat rak - perangkat lunak dibayar tetapi tidak digunakan.

“Merchandiser dapat mengetik permintaan ad-hoc karena mereka memikirkan pertanyaan itu penting untuk kesuksesan bisnis mereka," kata Doug Bordonaro, Kepala Penginjil Data untuk ThoughtSpot. "Pemrosesan bahasa alami sangat penting untuk membantu merchandiser non-teknis menjadi merchandiser daripada Programmer. Salah satu klien Fortune 100 kami sekarang menjalankan lebih dari 10.000 pencarian setiap minggu dan mendapatkan wawasan harian tentang tren penjualan, bermacam-macam keranjang pasar, dan profitabilitas produk. "

Kemajuan juga membantu dalam audio, dalam pengenalan dan respons suara. Bicara lebih informal daripada menulis. Selain itu, perubahan volume dan aksen dapat memiliki efek yang kuat pada pemahaman. Sementara dekade ini telah melihat keuntungan besar dalam memahami suara-suara yang Silicon Valley tahu (terutama, laki-laki Amerika), basis data baru sekarang diperluas untuk memahami variasi bahasa lisan yang lebih luas.

JST juga membantu di bidang generasi bahasa. Walaupun ini terutama kinerja sistem yang memungkinkan respons lebih cepat terhadap bahasa lisan, NLG juga dibantu oleh struktur jaringan saraf yang lebih fleksibel. Gaya bicara yang dihasilkan tidak terbatas pada aturan yang kaku, didorong oleh sintaks, memberikan pengalaman pelanggan yang lebih alami.

Komponen Sistem Pakar    
1. Subsistem Penambah Pengetahuan
2. Basis Pengetahuan
Basis pengetahuan adalah suatu jenis basis data yang dipergunakan untuk manajemen pengetahuan. Basis data ini menyediakan fasilitas untuk kleksi,organisasi dan pengambilan pengetahuan terkomputerisasi.
3. Mesin Inferensi
Mesin inferensi merupakan elemen inti dari sistem intelejensia buatan
4. BlackBoard
Blackboard adalah memori/lokasi untuk bekerja dan menyimpan hasil sementara. Biasanya berupa sebuah basis data.
5. Interface
6. Subsistem Penjelasan
Subsistem Penjelasan adalah kemampuan untuk menjejak (tracing) bagaimana suatu kesimpulan dapat diambil merupakan hal yang sangat penting untuk transfer pengetahuan dan pemecahan masalah. Komponen subsistem penjelasan harus dapat menyediakannya yang secara interaktif menjawab pertanyaan pengguna , misalnya:

·                “Mengapa pertanyaan tersebut anda tanyakan?”

·                “Seberapa yakin kesimpulan tersebut diambil?”

·                “Mengapa alternatif tersebut ditolak?”

·                “Apa yang akan dilakukan untuk mengambil suatu kesimpulan?”

·                “Fakta apalagi yang diperlukan untuk mengambil kesimpulan akhir?”

7.   Subsistem Penyaring Pengetahuan         
Seorang pakar mempunyai sistem penghalusan pengetahuan, artinya, mereka bisa menganalisa sendiri performa mereka, belajar dari pengalaman, serta meningkatkan pengetahuannya untuk konsultasi berikutnya. Pada Sistem Pakar, swa-evaluasi ini penting sehingga dapat menganalisa alasan keberhasilan atau kegagalan pengambilan kesimpulan serta memperbaiki basis pengetahuannya.