知識 · AI 基礎

自然語言處理 · NLP

Natural Language Processing

📂AI 基礎⏱閱讀 2 分鐘📊入門🔗相關 4

什麼是自然語言處理?

一句話定義
讓電腦理解並生成人類語言(說與寫)的 AI 領域(Natural Language Processing)。翻譯、摘要、聊天機器人的基礎。
此主題,做成企業內訓📚 相關課程💬 教育諮詢
⚡ 3 行重點摘要
  • 讓電腦處理人類語言的領域
  • 翻譯、摘要、聊天機器人的基礎
  • 語言類業務自動化的關鍵

NLP 真正改變的,是'只有靠人閱讀才能處理的事'的處理單位。諮詢錄音 3 萬筆、合約 2 千份、每天累積的 VOC,在有人用眼睛掃過之前,都是沒有任何價值的一團資料。把 NLP 加進來,這團資料就會變成可以分類、搜尋、彙總的數據。因此導入效果,比起「把回覆寫得看起來像樣」,更先被感受到的是:原本埋在信箱與諮詢紀錄裡的文字,會浮現成週報中的一行。

預算編列時,最好把理解(NLU)任務與生成(NLG)任務分開看。像郵件分類、情緒判定、實體名稱擷取這類有標準答案的理解任務,相對小的模型也能勝任,而且可以用數字檢驗準確率。相對地,摘要、草稿撰寫等生成任務沒有唯一答案,人工審閱流程會一直留到最後。韓文是黏著語,助詞與語尾會附在詞後,因此需要處理,才能把「退款」與「請幫我退款」這類不同詞尾的說法視為同一組;而內部用語與縮寫詞典若不加入,同樣的模型效能也會明顯下降。另外要分清楚,讓模型依內部文件作答的 RAG 並非 NLP 的替代品,而是搜尋階段架在 NLP 品質之上的結構。

現場最常出錯的地方,就是把準確率數字照單全收。準確率 92%,以每月 1 萬件諮詢計算,代表 有 800 件會被送到錯誤部門;其中若混入退款與客訴,回應延遲就會直接演變成民怨與解約。'使用大型模型就不需要標註'這句話也只對了一半。若沒有用來檢驗的正確答案資料,換了模型之後,就無從判斷到底變好還是變差。應先建立把誤分類轉交人工處理的例外窗口,再逐步提高 自動化 比例,這樣的順序最為安全。

會出現此術語的課程 · AI・DX
推薦課程 · 推薦講師 · 迷你報價
🧮 迷你報價 · 講師費基準
約 KRW 1,200,000 (≈ US$900)專題講座 2 小時 · 20 人以下 · 韓語
依此條件取得正式報價 →
💡 簡單來說
讓機器理解'語言'的領域——自動化郵件、文件、諮詢等文字相關的工作。
為什麼在實務上很重要
許多工作都以'語言'構成(郵件、文件、諮詢)。NLP 是將這些語言類工作自動化的關鍵。
由來與出處

這是起源於 1950 年代機器翻譯研究的悠久領域,依序從規則式、統計式發展到深度學習(Transformer),並隨著大型語言模型的出現取得突破性成果。

透過案例理解

以下用一個假設案例說明。首都圈家電租賃公司 A 公司擁有 480 名員工,客服人力 32 人,每月接獲 12,000 件客戶諮詢。其中 5,000 件 KakaoTalk 訊息與電子郵件需由客服人員逐一閱讀、手動分類,首次回覆平均要花 14 分鐘;而被分派到錯誤團隊後又退回的重新轉派每週 210 件。以 4 個月的時程導入 NLP 分類與摘要功能。

  1. 客服團隊的金組長打開近 3 個月的 5,200 件諮詢,依「安裝延遲・費用諮詢・解約」等 14 種類型加上標籤,並先定下原則:"分類名稱要用客服人員實際使用的語言來命名"。
  2. 在外部模型上加入 300 組內部縮寫詞典進行試驗分類,準確率僅 78%,'安裝延遲'與'解約'持續混淆。再加入兩類範例句 400 筆,把準確率提升到 89%。
  3. 在 KakaoTalk 與郵件諮詢上加上自動分類與三行摘要,並顯示在諮詢畫面最上方後,這位經理表示"不必再從頭重讀過去的紀錄了"。
  4. 信心度低於 0.8 的案件不自動分派,改由 2 位資深客服專員直接審核的待處理佇列處理;每日平均約 60 件流入此窗口,錯誤分派明顯減少。
  5. 4 個月後,首次回應時間平均從 14 分鐘縮短為 5 分鐘,轉派次數從每週 210 筆減少為 48 筆,原本用於分類與摘要的每月 320 小時,則轉移到改善諮詢品質的工作上。
相關術語
與此術語相關的課程
📚AI 代理實務入門Nanum 經營顧問企業內訓 · 實體/線上查看課程 →
是否需要針對此主題進行企業內訓?
立即取得負責人為您量身打造的課程規劃與報價。
教育洽詢
最後修訂 2026年9月13日 · 監修 金鍾赫

常見問題

LLM 是大幅推進 NLP 的最新模型。NLP 是領域,LLM 則是該領域中強大的工具。
過去相較英文較弱,但近期的大型模型在韓文處理上也大幅進步。
LLM 是大幅推進 NLP 後的結果。NLP 則是處理語言的整個領域。
最新模型也能很好地處理韓文。不過同樣內容會耗用更多 token,成本也會稍微高一些。