Содержание

Нейролингвистическое программирование — это… Что такое Нейролингвистическое программирование?

Возможно, эта статья содержит оригинальное исследование.

Добавьте ссылки на источники, в противном случае она может быть выставлена на удаление.
Дополнительные сведения могут быть на странице обсуждения. (25 мая 2011)

Проверить нейтральность.

На странице обсуждения должны быть подробности.

Нейролингвистическое программирование (также нейро-лингвистическое программирование, НЛП, от англ. Neuro-linguistic programming) — направление в психотерапии и практической психологии[1][2], не признаваемое академическим сообществом. Основано на технике моделирования (копирования) вербального и невербального поведения людей, добившихся успеха в какой-либо области, и наборе связей между формами речи, движением глаз и тела и памятью[3][4].

Было разработано в 1960-х — 1970-х годах группой соавторов, вскоре приобрело популярность. В настоящее время НЛП практикуется в основном тренинговыми компаниями, а также коммерческими организациями в психологических тренингах для персонала. Об НЛП выпускается большое количество популярной литературы.

НЛП иногда классифицируется как паранаучное направление[5][6]. Существует ряд исследований эффективности НЛП с положительным результатом, однако бо́льшая часть научных экспериментов говорят о неэффективности методик НЛП и отсутствии у них научного обоснования. Некоторые критики выражают сомнения в этичности применения НЛП[7].

История развития

Нейролингвистическое программирование разрабатывалось совместно тремя людьми

[8][9][10][11]Ричардом Бендлером, Джоном Гриндером, Фрэнком Пьюселиком под попечительством антрополога, социального учёного, лингвиста и кибернетика Грегори Бейтсона в Калифорнийском университете, Санта-Крус, в 1960-е и 1970-е годы.

В основу НЛП легла техника копирования вербального и невербального поведения трех психотерапевтов: Фриц Пёрлз (гештальттерапия), Вирджиния Сатир (семейная терапия) и Милтон Эриксон (эриксоновский гипноз)[12].

В начале 1980-х Бендлер и Гриндер разошлись, началась серия судебных процессов на тему авторских прав на бренд «NLP», что вызвало появление множества альтернативных названий. В течение 1990-х в некоторых странах (например, Великобритания) был предпринят ряд попыток привести НЛП к более формальному и регулируемому основанию. Около 2001 года история с судебными исками была завершена.

Общие сведения

Основываясь на языковых паттернах и сигналах тела, собранных экспертными методами во время наблюдений нескольких психотерапевтов[13], практикующие нейролингвистическое программирование считают, что нашу субъективную реальность определяют убеждения, восприятие и поведение, и, следовательно, возможно проводить изменения поведения, трансформировать убеждения и лечить травмы.[13][14][15] Техники, выработанные на основе данных наблюдений, своими создателями описывались как «терапевтическая магия», тогда как само НЛП описывалось как «исследование структуры субъективного опыта».

[16][17] Эти утверждения основываются на принципе, что любое поведение (будь то самое совершенное или дисфункциональное) не проявляется случайно, но имеет структуру, которую возможно понять.[15][18] НЛП применяется в целом ряде сфер деятельности: продажи, психотерапия, коммуникация, образование, коучинг, спорт, управление бизнесом, межличностные отношения, а также в духовных движениях и при соблазнении. Как среди практиков, так и среди скептически настроенных людей существует значительное разнообразие мнений относительно того, что следует считать НЛП, а что не следует.

Философская база

НЛП эклектично и фокусируется на вопросе «что работает». По этому вопросу Дракмэн отмечает[19]:

Система эта была разработана при ответе на вопрос, почему определённые психотерапевты так эффективно взаимодействуют со своими клиентами. Вместо того, чтобы исследовать данный вопрос с точки зрения психотерапевтической теории и практики, Бендлер и Гриндер обратились к анализу того, что делали эти психотерапевты на наблюдаемом уровне, категоризировали это и применяли категории в виде общих моделей межличностного влияния. НЛП пытается научить людей наблюдать, делать предположения и реагировать на людей так же, как те три крайне эффективных психотерапевта.

Область применения НЛП

Во время появления нейролингвистического программирования его главной задачей была сфера коммуникативных и языковых явлений. Согласно представлениям нейролингвистического программирования наш опыт складывается из наших ощущений и особенностей человека. В системе нейролингвистического программирования нет чётких граней того, что возможно познать, к тому же считается, что лучше исследовать опыт человека, чем что-то другое. В результате этого появилось несколько областей применения нейролингвистического программирования:

  • различные психологические явления, такие как фобии;
  • бессознательные феномены: погружение в транс и другие бессознательные процессы;
  • в медицине нейролингвистическое программирование применяется для управления болевыми ощущениями и здоровьем;
  • изучение парапсихологических явлений: экстрасенсы, предсказатели;
  • бизнес, в основном используется при тренинге персонала;
  • повседневные ситуации, такие как переговоры, или же просто разговор с ребёнком;
  • исследования духовных состояний и переживаний человека;
  • изучение поведения человека, а также выяснения причин резкого изменения его поведения;
  • совершенствование работы с различными ситуациями общения;
  • моделирование поведения некоторых известных личностей, с целью узнать, как повёл бы себя этот человек в определённой ситуации
    [источник не указан 624 дня]    .

Цели применения НЛП

Главной целью НЛП является глубокое познание своего поведения, а также его совершенствования. Также НЛП разрабатывает системы специальных приёмов, направленных на совершенствования тех или иных качеств человека, необходимых для успешного выполнения поставленных перед ним задач из самых различных областей человеческой деятельности и различной значимости[источник не указан 624 дня].

Критика НЛП

Различными людьми поднимаются вопросы о неэффективности практик НЛП, неэтичности использования НЛП, НЛП как психокульте, псевдонауке, преувеличенных и ложных заявлениях сторонников НЛП

[20][21]. Критика разделяется на два потока: с одной стороны, утверждается, что НЛП неэффективно и является мошенничеством, с другой же вопрос стоит относительно этичности его применения.

По мнению М.Сингер, изучению корректности моделей, используемых НЛП, посвящено недостаточное количество научных исследований. Она выступает за недопустимость употребления слова «наука» по отношению к НЛП.[22] Как указывает М. Корбаллис, название «нейролингвистическое программирование» было выбрано, чтобы умышленно создать впечатление научной респектабельности, тогда как «НЛП имеет мало общего с нейрологией, лингвистикой или даже респектабельной поддисциплиной нейролингвистикой»

[23].

Научная критика

Со времени создания НЛП было проведено множество эмпирических исследований, экспериментально проверявших в лабораторных условиях эффективность методик НЛП и обоснованность его концепций. Бо́льшая часть научных экспериментов показала неэффективность методик НЛП, и отсутствие у них научного обоснования, хотя результаты ряда исследований всё же были положительными. Обзор исследований, проведенный Шарпли в 1984[24] и обзор, написанный в 1987, в ответ на критику Эйншпроха и Формана[25], показывают что эмпирические данные не подтверждают базовых положений НЛП, однако ряд методов НЛП дают результат[16][24].

Некоторые исследователи указывают на недостаточную проверку теорий НЛП в лабораторных условиях

[26]. НЛП также критикуют за то, что оно не является наукой и не имеет чётких теоретических обоснований.

Хотя оно заявляет о неврологии в своей родословной, устаревшее представление НЛП об отношениях между когнитивным стилем и функционированием мозга, в конечном счете, сводится к грубым аналогиям. НЛП греется в лучах бесчисленных экспансивных свидетельств, но Национальный Исследовательский Совет (National Research Council) не мог выявить никаких достаточных данных в его пользу, или даже сжатого изложения его основной теории. (Beyerstein, 1990)[27]

Одно исследование (Krugman, 1985) показывает, что НЛП не более эффективно в уменьшении тревоги, чем простое ожидание в течение часа.

[28]

Богословская критика

В России многие общественные деятели и представители Православной церкви считают, что использование НЛП неприемлемо в рамках православия, поскольку для НЛП отношения между людьми становятся средством к личному успеху вместо средства к тео́зису через жертвенную любовь к ближнему[29][30].

Вопрос этичности

Поскольку курсы НЛП доступны многим людям, некоторые авторы выражают озабоченность возможностью неэтического использования НЛП. Например, в книге «Технологии изменения сознания в деструктивных культах», изданной под авторством Тимоти Лири[31](который с энтузиазмом относился к НЛП и с которым в конце 1980-х сотрудничал Роберт Дилтс, когда вводил концепцию реимпринтинга Т. Лири в НЛП

[32][33]), М. Стюарт и других авторов, отмечается: «Большое количество людей познакомилось с техниками погружения в гипнотический транс, не имея ни малейшего представления об этической стороне работы с подсознанием».[34]

Известный американский антикультист Рикк Росс утверждает, что приёмы нейролингвистического программирования используются в некоторых новых религиозных движениях для обращения людей и их последующего контроля.[35] Помимо этого, нейролингвистическое программирование рассматривается некоторыми исследователями в контексте психокультов и альтернативных религий в связи с тем, что корни НЛП можно найти в движении за человеческий потенциал. В книге Стивена Ханта «Alternative Religions: A Sociological Introduction» обсуждается наличие религиозного аспекта в движении НЛП:

Альтернативой саентологии является нейро-лингвистическое [программирование] (НЛП), хотя, как и в других случаях, рассмотренных ниже, в ней содержится больше неявно выраженной религиозности. … Вероятно, [в НЛП] присутствуют некоторые схожие моменты со школами восточного мистицизма. Например, в кратких биографиях тренеров НЛП всегда упоминаются имена людей, у которых они обучались. Не являясь религиозной системой per se, эта программа может рассматриваться как аналогичная новым религиям восточного происхождения, восходящим в своей истории через вереницу гуру, и эзотерическим движениям, заявляющим о праве называться аутентичными благодаря своему происхождению из предшествующих движений.[36]

Концепции и методики

Согласно одному из сторонников НЛП Роберту Дилтсу, «НЛП имеет теоретическую основу в нейрологии, психофизиологии, лингвистике, кибернетике и теории коммуникации».[37] Философской основой НЛП по его мнению является структурализм. Другие сторонники НЛП считают, что оно основывается не на теории, а на моделировании. В целом, практики НЛП более заинтересованы в том, что эффективно, а не в том, что истинно.[17]

Пресуппозиции

Экология

Сторонники НЛП определяют экологию как заботу о целостности взаимосвязей между существом и окружающей средой. Употребляется также в отношении внутренней экологии: уравновешенность взаимосвязей между личностью и ее мыслями, поведением, способностями, ценностями и убеждениями.

Латерализация мозга

Концепция функциональной асимметрии полушарий («латерализация мозга») используется в качестве одного из источников для базового предположения НЛП о том, что глазодвигательные сигналы (и иногда жесты) связаны с визуальной/аудиальной/кинестетической репрезентативной системами и определёнными зонами мозга.[38] Например, согласно одной из теорий функциональной асимметрии[39], левая сторона считается более логическо-аналитической, а правая — более креативно-творческой[40], и зоны мозга, как считается, специализируются на выполнении определённых функций, например, связанных с математикой и речью.

Впрочем, такие утверждения не вполне соответствуют современным научным представлениям в области физиологии мозга, и часто критикуются, как грубая и ненаучная аналогия.

Название

Разработчики НЛП, Ричард Бендлер и Джон Гриндер, объясняют, что в нейролингвистическом программировании воплощены идеи Коржибски относительно того, что наши карты, или модели мира являются искажёнными репрезентациями ввиду особенностей нейрологического функционирования и ограничений, связанных с ним. «Информация о мире получается рецепторами пяти чувств и затем подвергается различным нейрологическим трансформациям и лингвистическим трансформациям даже до того, как мы впервые получаем доступ к этой информации, что означает, что мы никогда не переживаем на опыте объективную реальность, не изменённую нашим языком и нейрологией».[41]

Альтернативные названия

Также иногда приёмы нейролингвистического программирования адаптируются под другими именами, не связанными с НЛП.

Некорректное использование названия

Отдельные тренеры иногда предлагают и разрабатывают свои собственные методы, концепции и лейблы под брендом «НЛП»[21]. Более того, многие организации, называя себя «Центрами НЛП», зачастую нарушают основные принципы направления; в частности, декларируют, что НЛП — это наука.

Примечания

  1. ↑ Клиническая психология. Словарь
  2. ↑ И. Кондаков. Психологический словарь, 2000 г.
  3. ↑ Oxford English Dictionary, Draft revision September, 2009, «neurolinguistic programming n. a model of interpersonal communication chiefly concerned with the relationship between successful patterns of behaviour and the subjective experiences (esp. patterns of thought) underlying them; a system of alternative therapy based on this which seeks to educate people in self-awareness and effective communication, and to change their patterns of mental and emotional behaviour.»[1]
  4. ↑ Оксфордский толковый словарь по психологии/Под ред. А.Ребера,2002 г.
  5. ↑ Берулава Г. А. Методологические основы деятельности практического психолога. — М.: Высшая школа, 2003. — 4000 экз. — ISBN 5-06-004382-7
  6. ↑ В. П. Даниленко. Что такое инволюция
  7. ↑ Даниленко В. П. «Инволюция в науке: психологические квазинауки»
  8. ↑ Was Frank Pucelik 1 of the Founders of NLP?
  9. ↑ Neuro-linguistic Programming
  10. ↑ Срок регистрации домена frankpucelik.ru истёк
  11. ↑ Интервью с Дж. Гриндером
  12. ↑ Andreas S., Faulkner C. NLP: The New Technology of Achievement. NLP Comprehensive, 1994. (англ.)
  13. ↑ 1 2 Bandler, Richard & Grinder, John (1979). Frogs into Princes: Neuro Linguistic Programming. Moab, UT: Real People Press. (англ.)
  14. ↑ Bandler, Richard & John Grinder (1983). Reframing: Neurolinguistic programming and the transformation of meaning. Moab, UT: Real People Press. (англ.)
  15. ↑ 1 2 Bandler, Richard & John Grinder (1975a). The Structure of Magic I: A Book About Language and Therapy. Palo Alto, CA: Science & Behavior Books. ISBN 0-8314-0044-7. (англ.)
  16. ↑ 1 2 Sharpley C.F. (1987). «Research Findings on Neuro-linguistic Programming: Non supportive Data or an Untestable Theory». Communication and Cognition Journal of Counseling Psychology, 1987 Vol. 34, No. 1. (англ.)
  17. ↑ 1 2 Dilts, Robert B, Grinder, John, Bandler, Richard & DeLozier, Judith A. (1980). Neuro-Linguistic Programming: Volume I — The Study of the Structure of Subjective Experience. Meta Publications, 1980. (англ.)
  18. ↑ The First Institute. What is Neuro-Linguistic Programming?. 1996. (англ.)
  19. ↑ Druckman, Enhancing Human Performance: Issues, Theories, and Techniques (1988) p.138 (англ.)
  20. ↑ Alok Jha. Was Derren Brown really playing Russian roulette — or was it just a trick?. The Guardian, 9 октября 2003. (англ.)
  21. ↑ 1 2 neuro-linguistic programming (NLP) (англ.)
  22. ↑ Margaret Thaler Singer, Janja Lalich Crazy Therapies: What Are They? Do They Work?. — San Francisco, CA,: Jossey-Bass, 1996. ISBN 0-7879-0278-0
  23. ↑ Corballis, M. in Sala (ed) (1999) Mind Myths. Exploring Popular Assumptions About the Mind and Brain Author: Sergio Della Sala Publisher: Wiley, John & Sons ISBN 0-471-98303-9 p.41
  24. ↑ 1 2 Sharpley, C. F. (1984). Predicate matching in NLP: A review of research on the preferred representational system. Journal of Counseling Psychology, 31(2), 238—248.  (англ.)
  25. ↑ Einspruch, E. L., & Forman, B. D. (1985). «Observations Concerning Research Literature on Neuro-Linguistic Programming». Journal of Counseling Psychology, 32(4), 589—596.  (англ.)
  26. ↑ Kelton Rhoads, What about NLP?. 1997. (англ.) (Рус. перевод)
  27. ↑ Beyerstein, BL. (1990). Brainscams: Neuromythologies of the New Age. International Journal of Mental health, 19 (3), 27-36. (англ.)
  28. ↑ Krugman, Martin. Neuro-linguistic programming treatment for anxiety: Magic or myth? // Journal of Consulting and Clinical Psychology. 53(4), Aug 1985, 526—530. (англ.)
  29. ↑ Монастырские беседы НЛП или Православие?
  30. ↑ Игумен Антоний (Логинов), протоиерей Сергий Гончаров. NLP — практика игумена Евмения
  31. ↑ Т.Лири, М.Стюарт Технологии изменения сознания в деструктивных культах. (рус.)
  32. ↑ Dilts R. The Influence of Timothy Leary on Re-Imprinting. (англ.)
  33. ↑ About Timothy Leary // IncreasingIntelligence.com. (англ.)
  34. ↑ Т.Лири, М.Стюарт и др. Технологии изменения сознания в деструктивных культах. — СПб.: «Экслибрис», 2002. 224 с.
  35. ↑ Inside the cults of mind control // Sunday Age, Melbourne, Australia/April 3, 1994. (англ.)
  36. ↑ Hunt, Stephen J. (2003) Alternative Religions: A Sociological Introduction, London: Ashgate p.195 ISBN 0-7546-3409-4 Режим доступа: стр. 195—196 (Books.google.com). (англ.)
  37. ↑ Robert Dilts. Roots of NLP (1983) p.3  (англ.)
  38. ↑ Dilts R. Modeling With NLP. Meta Publications, Capitola, CA, 1998. (англ.)
  39. ↑ Интересное интервью «Правая и левая стороны души» с Вадимом Ротенбергом (3 ноября 2006):
    «Способность к логическим умозаключениям, к вероятностному прогнозу на основе проанализированного прошлого опыта, к однозначному взаимопониманию в процессе вербального общения — функция левого полушария мозга, особенно левой лобной доли. … Мир противоречив во многих своих проявлениях, и в этом богатстве, разнообразии и противоречивости связей человек тоже не должен чувствовать себя потерянным. За целостное восприятие многозначного мира и за основанное на этом восприятии поведение и творчество ответственно правое полушарие, и тоже в наибольшей степени правая лобная доля».
  40. ↑ Bandler, Richard, John Grinder, Judith Delozier (1977). Patterns of the Hypnotic Techniques of Milton H. Erickson, M.D. Volume II. Cupertino, CA: Meta Publications. p.10, 81, 87. (англ.)
  41. ↑ Grinder, John & Carmen Bostic St Clair (2001.). Whispering in the Wind. CA: J & C Enterprises. ISBN 0-9717223-0-7 (англ.)

Библиография НЛП

Терминология НЛП

См. также

Ссылки

Общая информация
  • Нейролингвистическое программирование в библиотеке Максима Мошкова
  • Информация о русскоязычном НЛП, новости, расписание, тренеры, центры, НЛП-форум
  • NLP-System.Com — всё об НЛП, материалы для изучения, техники, тренинги
  • Всероссийский Фестиваль НЛП
  • Ресурсы НЛП — множество материалов по НЛП и Эриксонианскому гипнозу (wiki)
  • О’Коннор Дж., Сеймор Дж., «Введение в нейролингвистическое программирование»
  • Дилтс Р., Делозье Дж., «Encyclopedia of Systemic NLP and NLP New Coding» (англ.)
  • American Cancer Society: Neuro-Linguistic Programming (англ.)
  • Holistic online: NeuroLinguistic Programming (англ.)
  • НЛП-тренинг. Увеличение силы ваших способностей, Холл Майкл
НЛП в психотерапии
Критика

НЛП — это… Что такое НЛП?

  • НЛП — Аббревиатура Нейролингвистическое программирование. Краткий толковый психолого психиатрический словарь. Под ред. igisheva. 2008 …   Большая психологическая энциклопедия

  • НЛП — Аббревиатура Нейролингвистическое программирование …   Универсальный дополнительный практический толковый словарь И. Мостицкого

  • НЛП — Нейролингвистическое программирование (НЛП) (англ. Neuro linguistic programming) (также встречается вариант «нейро лингвистическое программирование»)  комплекс моделей, техник и операционных принципов (контекстуально зависимых убеждений),… …   Википедия

  • Нлп — Нейролингвистическое программирование (НЛП) (англ. Neuro linguistic programming) (также встречается вариант «нейро лингвистическое программирование»)  комплекс моделей, техник и операционных принципов (контекстуально зависимых убеждений),… …   Википедия

  • НЛП — Аббревиатура Нейролингвистическое программирование …   Словарь нейролингвистического программирования

  • НЛП — (эн эл пи)(нейро лингвистическое программирование)          1. Теория о взаимодействии человека с окружающим миром посредством внутреннего программирования. 2. Дисциплина, занимающаяся моделированием (выявлением, формализацией) и передачей… …   Учебный словарь терминов рекламы и паблик рилейшенз

  • НЛП — Национально либеральная партия (Ливан) национально либеральная партия нейролингвистическая психология нейролингвистическое программирование …   Словарь сокращений русского языка

  • НЛП (значения) — НЛП: Нейролингвистическое программирование Наплавной лёгкий парк …   Википедия

  • НЛП и наука — Одна из статей на тему Нейролингвистическое программирование (НЛП) Основные статьи НЛП · Принципы · История Новый код · НЛП и наука · Библиография Принципы и методы Раппорт · Рефрейминг · Милтон модель Репрезентативные системы · Нейрологические… …   Википедия

  • Пресуппозиции НЛП — Эта статья  о понятии нейролингвистического программирования. О термине в лингвистической семантике см. Пресуппозиция. Одна из статей на тему Нейролингвистическое программирование (НЛП) Основные статьи НЛП · Принципы · История …   Википедия

    • Как переводится нлп в психологии — Женщина бриллиант-новостной женский портал

    Познай искуство НЛП. Что такое НЛП?

    Нейролингвистическое программирование, более известное под аббревиатурой НЛП, есть практическая психология, инструменты и методы которой могут быть применены для улучшения нашей жизни . НЛП это средство измерения, использования и изменения психических программ. Разработанное в семидесятых годах Ричардом Бендлером и Джоном Гриндером, НЛП в настоящее время является распространённой практикой среди психологов, психотерапевтов, коучей и большинства людей интересующихся саморазвитием. В этой статье я постараюсь как можно проще объяснить вам, что такое НЛП.

    Для начала давайте определим значение входящих в аббревиатуру НЛП слов.

    Нейро: Мы взаимодействуем с реальностью посредством пяти наших органов чувств и нервной системы. Всё что мы видим, слышим, обоняем, осязаем и чувствуем на вкус – есть опыт, у человека нет других способов взаимодействия с окружающим миром.

    Лингвистическое: Наш опыт закодирован, организован и осмыслен языком и не вербальными средствами коммуникации. Мы можем передавать информацию только посредством слов, жестов и неосознанного языка тела. Мы можем оперировать информацией, осмыслять и понимать её только через слова.

    Программирование: Мы исследуем, используем и по мере необходимости изменяем нашу систему поведения, язык и невербальные средства связи. Наше поведение и действия определяют результаты, которые мы получаем в своей жизни, поэтому, если мы хотим изменить что-то в своей жизни, мы должны для начала изменить своё поведение и способ действий.

    С помощью НЛП мы ведём наблюдения, выявляем и изучаем закономерности в поведении человека и результатах, которые он получает с помощью этого поведения, в дальнейшем копируем полезные модели поведения и получаем желаемые результаты. Кроме того, НЛП позволяет нам изменять наше отношение к вещам, обстоятельствам и ситуациям, а также наше внутреннее состояние. Изменяя внутреннее, мы изменяем внешнее – наш жизненный опыт определяет наше отношение и убеждения, а наше отношение и убеждения определяют наш жизненный опыт, и наоборот.

    В основе НЛП лежат две фундаментальные пресуппозиции – наши предположения о том или ином аспекте нашей жизни, на основе которых мы строим свой опыт:

    1. Карта не территория. Как человеческие существа мы не можем знать действительной реальности, поскольку строим её на основе своих наблюдений, через органы наших чувств. У каждого своя карта мира, и каждый из нас видит окружающий мир по-разному.

    2. Жизнь и «разум» взаимосвязаны. Внешнее является отражением внутреннего. Любое внутренне изменение ведёт к изменениям внешним, любое внешнее изменение приводит к изменениям внутренним.

    Мы не раз будем возвращаться к пресуппозициям, поскольку это действительно важная тема, требующая отдельного разговора. Любое наше убеждение, по сути своей есть пресуппозиция, которая влияет на наш внешний и внутренний мир. И это то, к чему следует отнестись особо внимательно.

    НЛП обеспечивает нас инструментами и навыкам для развития собственного мастерства, устанавливает систему убеждений, расширяет права и возможности, для совершения изменений в жизни и самом себе. НЛП даёт человеку средства самопознания, изучения личности и миссии, обеспечивает основу для понимания и отношения к духовной части человеческого опыта. Пожалуй, вы не найдёте для себя более мощных, научно обоснованных инструментов для улучшения своей личности.

    Вообще, возможности НЛП, можно сказать, безграничны, существует масса техник НЛП под самые разные жизненные ситуации. Его используют в сфере образования, менеджмента, маркетинга, личной жизни и лечении фобий. На основе НЛП разработаны бесценные для саморазвития техники. Давайте рассмотрим несколько преимуществ нейролингвистического программирования:

    Лёгкое достижение целей. Приобретение навыков и стратегий. Создание положительных изменений. Уверенное поведение в любых ситуациях. Избавление от страхов. Увеличение мотивации. Генерация идей. Творческое вдохновение. Построение взаимопонимания с другими людьми.

    Это лишь малая часть из всех преимуществ, которые может дать вам изучение и применение Нейролингвистического программирования в своей жизни. Я посвящу теме преимуществ НЛП отдельную статью, где вы сможете узнать, настолько в действительности ценной может оказаться практическая психология, чем с сущности и является нейролингвистическое программирование.

    В завершение темы хотелось бы отметить, что НЛП – действительно очень эффективная практика, но вам не обязательно досконально изучать её, чтобы создавать изменения в своей жизни. Многие из инструментов и методов, которые применяются в НЛП, могут быть успешно использованы без выяснения всех подробностей. Я же постараюсь привести многие из них в доступной для изучения и применения форме. Успехов вам

    Источник

    НЛП — Нейролингвистическое программирование

    Нейролингвистическое программирование является популярным и бурно обсуждаемым направлением практической психологии. Актуальность данного предмета обусловлена рядом причин. Во-первых, методы НЛП находятся на стыке нескольких дисциплин: психологии, психотерапии, программирования и языкознания. Во-вторых, НЛП представляет собой новое исследовательское направление, нацеленное, главным образом, на практическое применение в жизни человека. Кроме того, хотя нейролингвистическое программирование часто критикуется академическим сообществом, данная дисциплина содержит большое количество полезных и «работающих» приёмов, о которых и пойдёт речь в уроках этого раздела. В данном онлайн-тренинге вы бесплатно научитесь пользоваться ключевыми техниками НЛП: метамоделью, фреймингом, рапортом, якорением, работой с состояниями и репрезентативными системами, а также познакомитесь с лучшими практиками, играми, книгами, видеороликами данной тематики.

    Содержание

    Что это такое?

    НЛП (Нейролингвистическое программирование) – это область практической психологии, разрабатывающая прикладные техники, моделирующие приёмы и практики знаменитых психотерапевтов и мастеров коммуникаций.

    Другими словами, НЛП занимается изучением положительного опыта специалистов в области психотерапии, гештальтпсихологии, психоанализа, лингвистики, гипноза, с целью в дальнейшем использовать этот опыт. По сути, НЛП представляет собой моделирование приёмов успешных людей для того, чтобы сделать эти приёмы общедоступными.

    Стоит отметить, что НЛП не является наукой, а знания, в силу особенностей их получения, не могут быть полноценно научно верифицированы. Более того, научное сообщество скептически относится к данному направлению, и в вузах редко можно встретить курсы по НЛП. Но важно понимать, что у создателей НЛП не было цели сделать полноценную научную теорию. Им важно было найти общедоступные техники, раскрывая сложные методики известных практиков психологии.

    Краткая история

    Совместная работа по созданию нейролингвистического программирования была начата в конце 1960-х годов группой специалистов Калифорнийского университета: Ричардом Бендлером, Джоном Гриндером, Фрэнком Пьюселиком во главе с их научным попечителем знаменитым ученым-антропологом Грегори Бейтсоном. Система НЛП была разработана с целью ответить на вопрос, почему определённые психотерапевты так эффективно взаимодействуют со своими клиентами. Вместо того чтобы исследовать данный вопрос с точки зрения психотерапевтической теории, Бендлер и Гриндер обратились к анализу методов и техник, применяемых этими психотерапевтами, путем наблюдения за ходом их работы. Затем ученые сгруппировали изученные методы в различные категории и представили их в виде общих моделей межличностных отношений и влияния людей друг на друга.

    Знаменитыми специалистами, чей профессиональный опыт было решено преобразовать в модели, были выбраны:

    • Вирджиния Сатир — семейная терапия
    • Милтон Эриксон — эриксоновский гипноз
    • Фриц Пёрлз — гештальттерапия

    Первые результаты изучения практических навыков этих психотерапевтов появились в 1975 году и были опубликованы в работе «Структура Магии. Том 1» (1975). Затем расширенные материалы исследования модели были представлены в книгах «Структура Магии. Том 2» (1976) и «Изменения в семье» (в соавторстве с Вирджинией Сатир, 1976). Результатом проведенной работы стала так называемая Метамодель, о которой вы узнаете из первого урока нашего тренинга. Эта модель послужила фундаментом для дальнейших исследований в данной области и привела к созданию целого направления практической психологии. Сегодня НЛП является открытой методологией, имеющей множество последователей, дополняющих ее авторскими разработками.

    Подробнее про историю НЛП можно прочитать в Википедии.

    Применение навыка НЛП

    НЛП пытается научить людей наблюдать, понимать и воздействовать на себя и окружающих так же эффективно, как это делают опытные психотерапевты и мастера коммуникаций. Поэтому у НЛП широкий спектр применения, в который можно включить такие направления, как:

    НЛП позволяет развивать коммуникативные навыки, необходимые каждому человеку. Кроме того, НЛП помогает личному развитию: способности правильно понимать свои эмоциональные состояния, разносторонне воспринимать окружающий мир, достигать гибкости в поведении. Продвинутые техники НЛП позволяют лечить фобии и психологические травмы, сохранять хорошую психическую форму и поддерживать высокий уровень работоспособности.

    Как этому научиться

    В соответствии с главными принципами НЛП, практически любой человек способен освоить все техники этой теории. Как правило, популярные тренинг-центры выделяют три основных ступени обучения нейролингвистическому программированию:

    1. Курс НЛП-практик: изучение навыков НЛП и умение применять их на практике.
    2. Курс НЛП-мастер: углубленное изучение техник НЛП.
    3. Курс НЛП-тренер: умение работать с аудиторией и знание особенностей преподавания НЛП.

    Часто тренинги могут длиться по несколько недель и стоить достаточно дорого, однако очные курсы не являются единственным способом освоения азов нейролингвистического программирования. Исследовав опыт обучения данному навыку, мы пришли к выводу, что всем техникам НЛП (или, по крайней мере, большинству из них) можно научиться самостоятельно. Мы подготовили ряд уроков, которые помогут вам развить полезные компетенции для полноценного овладения приёмами этого психологического направления.

    Хотите проверить свои знания?

    Если вы хотите проверить свои теоретические знания по теме курса и понять, насколько он вам подходит, можете пройти наш тест. В каждом вопросе правильным может быть только 1 вариант. После выбора вами одного из вариантов, система автоматически переходит к следующему вопросу.

    Напоминаем, что для полноценной работы сайта вам необходимо включить cookies, javascript и iframe. Если вы ввидите это сообщение в течение долгого времени, значит настройки вашего браузера не позволяют нашему порталу полноценно работать.

    Уроки НЛП

    Цель нашего онлайн-курса состоит в том, чтобы научить вас использовать основы нейролингвистического программирования, которым обучают на базовых занятиях НЛП. В нашем тренинге вы не найдете полного курса гипноза и «высшего пилотажа» НЛП, однако мы постарались представить все ключевые приемы и понятия, которые лежат в основе гипноза и продвинутых концепций.

    Если вы пока просто хотите познакомиться с основами НЛП, тогда можете пройти уроки представленные ниже. Уроки 1 и 2 посвящены языковым моделям, уроки 3 и 4 содержат материал о невербальных техниках коммуникации, а урок 5 расскажет об эффективных методах саморазвития.

    Урок 1. Модель языка или метамодель НЛП. Одной из самых первых и популярных концепций НЛП является модель языка или, как ее называют, метамодель. Эта модель помогает лучше понять смысл речи человека. Всё дело в том, что высказывая свои мысли, мы не можем абсолютно точным образом передать собеседнику то, о чем думаем. Что-то мы упускаем, считая, что это и так понятно, что-то неумышленно искажаем. Но может ли нас правильно понять собеседник, коллега, подчиненный? Не всегда, если вы не хороший психотерапевт или психоаналитик. Чтобы правильно понять человека, профессиональные психотерапевты задают ему специальные вопросы, которые помогают им войти в глубинную структуру человеческих мыслей. Метамодель нейролингвистического программирования, описанная в данном уроке, поможет вам лучше понимать человека, а в некоторых случаях даже менять его собственное восприятие путем применения специальных техник психотерапии.

    Урок 2. Фрейминг и позиции восприятия. В этом уроке вы познакомитесь с двумя полезными НЛП-техниками. Первая из них, фрейминг, научит вас обрамлять свои мысли в различные рамки (frame, в переводе с английского — рамка), что, несомненно, поможет вам развить коммуникационные способности. Вторая техника, позволит вам работать пятью позициями восприятия и репрезентации действительности. Обе эти модели способны активно воздействовать на вашу речь, делая ее более гибкой.

    Урок 3. Репрезентативные системы. В двух предыдущих уроках вы познакомились с ключевыми лингвистическими техниками НЛП. Однако не менее важными в нейролингвистическом программировании являются модели понимания нейропроцессов и их воздействия на психику человека. В данном уроке речь пойдет о влиянии органов чувств на интерпретацию получаемого человеком опыта.

    Урок 4. Рапорт, калибровка, подстройка. Физиологические процессы, сопровождающие момент коммуникации не менее важны, чем сама речь. Известно, что невербальные приёмы являются существенной составляющей любого акта общения. Техники этого урока позволят вам влиять на свои физиологические характеристики во время коммуникации, что поможет вам быть «удобным» собеседником при общении с разными людьми.

    Урок 5. Результативность, работа с состояниями, якорение. В данном уроке будут рассматриваться техники НЛП, направленные на повышение эффективности человека, а также на его воздействие на собственные нервные процессы. Не многим известно, что популярные сегодня методы улучшения результативности, например, SMART, появились именно в рамках НЛП. В уроке будут представлены базовые модели, помогающие людям управлять своей мотивацией и эмоциональными состояниями.

    Как проходить занятия

    Для успешного освоения базовых техник НЛП вам потребуется:

    1. Изучать теорию, а не только стремиться запоминать последовательность действий.
    2. Тренироваться самостоятельно, выполняя упражнения курса.
    3. Стараться аккуратно использовать выученные техники на практике.

    Именно постоянное применение полученных знаний в жизни позволит вам по-настоящему овладеть нейролингвистическим программированием. Также важно отметить, что применение знаний НЛП повысит вашу внимательность во время коммуникации и научит вас самостоятельно моделировать (создавать) успешные приёмы и техники.

    Кроме того, для изучения НЛП рекомендуется освоить несколько общих правил, так называемых пресуппозиций нейролингвистического программирования.

    Пресуппозиции – базовые принципы НЛП

    Во время моделирования техник известных психотерапевтов разработчики НЛП вычленили несколько общих простых правил, которые использовали эти специалисты в своих трудах. Ученые объединили исследованный материал в общую систему пресуппозиций. Пресуппозиции в нейролингвистическом программировании (НЛП) — это аксиоматические убеждения, используемые как инструмент, облегчающий достижение максимально эффективных результатов от применяемых техник. Суть применения пресуппозиций состоит в том, что для наиболее эффективного обучения НЛП, их необходимо принять априори (как аксиому). Основными пресуппозициями НЛП являются:

    • Карта не есть территория (the map is not the territory). Также как самая подробная карта никогда не будет точным отображением территории, так и используемые нами слова не заключают в себе абсолютно точного отображения нашего опыта, репрезентацией которого они являются. В НЛП есть два уровня явлений: внешняя реальность и внутренняя субъективная реальность. Другими словами, в НЛП работают не с реальностью, или «территорией», а с субъективными восприятиями и убеждениями относительно реальности («картами»).
    • Человек, обладающий наибольшей гибкостью, имеет наибольшее влияние в системе. В любой системе человек, обладающий наиболее гибким поведением, способен рассматривать больше вариантов выбора и, следовательно, будет иметь в системе большее влияние. Соответственно, чем больше вариантов вы имеете в своем наборе инструментов коммуникации, тем меньше вероятность того, что вы окажетесь в тупиковом положении.
    • Не бывает поражений, есть только обратная связь. Эта пресуппозиция заимствована у Уильяма Росса Эшби из принципа важности петель обратной связи в теории информации. В нейролингвистическом программировании ничто не рассматривается в рамках понятий «успеха» и «неудачи». Неудачные результаты, следующие за какими-то действиями, представляют собой не повод для разочарования и отчаяния, а ценную информацию в виде обратной связи, которая определяет эффективность того, что вы делаете.
    • Разум и тело неизбежно влияют друг на друга. Это происходит потому, что в теле человека содержится примерно 100 миллиардов нервных клеток. Большинство этих клеток находятся в мозге. Каждый из ста миллиардов нейронов соединен, по крайней мере, с тысячей других. И, следовательно, в нас всё взаимосвязано, особенно, разум и тело.
    • Личность и поведение – это различные явления. Мы представляем собой нечто большее, чем наше поведение. В различных ситуациях мы можем совершать разные поступки, и часто делать это ненамеренно. Таким образом, поведение людей не определяет самих людей.
    • В основе любого поведения человека лежит позитивное намерение. Данная пресуппозиция заимствована из системы убеждений Вирджинии Сатир. Ее суть заключается в том, что даже кажущееся отрицательным поведение человека рассматривается в НЛП как попытка осуществить позитивное намерение (которое он может не осознавать).

    Это далеко не все основные принципы, которые выделяются в учебниках по НЛ программированию. Если собрать воедино все пресуппозиции знаменитых авторов НЛП, можно составить следующий список:

    Исходные предпосылки, касающиеся ментальной обработки:

    1. «Карта» – не «территория».
    2. Реакции людей соответствуют их картам.
    3. Значение зависит от контекста.
    4. Разум и тело неизбежно влияют друг на друга.
    5. Индивидуальные навыки являются результатом совершенствования и установления последовательности использования репрезентативных систем.
    6. Мы уважаем модели мира других людей.
    7. Личность и поведение – это различные явления. Мы представляем собой нечто большее, чем наше поведение.
    8. Каждый вид поведения практичен и полезен в определенном контексте.
    9. Мы оцениваем поведение и изменения в терминах контекста и экологии.

    Коммуникативные пресуппозиции:

    1. Мы не можем не общаться.
    2. Способ коммуникации влияет на наше восприятие.
    3. Смысл коммуникации заключается в той реакции, которую она вызывает.
    4. Человек, задающий фрейм коммуникации, контролирует ее.
    5. Не бывает поражений, есть только обратная связь.
    6. Человек, обладающий наибольшей гибкостью, имеет наибольшее влияние в системе.
    7. Сопротивление указывает на отсутствие раппорта.

    Пресуппозиции, касающиеся обучения, выбора и изменения:

    1. Люди обладают необходимыми для достижения цели внутренними ресурсами.
    2. Люди способны научиться чему-либо с одной попытки.
    3. Любая коммуникация должна увеличивать количество доступных альтернатив.
    4. Совершая какой-либо поступок, люди выбирают наилучший из имеющихся у них в данный момент вариантов.
    5. Мы можем управлять своим мозгом и контролировать результаты.

    Подробнее прочитать о пресуппозициях в НЛП вы сможете в учебнике «НЛП-практик», а также в Википедии.

    Дополнительный материал

    В рамках одного онлайн курса невозможно описать все возможные модели и техники нейролингвистического программирования. Это связано и с тем, что данное исследовательское направление продолжает развиваться, моделируя новые психологические и лингвистические техники. Многие из этих техник достаточно специфические, поэтому они будут интересны далеко не всем читателям 4brain. Чтобы вам было легче найти нужную информацию, мы решили дать ссылки на дополнительные материалы (книги, видео, статьи), которые не вошли в наш курс.

    Книги

    В магазинах можно встретить множество учебников по НЛП, но часто эти книги содержат мало полезной информации. Чтобы вы могли лучше ориентироваться в литературе по нейролингвистическому программированию, мы подобрали список наиболее популярных и проверенных книг. В него вошли:

    • Фокусы языка. Роберт Дилтс
    • Из лягушек — в принцы. Джон Гриндер
    • НЛП-практик: полный сертификационный курс. Учебник магии НЛП. Боденхамер Б., Холл М.
    • Искусство убеждать. Ричард Бендлер
    • 77 лучших техник НЛП. Майкл Холл
    • И некоторые другие.

    Видео

    В силу того что многие техники НЛП представляют собой конкретные речевые приёмы и способы поведения, всему этому сложно научиться, только лишь читая текстовое описание. Важной составляющей обучения являются наглядные примеры людей, которые уже освоили нужную технику, а также мастер-классы и лекции ведущих специалистов. Видеоролики с такими примерами и выступлениями мы тоже постарались включить в наш тренинг и дополнительные материалы.

    Другие материалы

    Кроме того, обратите внимание на другие наши онлайн-тренинги, которые дополняют знания НЛП:

    1. Тренинги по ораторскому искусству и писательскому мастерству – помогут вам лучше овладеть своими устными и письменными языковыми средствами.
    2. Курс уроков по психологии человека – познакомит вас с базовыми понятиями психологии: личность, мотивация, социум, развитие.
    3. На занятиях по лидерству – вы узнаете о качествах настоящих лидеров и стилях управления.

    А теперь предлагаем вам познакомиться с первым уроком по нейролингвистическому программированию: «Модель языка».

    Желаем вам успешного обучения основным техникам НЛП!

    Источник

    Модель НЛП:: SCORE — trEnings.ru: всё о НЛП

     

    Модель SCORE — это модель эффективно организованного сбора информации.

    Модель SCORE разработали Роберт Дилтс и Тодд Эпштейн в 1987 году. Она описывает процесс, который они интуитивно использовали для определения проблемы и разработки интервенций. Он возник после серии семинаров по супервизии для НЛП-практиков. Дитлс и Эпштейн обнаружили, что они систематически организуют свой подход к проблеме не так, как их слушатели, НЛП-практики, и этот подход позволяет им эффективнее находить истоки проблемы. Они заметили: то, что они делают интуитивно, но систематически, не имеет точного описания ни в одной модели или технике НЛП.

    Собственно, модель SCORE описывает точки, про которые нужно всё-всё уточнить – это аббревиатура от названия этих точек. И если по-английски это вполне приличный бэкроним: «score» переводится как «отметка», «счет» и т.п., — по-русски всё так красиво не получается. Поэтому оставили английское название.

    Symptoms: симптомы, настоящее состояние.

    Causes: причины.

    Outcomes: результат, желаемое состояние.

    Resources: ресурсы.

    Effects: эффекты, последствия.

     

    Симптомы/Настоящее состояние

    Нынешняя ситуация. Что именно хочется изменить. Но так как мы идём от сенсорных признаков – НЛП всё таки – наибольший фокус как раз них. Красиво это как раз и называется «симптомами», извините за медицинские ассоциации.

    «Нежелание заниматься спортом». Симптомы: при мысли о том, что «стоит сходить в спортзал» появляется тяжесть в теле, напряжение в области живота, мышцы расслабляются, хочется думать о чём-то другом. И тянет что-нибудь съесть вкусненькое.

    Причины

    Причины такой жизни. Прошлый опыт, который «научил» такому поведению.

    Во многих случаях, «причины» выяснять не обязательно – в НЛП больше любят работать с будущим, а не с прошлым. Так что если история появления текущего состояния не очень актуальна или не получается чётко всё вспомнить и уточнить – можно этот шаг успешно пропустить.

    В подростковом возрасте меня отец постоянно таскал бегать с собой, независимо от того, хотелось ли мне этого, было ли у меня время. И осталась такое чувство, что любой спорт – это принуждение.

    «Один мужик, когда был маленьким, не любил манную кашу, а его кормили ею, впихивали. Теперь мужик боится всю жизнь летать на самолетах. Казалось бы, какая связь? Оказывается, когда он ел кашу, на кухне висел советский плакат Аэрофлота со стюардессой. И ощущения от этой отвратительной каши наложились на эту картинку. Под гипнозом раскопали.»

    С bash.im

    Результат/Желаемое состояние

    К чему вы хотите прийти, цель. Или что вы хотите «вместо этого».

    Хочу заниматься спортом: как минимум три раза в неделю ходить в спортзал.

    Ресурсы

    Что вам может помочь достигнуть цели.

    Ресурсы могут быть как в прошлом, так и в настоящем или будущем. Это может быть и то, чему вам нужно научиться.

    Спокойствие, уверенность, убеждение, что «спортом нужно заниматься», стремление быть «в форме», сила воли, настойчивость.

    Эффекты

    Последствия достижения результата. Как для себя, так и для значимого окружения.

    Напоминаю, что последствия могут быть как положительными, так и отрицательными. И их полезно оценить и понять, стоит ли достигать такой цели. Или её стоит подредактировать, а может даже и отказаться. Весьма может помочь техника «Декартовы координаты».

    Если я буду заниматься спортом три раза в неделю, то я сброшу вес, буду лучше себя чувствовать, накачаюсь. Надеюсь, пропадёт одышка. Но я на это буду тратить много времени, буду не успевать некоторые вещи. Мышцы после тренировок будут болеть. К тому же это сильно изменит мою жизнь. Ну и существует риск травмы.

    Использование

    SCORE всего лишь описывает точки сбора информации – но не всегда получается всё выяснять в предложенном порядке. Бывает, что исследовав последствия, человек начинает менять результат, вдруг вспоминает что-то важное из прошлого, после этого лучше понимает настоящее состояние и решает добавить что-то в ресурсы… Сбор информации довольно динамический процесс.

    Да, эта модель полезна как консультантам или коучам при работе с клиентом, так и при работе с собой, когда вы ставите цели или разбираетесь с проблемами. При этом часто проблемы просто решаются в процессе сбора информации – человек сам находит способ измениться. Ну а если пока способ не найден – сбор информации по SCORE поможет подобрать наиболее подходящий план интервенции.

    Демонстрация

    Клиент: — Я не могу заниматься спортом.

    Тренер: — У тебя какая-то травма?

    Клиент: — Нет, просто что-то мешает.

    Тренер: — Жена встаёт в дверях и говорит: «Либо я, либо спорт?»

    Клиент: — Да нет. Просто когда я думаю о том, чтобы пойти в спортзал, сразу лень накатывает.

    Тренер: — И как именно «накатывает лень»? Что происходит?

    Клиент: — Я думаю, мол «надо потренироваться». И такая слабость в теле, куча мыслей, почему этого делать не надо. И тут же хочется что-нибудь съесть.

    Тренер: — Только когда думаешь о том, что «нужно потренироваться»?

    Клиент: — Да.

    Тренер: — А что ты хочешь вместо этого?

    Клиент: — Хочу заниматься спортом.

    Тренер: — Поподробнее.

    Клиент: — Раза три в неделю ходить в спортзал. Заниматься часа по два.

    Тренер: — Хорошо. А как это всё началось?

    Клиент: — Когда мне было лет двенадцать, отец начал заставлять меня бегать. И у меня от этих занятий довольно неприятные воспоминания.

    Тренер: — А что именно тебе неприятно?

    Клиент: — Чувство скованности.

    Тренер: — А что вызывает это чувство?

    Клиент: — Хочу ли я бегать или нет, могу ли я, отец не спрашивал. Говорил, что нужно просто делать, и всё.

    Тренер: — И как это связано с нынешней ситуацией?

    Клиент: — Когда я об этом думаю, то спорт у меня сейчас ассоциируется с принуждением.

    Тренер: — А как бы ты теперь описал своё нынешнее состояние, то, которое хочешь изменить?

    Клиент: — Отвращению к занятию спортом.

    Тренер: — Поэтому ты себе говоришь: «Надо потренироваться»?

    Клиент: — Да, забавно.

    Тренер: — Хорошо, а какие будут последствия того, что ты будешь три раза в неделю заниматься спортом?

    Клиент: — Я буду более подтянут, настроение будет более хорошее. Увереннее в себе буду. Поэнергичнее.

    Тренер: — Это положительные последствия. А отрицательные есть какие-нибудь?

    Клиент: — Ну, времени не будет хватать. Заставлять себя надо заниматься. Придётся заниматься неприятным делом.

    Тренер: — Ты сейчас описываешь занятие спортом как неприятные. А может быть тебе стоит поставить цель хорошо к нему относиться. В дополнение.

    Клиент: — Да, я об этом не подумал. Тогда цель – хорошо относиться к занятию спортом. И заниматься им не менее трёх раз в неделю.

    Тренер: — Как в таком случае изменятся последствия?

    Клиент: — Из плюсов добавится то, что я буду заниматься приятными вещами и получать удовольствие. Из минусов уйдёт то, что нужно себя заставлять.

    Тренер: — Перечисли ещё раз положительные и отрицательные последствия.

    Клиент: — Положительные: подтянутость, здоровье, удовольствие, привлекательность и уверенность в себе. Отрицательные: недостаток времени, мышцы болят после тренировок. Ритм жизни изменится. Ну и риск травмы. Думаю, надо как-то более гибко цель поставить – не обязательно три раза в неделю по два часа.

    Тренер: — Хорошо. Как бы ты сформулировал теперь свою цель?

    Клиент: — Хочу регулярно заниматься спортом. Но так, чтобы эти занятия гармонично вписывались в мою жизнь. И чтобы эти заниматься мне нравилось.

    Тренер: — Как будут последствия у этого результата?

    Клиент: — Те же, только из минусов уйдёт недостаток времени и то, что изменится ритм жизни пойдёт скорее в плюс.

    Тренер: — Отлично. А какие тебе могут понадобиться ресурсы для достижения этой цели?

    Клиент: — Настойчивость. Знание техник НЛП – которые могут помочь изменить отношение. Вера в собственные силы. Сила воли. Желание измениться.

    Тренер: — Этого хватит?

    Клиент: — Ну я бы ещё добавил желание стать стройным и энергичным.

    Тренер: — Хорошо. На этом на сейчас мы закончим. Спасибо.

    Клиент: — Спасибо.

    Напоминаю, что SCORE – это только модель сбора информации. После того, как в информацию собрали, уже принимается решение, как и что будем менять. Если результат не достигнут в процессе.

    29. Раппорт и ведение | НЛП для начинающих

    На высоких уровнях доверия (подсознательного) может наступить состояние называемое «раппортом».

    «Rapport» с английского переводится как «связь», «согласие».

    Наличие раппорта говорит о том, что образовалась система, люди начинают действовать как единое целое. У тех самых пар, которые танцуют танго или вальс, для того, чтобы делать это хорошо, должен быть очень хороший раппорт. То есть они должны образовывать систему. А для того, чтобы из людей получилась система должен быть между ними раппорт. Короче, если люди образовали систему – между ними есть раппорт. И наоборот.

    Раппорт не означает, что у вас теперь одни движения и мысли на двоих — это означает только, что они согласованы. В том же танго у каждого из партнеров свои движения, но при этом схожее состояние, ритм, стиль и скорость движений.

    Одно из свойств раппорта — желание следовать за человеком, чувствовать к нему расположение и доверие. То есть если раппорт появился, то появляется ведение: вы меняете своё состояние и человек идёт за вами. Вы сменили позу — и он тоже, вы уменьшили скорость речи — и он замедлился, вы успокоились — и он расслабился. На высоких уровнях раппорта возможны даже синхронные движения — вы поднимаете руку, и он поднимает, вы двагаете указательным пальцем правой руки — и он тоже. Поэтому ведение по движению хорошо использовать для проверки наличия раппорта.

    Наличие ведения – признак раппорта. То есть, если есть раппорт — то можете вести, если вести не можете – раппорта нет.

    Было с вами в компании: один начинает зевать, и остальные вслед за ним. А попробуйте посидеть рядом с сонным знакомым – тоже в сон клонит.

    Кстати, при хорошем раппорте обычно даже невозможно понять, кто именно ведёт – просто рождается общее движение, появляются общие направление для идей и общаются на одну тему.

    Ведение один из основных инструментов воздействия – вы входите в раппорт и дружно двигаетесь в нужную сторону.

    История. Пара ребят, знакомых с НЛП, пошли на рок-концерт. Когда они заняли свои места, то обнаружили, что рядом с ними сидит девушка в весьма понуром состоянии. Это неприятно. Вы на рок-концерте, а рядом с вами понурая девушка. Что они сделали. Нет, они не стали выпытывать у неё: «Что случилось?». Они тоже сели в похожие позы, с похожим дыханием и выражением лица. А потом потихоньку начали выпрямляться, поднимать головы и улыбаться. Через десть минут девушка уже улыбалась и орала вместе со всеми.
    Подводим итоги:

    Калибровка нужна, чтобы точно интерпретировать сообщение, подстройка помогает состроить фильтры восприятия и достигнуть состояния раппорта. Если же вы в раппорте, вы теперь одна система и можете вести (его, её, их, нас) в нужном направлении.

    Всё очень просто.
    Ну а дальше более подробно, как этот раппорт и ведение создавать и использовать.

    Упражнение «Калибровка раппорта»

    Хотя единственным сенсорно-очевидным признаком раппорта является ведение, но есть одна хитрая штука с этим раппортом: он симметричный. То есть если вы с человеком в раппорте, то и он с вами тоже в раппорте. Так что можно калибровать себя.

    Это отличает раппорт от доверия — что сознательного, что подсознательного. Доверие может быть к человеку, с которым контакта нет (раппорт бывает только при наличие контакта) — например, я доверяю Достоевскому, хотя он давно умер. Ну, собственно так и должно быть — раппорт же признак взаимодействия. А для взаимодействия (в обе стороны) нужен канал информации.

    Итак, задание. Есть куча ситуаций, когда у вас хороший раппорт: вы делаете что-то вместе (например, танцуете парный танец), вы беседуете с приятным человеком и вам хорошо вместе. Определите, как вы ощущаете внутри себя эту связь. Сравните с человеком, который может быть рядом, но безразличен. Попробуйте с несколькими людьми — не менее семи человек и в разных ситуациях — и найдите общее. Это должно быть что-то вполне сенсорное.

    • ощущение тепла и расслабления в области солнечного сплетения;
    • ощущение распирания в груди;
    • ощущение лёгкой вибрации, которая идёт снизу живота вверх.

    Да, это скорее всего будет ощущение. Причём эти ощущения, сообщающие о раппорте, у разных людей разные.

    Но при желании можно сделать воображаемую лампочку — появился раппорт, лампочка зажглась. И с усилением раппорта горит ярче.

    Где проходим

    Тренинг:: Мастерство Коммуникации

    По теме

    Глоссарий:: Раппорт

    Статья:: Общение 4: Доверие

    НЛП-практик:: Раппорт

    Тест:: Раппорт

    как работает Google-переводчик и что еще компьютер умеет делать с языком — T&P

    Natural Language Processing (NLP), обработка естественных языков, — это наука на стыке искусственного интеллекта и компьютерной лингвистики. И хотя термин этот не настолько популярен сегодня, как Big Data или машинное обучение, все мы сталкиваемся с достижениями NLP каждый день: автоматическим переводом, автозаменой в телефоне, чат-ботами, системами рекомендаций, различными агрегаторами и так далее. Как с помощью методов NLP предсказывать исход выборов, совершенно не разбираясь в политике, или предупреждать эпидемию гриппа, не являясь врачом-эпидемиологом, рассказывает Дарья Смирнова, студентка кафедры системного анализа и управления МФТИ.

    Машинный перевод

    Машинный перевод с русского языка на английский стал первым в истории применением NLP. Это произошло в 1954 году. В основе переводчика лежала довольно простая система из всего шести грамматических правил и словаря с 250 записями. Система была специализированной: в качестве предметной области для перевода тогда была выбрана органическая химия. В торжественной обстановке в компьютер на перфокартах вводились предложения вроде «Обработка повышает качество нефти», «Командир получает сведения по телеграфу», и машина выводила их перевод, напечатанный транслитом. Демонстрация была широко освещена в СМИ, а сама технология воспринята как успех. Тем не менее, когда после десяти лет значительных улучшений качества машинного перевода достичь не удалось, инвестирование в эту область было сильно урезано.

    С тех пор прошло много лет, но автоматический перевод и сейчас, как вы знаете, далек от идеала. Однако с текстами из некоторых конкретных областей, словарный запас и идиоматические конструкции которых хорошо изучены, машинный перевод работает уже на приличном уровне. К примеру, сегодня он почти безукоризненно справляется с техническими инструкциями.

    Существует два подхода к машинному переводу: правиловый и статистический. Добиться хорошего качества с помощью правилового подхода крайне непросто. Язык — сложная и нерегулярная система, он очень плохо поддается описанию с помощью набора правил. Поэтому современные переводчики по большей части работают на основе статистического подхода. Он включает в себя три этапа: сбор данных, обучение моделей и декодирование. Сначала система сравнивает параллельные тексты (например, оригиналы книг и их версии на других языках, переведенные людьми), чтобы создать модель перевода, а затем изучает тексты на конкретном языке, чтобы создать его модель. В итоге, когда обученная система получает запрос на перевод, декодер подбирает наиболее вероятный вариант из модели перевода, проверяет его по модели языка и выдает статистически лучший результат.

    Анализ настроений (Sentiment Analysis)

    Задача такого анализа — идентифицировать в тексте субъективную информацию. Это может быть, например, мнение о только что вышедшем фильме или вызванное им эмоциональное состояние. Компании используют анализ настроений, чтобы быть в курсе своей репутации. С его помощью легко проверить, довольны ли клиенты товарами или услугами. Анализируя твиты на политические темы, можно даже научиться предсказывать исход выборов. Twitter — невероятно богатый источник данных для анализа настроений. Это легкодоступная, по большей части субъективная информация, появляющаяся в режиме реального времени. А поскольку подавляющая часть твитов еще и снабжается хэштегами, у исследователей отпадает необходимость вручную размечать данные на категории. То есть, например, если мы хотим проанализировать, что пользователи думают о новом альбоме Radiohead, достаточно просто отфильтровать твиты по хэштегам в духе #radiohead и #newalbum.

    Наиболее популярная задача анализа настроений называется polarity detection, то есть классифицирование текстов на позитивные, нейтральные и негативные. На первый взгляд, никаких трудностей с решением тут возникнуть не должно:

    Тем не менее в анализе настроений есть несколько неочевидных проблем, одна из них — множество значений. Предположим, компания выпустила новую модель телефона. Твит о том, что этот телефон light-weighted (легкий), без сомнений, несет положительный оттенок. Но что, если это слово (а его также можно перевести как «несерьезный», «поверхностный») употребить в отношении, скажем, известного политика или новой книги? Так себе комплимент.

    Таким образом, мы сталкиваемся с новой задачей — поиском синонимичных слов и фраз. Сегодня эту проблему успешно решает Word2Vec — технология, которую в 2013 году предложил Томас Миколов из Google.

    Word2Vec: превратим слово в вектор

    Еще в 1957 году английский лингвист Джон Руперт Ферс сказал: «Лингвистические единицы, встречающиеся в схожих контекстах, имеют близкие значения». Именно по этому принципу сегодня работает Word2Vec. Он собирает статистику по совместному появлению слов в фразах, после чего с помощью нейронных сетей снижает их размерность и выдает на выходе компактные векторные представления слов, в максимальной степени отражающие их отношения в обрабатываемых текстах. Word2Vec охватывает большое количество лингвистических закономерностей. Оказывается, линейные операции над словами-векторами соответствуют семантическим преобразованиям!

    Вычисляя косинусное расстояние между словами-векторами, мы легко сможем найти слова, которые очень часто встречались в сходном контексте, то есть своего рода синонимы. Однако нужно помнить, что эта синонимичность верна только внутри текстов, родственных по тематике тем, на которых Word2Vec был обучен. Нельзя натренировать нейросеть на «Игре престолов», а полученные векторные представления использовать на текстах из кулинарных блогов (и удивляться, почему вектор слова «лук» находится так далеко от вектора «чеснок», но зато так близко к «арбалету»).

    Классификация текстов

    Как, не читая текст, быстро присвоить ему категорию, отнести его к какой-либо теме или понять, на каком языке он, скорее всего, написан? В общем-то, задача классификации текстов ничем не отличается от любой другой задачи классификации и решается стандартными методами машинного обучения. У нас есть все та же обучающая выборка, каждый объект которой размечен (то есть уже отнесен к какому-то классу: это, например, «фантастика» или «исторический роман», если мы классифицируем тексты по жанрам). Вся соль здесь — в признаках. Мы привыкли иметь дело с числами, но что делать, если все, что мы имеем, — это сырые тексты?

    Самый простой, но порой очень эффективный способ вытащить из текстов признаки называется Bag-of-Words («мешок слов»). Он заключается в том, что мы характеризуем каждый текст некоторым вектором в пространстве N, где N — количество уникальных слов во всех текстах (словарь). Каждая компонента вектора — это частота употребления конкретного слова в тексте. Этот метод отлично работает для классификации текстов по темам: логично, что, например, тексты о квантовой механике и тексты о поэзии Серебряного века вряд ли будут содержать много одинаковых слов.

    Чтобы улучшить качество отбора, можно наравне с «мешком слов» использовать N-граммы (биграммы, триграммы и так далее): так в NLP называют сочетания из вектора N тех слов, которые часто встречаются вместе. Это не обязательно фразеологизмы и популярные словосочетания в духе «точка зрения» или «красное вино». Это любые пары (тройки, четверки, в зависимости от N) слов, которые в данном конкретном тексте часто идут одно за другим. Задачи классификации в NLP не ограничиваются разделением текстов по темам. Аккуратно подбирая признаки, можно по стилю текста угадывать автора произведения, то есть классифицировать тексты по авторам. Автоматическое определение языка — следующий пример классификации, решаемой NLP.

    Автоматическое определение языка

    Сегодня у нас есть возможность не только автоматически переводить тексты: мы даже можем не указывать, на каком языке написан исходник. Идентификация языка произойдет автоматически и чаще всего корректно:

    Но как? Неужели Google-переводчик за секунды пролистывает все словари на всех языках мира, чтобы только в одном из них найти запрашиваемое слово? Тоже вариант, но такой огромный словарь, во-первых, занимает огромное количество памяти, а во-вторых, его необходимо постоянно поддерживать, дополняя новыми словами. На деле же все можно устроить гораздо проще. И здесь мы снова сталкиваемся с N-граммами. Каждый язык имеет свой набор наиболее характерных сочетаний букв в словах, и именно по этим сочетаниям современные переводчики и производят идентификацию языка.

    Тематическое моделирование: LDA

    Представим, что у нас есть огромная база каких-то текстов и мы бы очень хотели разбить их по темам. При этом про сами тексты мы не знаем вообще ничего: ни количество тем, ни сами темы — мы не имеем представления вообще ни о чем. Если в задачах классификации все тексты из обучающей выборки были размечены (то есть мы знали категорию каждого из них), то теперь мы встретились лицом к лицу с задачей кластеризации текстов. Она широко применяется при построении, например, рекомендательных систем: чтобы посоветовать человеку новую статью, нужно знать, какой тематикой он интересовался до этого, то есть тексты из какого кластера он читал. Для решения задачи кластеризации текстов существует сильный инструмент — латентное размещение Дирихле (Latent Dirichlet Allocation, LDA). Эта модель порождающая: она рассматривает каждый текст как смесь тем, где каждое слово может быть порождено одной из тем в этой смеси. Проще говоря, мы сначала кидаем кубик-документ, определяя тему для каждого слова, а потом вытаскиваем слово из соответствующего «мешка».

    К примеру, модель может иметь тематики, которые классифицируются как САТrelated (относящиеся к кошкам) и DOGrelated (относящиеся к собакам). Тематика обладает вероятностями генерировать различные слова, такие как «мяу», «молоко» или «котенок», которые можно было бы классифицировать как CAT_related. Слова, не обладающие особой значимостью (к примеру, служебные слова), будут обладать примерно равной вероятностью в различных тематиках.

    Что дальше

    В 1950-х вышла статья Алана Тьюринга «Computing Machinery and Intelligence», в которой впервые упоминается знаменитый тест Тьюринга. Компьютер проходит этот тест, если может поддержать диалог с человеком на таком уровне, что тот не заподозрит, что разговаривает с машиной. Основной целью NLP можно считать как раз создание такой системы, по сути искусственного интеллекта — системы, которая позволила бы человеку получать необходимую информацию, ничего при этом не программируя, а обращаясь к компьютеру на своем естественном языке. Сегодня мы убедились, что многие подзадачи уже успешно решаются. И хотя вряд ли можно назвать современных чат-ботов разумными, NLP быстро эволюционирует: ранние методы основывались на правиловых подходах, затем задачи стали успешно решаться методами машинного обучения. Нейросети показали еще лучшие результаты, и сегодня специалисты считают, что будущее обработки текстов — за Deep Learning.

    Не пропустите лекцию Дарьи:

    Что такое рефрейминг в НЛП

    Что такое рефрейминг?

    Вы когда-нибудь ощущали себя «застрявшим» в восприятии сложившейся ситуации? Порой все так складывается, что кажется, будто бы выхода не существует, никто не поможет и скоро случится все самое ужасное. А иногда мы можем видеть в человеке обидчика, хотя это совсем не так, но ничто не может изменить наше восприятие.

    Иной же раз, решая, какую-либо творческую задачу, мы можем буквально телом ощущать, как мышление входит в ступор. Тогда мысли ходят по кругу, концентрируясь на одних и тех же идеях. Естественно, что если сознанию не хватает гибкости, то и в реальных действиях ее не будет.

    Тогда как же научиться менять свой взгляд на вещи и находить неординарное в обыденном, решение – в проблеме, радость – в буднях и уроки – в ошибках? Что может позволить нам сохранить свободное мышление, не замутненное шаблонами восприятия?

    Ответы на эти вопросы может дать инструмент нейро-лингвистического программирования под названием рефрейминг. Это определенный алгоритм мышления, позволяющий при должной тренировке быстро менять свою точку зрения.

    Применить его можно как к самому себе, так и к собеседнику. В первом случае рефрейминг поможет Вам сохранять позитивный настрой в неприятных жизненных ситуациях и легко находить решения различных задач. Во втором – Вы сможете стать более убедительным и гибким, когда изменяете точку зрения другого человека.

    Как работает рефрейминг?

    Понятие «рефрейминг» происходит от английского слова frame, которое переводится как «рамка». Соответственно, reframing означает переобрамление. Суть этого приема сводится к смене «рамки восприятия» подобно тому, как мы можем надевать очки со стеклами разного цвета.

    На одно и то же событие всегда можно смотреть с разных точек зрения. Например, в НЛП существует два базовых фрейма: проблемы и результата. Это означает, что на любое событие можно смотреть либо как на препятствие, создающее проблему, либо как на возможность и решение, ведущие к результату.

    Фрейм проблемы

    Фрейм результата
    • Я столкнулся с проблемой.
    • Я не знаю, как решить проблему.
    • Вокруг нет необходимых ресурсов. У меня недостаточно знаний, денег, времени…
    • У меня есть цель, которую я хочу достичь.
    • Существует способ достичь мою цель, и я могу его найти.
    • У меня есть определенные ресурсы, и я могу найти и получить недостающие.

    Здесь можно увидеть сходство с оптимизмом и пессимизмом. Разница лишь в том, что пессимизм и оптимизм обычно считают чертами характера, в то время как в НЛП постулирует, что взгляд на мир можно менять в любой момент.

    Рассмотрим ситуацию увольнения. Для того, кто воспринимает все во фрейме проблемы, это будет выглядеть ужасно: потеря финансовой защиты, сложности с поиском новой работы, неопределенность и страх. Для того, кто мыслит во фрейме результата, увольнение будет новой возможностью для профессионального и личностного роста.

    Одного человека сокращение заставит впасть в страх, одиночество и чувство беспомощности, а другого – подстегнет к азартному и уверенному движению к новым целям. Все зависит от выбранной точки зрения.

    Черное в белом или белое в черном?

    Один из интересных способов применения рефрейминга – изменение точки зрения на качества объектов и людей. Для примера разберем типичную ситуацию, с которой многим доводилось сталкиваться.

    Представьте, что Вы находитесь в гостях с друзьями. Проходит чаепитие, и в его завершении на столе остается блюдце, в котором только одна конфетка. Кто-то из Ваших друзей без спроса берет ее и съедает. Возможно, Вы подумаете, что данный человек – жадина. С другой стороны, такой поступок может говорить о том, что Ваш друг – свободный в выражении своих желаний человек.

    Какую точку зрения Вы выберите? Мы думаем, что ответ зависит от того, как Вы хотите себя чувствовать. Посчитав знакомого жадиной, Вы, скорее всего, затаите на него обиду, и это может навредить Вашим отношениям. Оценивая же его действия, как действия свободного человека, способного идти за своими желаниями, Вы, вероятно, порадуетесь за него или по-доброму подшутите над ним.

    Если Вы хотите получить еще большую свободу мышления, мы советуем Вам чаще задавать себе следующие вопросы: «С какой еще позиции я могу посмотреть на это?», «Какую точку зрения на события я еще не примерял?», «Какой взгляд на происходящее будет наиболее эффективен и полезен для меня?».

    На нашем курсе «НЛП-практик» мы много времени уделяем тому, чтобы студенты смогли встроить алгоритм рефрейминга в мышление. Так он сможет работать на «автопилоте», позволяя Вам быть более креативным и гибким в общении. Приходите к нам на обучение, и Вы сможете существенно усилить эффективность Вашего сознания.

    4 типа машинного перевода в NLP

    «Традиционно люди решали эту проблему, нанимая бюро переводов, что требует больших затрат времени и средств. Они выбирают только самые важные вещи и оставляют их на столе », — Энди Ясси, генеральный директор Amazon Web Services

    Что вы чувствуете, если разговариваете с кем-то, а он не понимает вашего языка? Да, тебе будет ужасно.Эта тема полностью посвящена пониманию языков. Сам машинный перевод намекает, что он связан с переводом, а НЛП или язык естественной обработки предполагает, что он связан с языком. Да, вы правы, эта тема связана с языками перевода. Машинный перевод или машинный перевод автоматически переводят один естественный язык на другой.

    Самое лучшее в машинном переводе — это то, что он может переводить большие фрагменты текста за очень короткое время.Большинство из нас начали заниматься машинным переводом, когда появился Google. Однако вера исчезла с нормального прошлого века. Аналитическая работа в области машинного перевода или машинного перевода началась еще в 1950-х годах, главным образом в Соединенных Штатах.

    В этом блоге мы подробно обсудим машинный перевод в НЛП, как он работает, преимущества машинного перевода, приложения машинного перевода, различные типы машинного перевода в НЛП и многое другое.

    Что такое машинный перевод и как он работает ?

    Машинный перевод или машинный перевод или роботизированный перевод — это просто процедура, когда компьютерное программное обеспечение переводит текст с одного языка на другой без участия человека. На своем фундаментальном уровне машинный перевод выполняет прямую замену элементарных слов на одном характерном языке словами на другом.

    Используя корпусные методы, можно выполнять более сложные переводы, принимая во внимание лучшую обработку контрастов в фонетической типологии, выраженное признание и перевод идиом, а также уединение странностей. В настоящее время некоторые системы не могут работать как человек-переводчик, но в ближайшем будущем это также станет возможным.

    (Рекомендуемые блоги: 7 техник НЛП для извлечения информации)

    Проще говоря, мы можем сказать, что машинный перевод работает с использованием компьютерного программного обеспечения для перевода текста с одного исходного языка на другой целевой язык. Существуют разные типы машинного перевода, и в следующем разделе мы обсудим их подробно.

    Различные виды машинного перевода в НЛП

    Существует четыре типа машинного перевода:

    1. Статистический машинный перевод или SMT

    Он работает, ссылаясь на статистические модели, которые зависят от исследования огромных объемов двуязычного контента.Он ожидает определения соответствия между словом из исходного языка и словом из объективного языка. Подлинной иллюстрацией этого является Google Translate.

    В настоящее время SMT отлично подходит для базового перевода, однако его наиболее заметный недостаток заключается в том, что он не учитывает контекст, что означает, что перевод часто может быть неправильным, или вы можете сказать, не ожидайте перевода высокого качества. Существует несколько типов статистических моделей машинного перевода: Иерархический перевод на основе фраз, перевод на основе синтаксиса, перевод на основе фраз, перевод на основе слов.

    Типы машинного перевода

    1. Машинный перевод на основе правил или RBMT

    RBMT в основном переводит основы грамматических правил . Он направляет грамматическое исследование исходного и целевого языков для создания переведенного предложения. Но RBMT требует широкого редактирования, а его значительная зависимость от словарей означает, что профессиональное мастерство достигается после значительного периода времени.(Также читайте: 10 лучших библиотек языков естественной обработки (NLP) с Python)

    1. Гибридный машинный перевод или HMT

    HMT, как показывает этот термин, представляет собой смесь RBMT и SMT. Он использует память переводов, что делает его, несомненно, более успешным с точки зрения качества. Тем не менее, даже у HMT есть много недостатков, самым большим из которых является необходимость огромного редактирования, а также потребуются переводчики-люди.Существует несколько подходов к HMT, таких как многоядерный, генерация статистических правил, многопроходный и доверительный.

    (Обязательно к прочтению: основные тенденции НЛП в 2021 году)

    1. Нейронный машинный перевод или NMT

    NMT — это тип машинного перевода, который основывается на моделях нейронных сетей (основанных на человеческом мозге) для построения статистических моделей с конечной целью перевода.Существенным преимуществом NMT является то, что он дает единую систему, которая может быть подготовлена ​​для распутывания исходного и целевого текста. Следовательно, он не полагается на определенные системы, которые являются обычными для других систем машинного перевода, особенно SMT.

    Каковы преимущества машинного перевода ?

    Одним из важнейших преимуществ машинного перевода является скорость, поскольку, как вы заметили, компьютерные программы могут быстро переводить огромные объемы текста. Да, переводчик-человек выполняет свою работу более точно, но он не может сравниться со скоростью компьютера.

    Если вы специально тренируете машину в соответствии с вашими требованиями, машинный перевод дает идеальное сочетание быстрых и экономичных переводов, так как это дешевле , чем использование переводчика-человека. С помощью специально обученной машины MT может улавливать настройку полных предложений перед их переводом, что дает вам высокое качество и понятный человеку результат.Еще одним преимуществом машинного перевода является его способность запоминать важные слова и повторно использовать их, где бы они ни находились.

    (Связанный блог: Введение в анализ текста и модели в обработке естественного языка)


    Приложения машинного перевода

    Технология и продукты машинного перевода используются во многих прикладных ситуациях, например, в деловых поездках, туристической индустрии и т. Д.С точки зрения объекта перевода различают составленный языковой перевод содержания текста и разговорный язык.

    Автоматический перевод текста широко используется в ряде приложений для перевода на уровне предложений и текста. Приложения для перевода на уровне предложений включают в себя перевод входных данных запроса и восстановления, а также перевод результатов (OCR) оптического подтверждения символов изображения. Приложения для перевода на уровне текста включают перевод широкого спектра чистых отчетов и перевод архивов с упорядоченными данными.

    (Связанный блог: Анализ настроений комментариев YouTube)

    Организованные данные в основном включают конфигурацию представления текстового контента, действия типа объекта и другие данные, например, текстовые стили, цвета, таблицы, структуры, гиперссылки и т. Д. В настоящее время объекты перевода систем машинного перевода в основном основаны на уровень предложения.

    Что наиболее важно, предложение может полностью передавать подлежащую субстанцию, которая обычно образует артикуляционную единицу, и значение каждого слова в предложении может быть решено в огромной степени в соответствии с ограниченным контекстом внутри предложения.

    Кроме того, методы и характер получения данных на уровне предложения из подготовительного корпуса более эффективны, чем тот, который зависит от других морфологических уровней, например слов, выражений и отрывков текста. Наконец, перевод зависит от уровня предложения, с которым обычно можно связаться, чтобы помочь в переводе на других морфологических уровнях.

    С быстрым развитием мобильных приложений голосовой ввод стал выгодным методом взаимодействия человека и компьютера, а перевод дискурса стал важной прикладной ситуацией.Фундаментальный цикл интерпретации дискурса — это «дискурс исходного языка, исходный язык, текст — целевой язык, текст — целевой язык, дискурс».

    В этом цикле программный перевод текста из текста исходного языка в текст на целевом языке является важным умеренным модулем. Более того, передняя и задняя части также нуждаются в запрограммированном распознавании дискурса, ASR и преобразовании текста в речь, TT.

    (Читайте также: Введение в обработку естественного языка: очистка текста и предварительная обработка)

    Естественно, задача машинного перевода состоит в том, чтобы преобразовать последовательность слов одного исходного языка в группу слов другого объективного языка, которая семантически идентична.Как правило, он завершает задачу преобразования группировки, которая преобразует объект последовательности в другой объект организации, как указано некоторой информацией и обоснованием с помощью модели и алгоритмов.

    С учетом всех обстоятельств, многие ситуации включают в себя изменения между группируемыми объектами, а язык в задаче машинного перевода является лишь одним из типов объектов-преемников. Таким образом, когда идеи исходного и целевого языков распространяются от диалектов на другие типы объектов организации, стратегии и методы машинного перевода могут применяться для решения множества сопоставимых изменений.


    Машинный перевод против человеческого перевода

    • Машинный перевод попадает в золотую середину: стоимости и скорости , предлагая брендам действительно быстрый способ переводить свои записи в масштабе без особых накладных расходов. Тем не менее, это не означает, что это постоянно актуально. С другой стороны, человеческий перевод невероятен для тех дел, которые требуют дополнительного внимания и тонкости.Талантливые переводчики работают над сущностью вашего изображения, чтобы уловить первостепенную важность и передать это чувство или сообщение в основном в другом виде работы.

    • В зависимости от того, сколько контента необходимо перевести, машинный перевод может очень быстро предоставить переведенный контент, хотя переводчикам потребуется дополнительное время. Также следует учитывать время, потраченное на поиск, проверку и общение с группой переводчиков.

    • Многие поставщики программ перевода могут предоставить машинный перевод практически по нулевой цене, что делает его разумным ответом для организаций, которые не могут управлять стоимостью экспертных переводов.

    • Машинный перевод — это мгновенная модификация текста с одного языка на другой с использованием искусственного интеллекта, тогда как человеческий перевод включает в себя фактические интеллектуальные возможности в виде одного или нескольких переводчиков, переводящих текст вручную.


    Заключение

    Машинный перевод — это в основном оборудование, которое помогает маркетологам или переводчикам реализовать мотив.Однако это не замена старых систем перевода, а модификация. Многие машинные переводчики в значительной степени предлагают свои услуги бесплатно, что делает их гораздо более привлекательными, особенно для организаций и учащихся.

    Машинные переводчики анализируют структуру первого содержания, после чего разделяют это содержание на отдельные слова или короткие выражения, которые можно легко перевести. Наконец, они реконструируют эти отдельные слова или короткие выражения, используя ту же структуру на выбранном целевом языке.

    Обработка естественного языка + Google Translate

    Языковой перевод более сложен, чем простой метод дословной замены. Как видно из материалов для чтения и видеороликов к этому модулю, для перевода текста на другой язык требуется больше контекста, чем может предоставить словарь. Этот «контекст» в языке известен как грамматика. Поскольку компьютеры не понимают грамматики, им нужен процесс, в котором они могут деконструировать предложения и реконструировать их на другом языке таким образом, чтобы это имело смысл.Слова могут иметь несколько разных значений, а их смысл зависит от их структуры в предложении. Обработка естественного языка решает эту проблему сложности и неоднозначности языкового перевода. Видео об ускоренном курсе PBS показывает, как компьютеры используют методы НЛП.

    Разбиение предложений на более мелкие части, которые можно было бы легко обработать:

    • Чтобы компьютеры могли разбирать предложения, необходима грамматика
    • Разработка правил структуры фраз, которые инкапсулируют грамматику языка

    Используя структуры фраз, компьютеры могут построить дерева синтаксического анализа

    * Изображение получено с: https: // www.youtube.com/watch?v=fOvTtapxa9c

    дерева синтаксического анализа: связать каждое слово с вероятной частью речи + показать построение предложения

    • Это помогает компьютерам обрабатывать информацию более легко и точно

    Видео PBS также объясняет, каким образом Siri может разбирать простые словесные команды. Кроме того, приложения для распознавания речи с максимальной точностью используют глубокие нейронные сети .

    Рассматривая работу нейронной сети Google Translate, видео Code Emportium описывает нейронную сеть как средство решения проблем.В случае Google Translate задача или проблема нейронных сетей, которую необходимо решить, — это взять английское предложение (ввод ) и превратить его в французский перевод ( вывод ).

    Как мы узнали из модуля структур данных, компьютеры не обрабатывают информацию так, как это делает наш мозг. Они обрабатывают информацию с помощью чисел (векторов). Итак, первым шагом всегда будет преобразование языка в компьютерный. Для этой конкретной задачи будет использоваться рекуррентная нейронная сеть (нейронная сеть специально для предложений).

    Шаг 1. Возьмите английское предложение и преобразуйте его в компьютерный язык (вектор ) с помощью рекуррентной нейронной сети

    Шаг 2. Преобразование вектора во французское предложение (с помощью другой рекуррентной нейронной сети)

    Изображение получено с: https://www.youtube.com/watch?v=AIpXjFwVdIE

    Согласно исследованию из статьи 2014 года о нейронном машинном переводе, модель архитектуры кодировщика-декодера, изображенная выше, лучше всего работает для предложений средней длины из 15-20 слов (Чо и др.).Видео Code Emporium протестировало метод LSTM-RNN Encoder на более длинных предложениях и обнаружило, что переводы также не работают. Это связано с отсутствием сложности в этом методе. Рекуррентные нейронные сети используют прошлую информацию для генерации текущей информации. На видео приведен пример:

    «При генерации 10-го слова французского предложения он смотрит на первые девять слов в английском предложении». Рекуррентная нейронная сеть просматривает только прошедшие слова, а не слова, которые идут после текущего слова.В языке слова, стоящие перед и после, важны для построения предложения. Следовательно, двунаправленная нейронная сеть способна это сделать.

    Изображение получено с: https://www.youtube.com/watch?v=AIpXjFwVdIE

    Двунаправленные нейронные сети (смотрит на слова, стоящие до и после) Vs. Нейронная сеть (смотрит только на слова, которые стоят перед ней)

    Использование модели BiDirectional — на каких словах (в исходном источнике) следует сосредоточить внимание при создании перевода?

    Теперь переводчику нужно научиться согласовывать с входом и выходом.Это изучает дополнительный блок, называемый механизмом внимания ( какие французские слова будут генерироваться английскими словами) .

    Это тот же процесс, который использует Google Translate — в большем масштабе

    Google Translate Процесс и архитектура / разбивка по слоям

    Изображение получено из видео: https://www.youtube.com/watch?v=AIpXjFwVdIE

    Английский перевод передается кодировщику , переводит предложение в вектор (каждому слову присваивается номер), затем используется механизм внимания для определения английских слов, на которых нужно сосредоточиться, поскольку он генерирует французское слово. , то декодер будет переводить французский перевод по одному слову за раз (фокусируясь на словах, определяемых механизмом внимания).

    Цитируемых работ

    Ускоренный курс. Структуры данных: ускоренный курс информатики № 14 . YouTube , https://www.youtube.com/watch?v=DuDz6B4cqVc. Машинный перевод

    и алгоритм Google Translate

    Даниил Корбут, Statsbot.


    Машинный перевод Google

    Каждый день мы используем разные технологии, даже не зная, как именно они работают. На самом деле понять движки, работающие на машинном обучении, непросто.Команда Statsbot хочет сделать машинное обучение понятным, рассказывая истории с данными в этом блоге. Сегодня мы решили изучить машинные переводчики и объяснить, как работает алгоритм Google Translate.

    Много лет назад перевод текста с неизвестного языка занимал очень много времени. Использовать простые словари при дословном переводе было сложно по двум причинам: 1) читатель должен был знать правила грамматики и 2) нужно было помнить обо всех языковых версиях при переводе всего предложения.

    Теперь нам не нужно столько усилий — мы можем переводить фразы, предложения и даже большие тексты, просто поместив их в Google Translate. Но большинству людей все равно, как работает механизм машинного обучения. Этот пост для тех, кому не все равно.

    Проблемы перевода с глубоким обучением


    Если бы механизм Google Translate попытался сохранить перевод даже коротких предложений, он бы не сработал из-за огромного количества возможных вариантов.Лучше всего научить компьютер правилам грамматики и переводить предложения в соответствии с ними. Если бы это было так просто, как кажется.

    Если вы когда-либо пробовали изучать иностранный язык, вы знаете, что всегда есть много исключений из правил. Когда мы пытаемся зафиксировать в программе все эти правила, исключения и исключения из исключений, качество перевода ухудшается.

    Современные системы машинного перевода используют другой подход: они выделяют правила из текста, анализируя огромный набор документов.

    Создание собственного простого машинного переводчика было бы отличным проектом для любого резюме по науке о данных .

    Давайте попробуем разобраться, что скрывается в «черных ящиках», которые мы называем машинными переводчиками. Глубокие нейронные сети могут достигать отличных результатов в очень сложных задачах (распознавание речи / визуальных объектов), но, несмотря на их гибкость, они могут применяться только для задач, где вход и цель имеют фиксированную размерность.

    Рекуррентные нейронные сети


    Здесь в игру вступают сети с долгой кратковременной памятью (LSTM), помогающие нам работать с последовательностями, длину которых мы не можем знать априори.

    LSTM — это особый вид рекуррентной нейронной сети (RNN), способный изучать долгосрочные зависимости. Все RNN выглядят как цепочка повторяющихся модулей.


    Развернутая рекуррентная нейронная сеть

    Итак, LSTM передает данные от модуля к модулю, и, например, для генерации Ht мы используем не только Xt, но и все предыдущие входные значения X. Чтобы узнать больше о структуре и математических моделях LSTM, вы можете прочитать отличную статью «Понимание Сети LSTM ».

    Двунаправленные RNN


    Наш следующий шаг — двунаправленные рекуррентные нейронные сети (BRNN).BRNN делит нейроны обычной RNN на два направления. Одно направление — для положительного времени или для будущих состояний. Другое направление — для отрицательного времени или обратных состояний. Выход этих двух состояний не связан с входами состояний противоположного направления.


    Двунаправленные рекуррентные нейронные сети

    Чтобы понять, почему BRNN могут работать лучше, чем простая RNN, представьте, что у нас есть предложение из 9 слов, и мы хотим предсказать 5-е слово. Мы можем сделать так, чтобы он знал либо только первые 4 слова, либо первые 4 слова и последние 4 слова.Конечно, качество во втором случае было бы лучше.

    Последовательность к последовательности


    Теперь мы готовы перейти от последовательности к моделям последовательности (также называемым seq2seq). Базовая модель seq2seq состоит из двух RNN: сети кодировщика, которая обрабатывает входные данные, и сети декодеров, генерирующих выходные данные.


    От последовательности к модели последовательности

    Наконец-то мы можем сделать наш первый машинный переводчик!

    Однако давайте подумаем об одной хитрости.Google Translate в настоящее время поддерживает 103 языка, поэтому у нас должно быть 103×102 различных модели для каждой пары языков. Конечно, качество этих моделей зависит от популярности языков и количества документов, необходимых для обучения этой сети. Лучшее, что мы можем сделать, — это заставить одну NN принимать любой язык в качестве входных данных и переводить на любой язык.

    Google Переводчик


    Именно эту идею инженеры Google реализовали в конце 2016 года.Архитектура NN построена на модели seq2seq, которую мы уже изучили.

    Единственное исключение — то, что между кодером и декодером есть 8 уровней LSTM-RNN, которые имеют остаточные связи между уровнями с некоторыми настройками для точности и скорости. Если вы хотите углубиться в это, прочтите статью Система нейронного машинного перевода Google.

    Главное в этом подходе то, что теперь алгоритм Google Translate использует только одну систему вместо огромного набора для каждой пары языков.

    Система требует «токен» в начале вводимого предложения, который указывает язык, на который вы пытаетесь перевести фразу.

    Это улучшает качество перевода и позволяет переводить даже между двумя языками, которые система еще не поддерживает, метод, называемый «нулевой перевод».

    Что значит лучший перевод?


    Когда мы говорим об улучшениях и улучшении результатов работы алгоритмов Google Translate, как мы можем правильно оценить, что первый кандидат на перевод лучше, чем второй?

    Это нетривиальная проблема, потому что для некоторых часто используемых предложений у нас есть наборы справочных переводов от профессиональных переводчиков, которые, конечно, имеют некоторые отличия.

    Существует множество подходов, которые частично решают эту проблему, но наиболее популярной и эффективной метрикой является BLEU (дублер двуязычной оценки). Представьте, у нас есть два кандидата от машинных переводчиков:

    Candidate 1: Statsbot позволяет компаниям легко отслеживать данные с различных аналитических платформ с помощью естественного языка.

    Кандидат 2: Statsbot использует естественный язык для точного анализа показателей бизнеса с различных аналитических платформ.

    Хотя они имеют одинаковое значение, они различаются по качеству и структуре.

    Давайте посмотрим на два человеческих перевода:

    Ссылка 1: Statsbot помогает компаниям внимательно отслеживать свои данные с различных аналитических платформ с помощью естественного языка.

    Ссылка 2: Statsbot позволяет компаниям тщательно отслеживать данные с различных аналитических платформ, используя естественный язык.

    Очевидно, что кандидат 1 лучше, делится большим количеством слов и фраз по сравнению с кандидатом 2.Это ключевая идея простого подхода BLEU. Мы можем сравнить n-граммы кандидата с n-граммами справочного перевода и подсчитать количество совпадений (независимо от их позиции). Мы используем только точность n-граммов, потому что вычисление отзыва затруднено с несколькими ссылками, и результатом является среднее геометрическое значение n-граммов.

    Теперь вы можете оценить сложный движок машинного обучения перевода. В следующий раз, когда вы будете переводить что-то с помощью Google Translate, представьте, сколько миллионов документов было проанализировано, прежде чем вы получите лучшую языковую версию.


    Биография: Даниил Корбут — младший специалист по данным в Statsbot.

    Оригинал. Размещено с разрешения.

    Связанный:

    Машинный перевод в НЛП: примеры, поток и модели

    Введение

    В мире более 6 500 признанных языков. Ощущается потребность времени, чтобы понять письменный ресурс в разных культурах. В результате многие старые книги переводятся на местные языки и сохраняются для справок.

    Санскрит, например, древний язык индуистского наследия, как считается, содержит полезную информацию о древних временах. Это потому, что очень немногие знают санскрит. Вероятно, это будет зависеть от какого-то механизма поиска информации в Священных Писаниях и рукописях.

    Часто мы хотим, чтобы компьютеры понимали естественный язык. В компьютерах хорошо то, что они могут вычислять быстрее, чем мы, люди. Однако задачу изучения естественного языка очень сложно воспроизвести на вычислительной модели.

    Машинный перевод

    Термин «машинный перевод» (МП) относится к компьютеризированным системам, отвечающим за выполнение переводов с участием человека или без него. Сюда не входят компьютерные средства перевода, которые поддерживают переводчиков, обеспечивая доступ к онлайн-словарям, удаленным банкам терминологических данных, передачу и прием текстов и т. Д.

    До эры технологий искусственного интеллекта были разработаны компьютерные программы для автоматического перевода текста с одного языка на другой.В последние годы перед ИИ была поставлена ​​задача сделать автоматический или машинный перевод гибкости человеческих языков и универсальности сценариев, диалектов и вариаций. Машинный перевод является сложной задачей, учитывая присущую человеческому языку двусмысленность и гибкость.

    Что такое НЛП?

    Обработка естественного языка (NLP) — одна из ветвей распространения технологии искусственного интеллекта (AI). Эта дисциплина занимается созданием вычислительных моделей, которые обрабатывают и понимают естественный язык.Модели NKP, по сути, заставляют компьютер понимать семантическую группировку объектов (например, слова «кошка и собака» семантически очень похожи на слова «кошка и летучая мышь»), преобразование текста в речь, язык перевода и т. Д.

    Обработка естественного языка (NLP) заставляет компьютерную систему использовать, интерпретировать и понимать человеческие языки и вербальную речь, например английский, немецкий или другой «естественный язык». Сегодня на практике наблюдается ряд приложений НЛП.

    Обычно они сгруппированы по соответствующим вариантам использования, таким как распознавание речи, диалоговые системы, поиск информации, ответы на вопросы и машинный перевод, которые начали менять способ, которым люди идентифицируют, извлекают и используют ресурс информации.

    Примеры НЛП
    • Системы распознавания голоса / речи или системы запросов, такие как Siri, работают над вопросом и возвращают ответ. Здесь вы подаете голос на компьютер, и он понимает ваше сообщение.
    • Компьютерные программы, которые читают финансовые отчеты на простом английском языке и выдают числа (например, уровень инфляции).
    • Портал вакансий, извлекающий информацию о кандидате и автоматически составляющий резюме и заявку на вакансию, соответствующую навыкам.
    • Google Translate обрабатывает текст во входной строке и сопоставляет его с языком для перевода на лету.
    • Поисковые системы, подобные Google, возвращают ваши документы после того, как вы введете слово темы в поле поиска. Например, когда вы ищете Таймахал, Google дает вам документы, содержащие Таймахал как артефакт и даже торговую марку «Таймахал». Здесь учтены английские синонимы и формы множественного числа английского языка.

    NLP Flow

    Обработка естественного языка — это разновидность искусственного интеллекта. Если вы хотите создать программу НЛП, вы можете начать писать такие правила, как «игнорировать символы s в конце слова».Это старый школьный подход, который называется подходом, основанным на правилах.

    Однако более продвинутые методы используют статистическое обучение, когда вы программируете свой компьютер на изучение шаблонов на английском языке. Если вы сделаете это, вы сможете даже написать свою программу только один раз и обучить ее работе на многих человеческих языках.

    Цель НЛП — сделать человеческие языки понятными, чтобы запрограммированный механизм мог интерпретировать и понимать рукописи. Здесь запрограммированный механизм мы называем машиной, а рукопись — это языковой скрипт, подаваемый в программу.Таким образом, компьютеризированная программа извлекает лингвистические данные в виде цифровых знаний.

    Машина, а не модели статистического обучения, затем преобразует языковые атрибуты в основанный на правилах статистический подход, предназначенный для решения конкретных проблем и выполнения задачи обработки языка.

    Во многих старых системах, особенно в системах типа «прямой перевод», компоненты анализа, переноса и синтеза не всегда были четко разделены.Некоторые из них также смешивали данные (словарь и грамматику) и правила и процедуры обработки.

    Новые системы обладают различной степенью модульности, поэтому системные компоненты, данные и программы могут быть адаптированы и изменены без ущерба для общей эффективности системы. Следующим этапом в некоторых современных системах является обратимость компонентов анализа и синтеза, то есть данные и преобразования, используемые при анализе конкретного языка, применяются в обратном порядке при создании текстов на этом языке.Узнайте больше о приложениях обработки естественного языка.

    Эволюция машинного перевода

    До конца 1980-х годов на этом этапе проводились значительные исследования в области машинного перевода, когда были разработаны первые системы статистического машинного перевода (SMT).

    Традиционно для этой задачи использовались системы, основанные на правилах, которые позже в 1990-х годах были заменены статистическими методами. Совсем недавно появились модели глубоких нейронных сетей для достижения самых современных результатов в области, которая по праву называется нейронным машинным переводом.

    Статистический машинный перевод заменил классические системы, основанные на правилах, моделями, которые учатся переводить на примерах.

    Модели нейронного машинного перевода соответствуют одной модели, а не усовершенствованному конвейеру, и в настоящее время достигают самых современных результатов. С начала 2010-х годов в этой области в значительной степени отказались от статистических методов, а затем перешли на нейронные сети для машинного обучения.

    Несколько первых заметных успехов в области статистических методов в НЛП были достигнуты в машинном переводе, предназначенном для работы в IBM Research.Эти системы были способны использовать преимущества существующих многоязычных текстовых органов, созданных парламентом Канады и ЕС в результате принятия законов, требующих перевода всех правительственных заседаний на различные официальные языки соответствующих правительственных систем.

    Однако многие другие системы зависели от корпусов, которые были специально разработаны для задач, реализуемых этими системами, что было и остается основным ограничением для разработки систем.Поэтому возникла необходимость в большом количестве исследований методов эффективного обучения на ограниченных данных.

    Например, термин нейронный машинный перевод (NMT) подчеркивает, что подходы к машинному переводу, основанные на глубоком обучении, непосредственно изучают преобразования последовательности в последовательность, устраняя необходимость в промежуточных этапах, таких как выравнивание слов и моделирование языка, которые использовались в статистической машине. перевод (SMT). Google начал использовать такую ​​модель в производстве Google Translate в конце 2016 года.

    От последовательности к последовательности Модель

    Обычно модель от последовательности к последовательности состоит из двух частей; во-первых, кодер , а во-вторых, декодер . Это две разные модели нейронных сетей, работающие рука об руку как одна большая сеть.

    Затем декодирующая часть модели генерирует преобразованную последовательность на выходе. Декодер шифрует строку и добавляет смысл последовательности в представлении. Подход кодера-декодера для нейронного машинного перевода кодирует всю входную строку предложения в вектор конечной длины, откуда перевод декодируется.

    В общем, функция сети кодировщика состоит в том, чтобы читать и анализировать входную последовательность, чтобы придать смысл, а затем генерировать небольшое размерное представление входной строки. Затем модель пересылает это представление в сеть декодера.

    Кодер — Декодер LSTM — это рекуррентная нейронная сеть , предназначенная для решения проблем «последовательность-последовательность», иногда называемых seq2seq. Долгая краткосрочная память (LSTM) — это архитектура искусственной рекуррентной нейронной сети (RNN), используемая в глубоком обучении.

    Например, когда строка во входной последовательности — «Что это за место?», То после того, как эта входная последовательность проанализирована через сеть кодер-декодер, синтезирует строку, используя блоки LSTM (тип архитектуры RNN). Декодер затем генерирует слова в последовательности на каждом шаге итерации декодера.

    После полного цикла итерации создается выходная последовательность, скажем что-то вроде «Это место — Пуна». Сеть LSTM сделана подходящей для классификации на основе правил, анализа для обработки входных данных и составления прогнозов с использованием примеров обученных данных.

    Внимание Модель Модель

    «Внимание», значительно улучшившая качество систем машинного перевода. Внимание позволяет модели сосредоточиться на соответствующих частях входной последовательности по мере необходимости.

    Модель внимания отличается от классической модели последовательность-последовательность двумя основными способами:

    • Кодер передает декодеру намного больше данных. Вместо того, чтобы передавать последнее скрытое состояние этапа кодирования, кодировщик передает все скрытые состояния декодеру.
    • Декодер внимания делает дополнительный шаг перед выдачей вывода.

    Модель трансформатора

    Последовательные вычисления нельзя распараллелить, так как мы должны дождаться завершения предыдущего шага, прежде чем переходить к следующему. Это увеличивает как время обучения, так и время, необходимое для выполнения вывода. Один из способов решить проблему последовательной передачи — использовать сверточные нейронные сети (CNN) вместо RNN. Трансформатор — это модель, которая требует внимания для увеличения скорости.В частности, он использует самовнимание. Здесь каждый кодер состоит из двух уровней:

    • Собственное внимание
    • Нейронная сеть с прямой связью

    Трансформаторы используют сверточные нейронные сети вместе с моделями внимания для машинного перевода. Трансформаторы — это набирающий популярность тип архитектуры нейронных сетей. Трансформеры недавно использовались OpenAI в своих языковых моделях и недавно использовались DeepMind для AlphaStar, своей программы, чтобы победить лучшего профессионального игрока в Starcraft.Трансформеры превосходят модель нейронного машинного перевода Google в определенных задачах.

    Заключение

    Вкратце, механизм самовнимания в системе позволяет различным входным данным взаимодействовать друг с другом («я») и позволяет им решать, кому им следует уделять больше внимания («внимание»). Таким образом, обработанные результаты представляют собой совокупность этих взаимодействий и взвешиваются с помощью оценок внимания.

    Фундаментальное понимание машинного перевода в НЛП помогает аналитикам данных и специалистам по обработке данных подготовиться к реализации престижных проектов, связанных с проектами в области искусственного интеллекта НЛП.Учебные курсы по этому предмету, проводимые такими поставщиками, как upGrad , помогают продвинуться вперед. Бренд upGrad — это онлайн-платформа для высшего образования, предлагающая широкий спектр отраслевых программ, готовых привести к вашему профессиональному успеху.

    Если вам интересно узнать больше о машинном обучении и искусственном интеллекте, ознакомьтесь с дипломом PG Diploma в области машинного обучения и искусственного интеллекта IIIT-B и выше, который предназначен для работающих профессионалов и предлагает более 450 часов тщательного обучения, более 30 тематических исследований и заданий. , Статус выпускника IIIT-B, 5+ практических проектов и помощь в трудоустройстве в ведущих компаниях.

    Возглавьте технологическую революцию, основанную на искусственном интеллекте

    ДИПЛОМ PG ПО МАШИННОМУ ОБУЧЕНИЮ И ИСКУССТВЕННОМУ ИНТЕЛЛЕКТУ

    Зарегистрируйтесь сейчас @ upGrad

    Введение в обработку естественного языка (NLP)

    Нелегко обучить машины тому, как люди общаются. В последние годы многочисленные технологические инновации позволили компьютерам распознавать язык так же, как мы, люди.

    В этом блоге будет представлена ​​обработка естественного языка и некоторые из ее основных аспектов.

    Что такое обработка естественного языка

    Обработка естественного языка (NLP) — это отрасль искусственного интеллекта, занимающаяся взаимодействием между людьми и компьютерами с использованием естественного языка. Конечная цель НЛП — ценно читать, понимать и расшифровывать человеческие слова. Большинство методов НЛП основаны на машинном обучении для получения смысла из человеческих языков.

    Обычное взаимодействие между машинами и людьми с использованием обработки естественного языка может выглядеть следующим образом:

    1. Человек разговаривает с компьютером
    2. Компьютер записывает звук
    3. Есть преобразование аудио в текст
    4. Обработка текстовых данных
    5. Данные преобразуются в аудио
    6. Компьютер воспроизводит аудиофайл и отвечает людям

    Использование обработки естественного языка

    Это типичные приложения, в которых НЛП играет движущую силу:

    • NLP используется в приложениях языкового перевода, таких как Google Translate
    • Он отлично подходит для текстовых процессоров, таких как Microsoft Word, и веб-приложений, таких как Grammarly, которые используют NLP для проверки грамматической точности текстов.
    • Приложения интерактивного голосового ответа (IVR), используемые в колл-центре для ответа на запросы конкретных пользователей
    • Приложения для персонального помощника, такие как Alexa, Siri, OK Google и Cortana

    Как работает обработка естественного языка?

    Обработка естественного языка требует применения алгоритмов для распознавания и выявления правил естественного языка, чтобы необработанные языковые данные преобразовывались в понятную для машины форму.Когда мы передаем текст на компьютер, он использует алгоритмы, чтобы понять смысл каждого предложения и собрать из них важные данные. Однако бывают случаи, когда эти компьютеры не могут определить точное значение предложения, что может привести к неопределенным результатам.

    Например, одна из распространенных ошибок — это перевод слова «онлайн» с английского на русский. На английском языке онлайн означает «подключенный к сетям», но в его русском переводе есть синоним, означающий «интерактивный».”

    Другой пример — основанный на ботах инструмент реструктуризации предложений на английском языке, который переводит предложение таким образом, что он может изменить все значение.

    Вот распространенная английская пословица, которую нам нужно переосмыслить:

    Дух желает, но плоть немощна

    Вот предложение того, как этот инструмент переформулирует

    Душа подготовлена; однако ткань бессильна.

    Какие техники используются в НЛП?

    Синтаксический и семантический анализ — ключевые методы, используемые для выполнения задач обработки естественного языка.

    Ниже приводится объяснение их использования:

    1. Синтаксис

      Синтаксис — это расположение слов в предложении таким образом, чтобы они имели грамматический смысл.

      В обработке естественного языка синтаксический анализ используется для определения того, как естественный язык согласуется с правилами грамматики. Некоторые специальные алгоритмы используются для применения правил грамматики к словам и извлечения их значения.

    Синтаксис также включает некоторые специальные методы:

    • Лемматизация: Процесс преобразования нескольких изменяемых форм слова в единую форму для беспроблемного анализа
    • Морфологическая сегментация: Разделение слов на отдельные единицы, называемые морфемами
    • Сегментация слов: Разделение большого фрагмента продолжающегося текста на разные блоки
    • Тегирование части речи: Идентификация части речи для каждого слова
    • Синтаксический анализ: Грамматическая аналитика для назначенного предложения
    • Нарушение предложения: Размещение границ предложения на большом фрагменте текста
    • Создание основы: Включает сокращение флективных слов до их исходной формы
    1. Семантика

    Семантика относится к лингвистике и логике, которые передаются через текст.Семантический анализ — один из самых сложных аспектов НЛП, который еще не решен полностью.

    Семантика включает реализацию компьютерных алгоритмов для определения интерпретации слов и структуры предложений.

    Вот некоторые методы семантического анализа:

    • Распознавание именованных объектов (NER): Оно включает обнаружение частей текста, которые идентифицируют и классифицируют в заранее определенные группы. Некоторые общие примеры включают названия мест и людей.
    • Значение смысла слова: Речь идет об определении значения слова на основе его контекста.
    • Генерация естественного языка: Он использует базу данных, чтобы получить семантические намерения и превратить их в человеческий язык.

    Бизнес-преимущества NLP

    Проверка орфографии и поиск настолько распространены, что мы часто принимаем их как должное, особенно на работе, где обработка естественного языка дает несколько преимуществ в производительности.

    Например, на работе, если вы хотите узнать информацию о своих листьях, вы можете сэкономить время, задавая вопросы своему менеджеру по персоналу.В компаниях есть поисковые запросы на основе чат-ботов, которым вы можете задать вопрос и получить ответы о любой политике компании. Встроенные в компании инструменты поиска позволяют сократить время обращения к ресурсам клиентов и бухгалтерского учета до 10 раз.

    Кроме того, NLP помогает рекрутерам сортировать профили вакансий, привлекать самых разных кандидатов и отбирать более квалифицированных сотрудников. NLP также помогает в обнаружении спама и предотвращает попадание нежелательных писем в ваш почтовый ящик. Gmail и Outlook используют NLP для маркировки сообщений от определенных отправителей в создаваемых вами папках.

    Кроме того, инструменты анализа настроений помогают организациям быстро распознавать правильность твитов и сообщений о них, чтобы они могли решить проблемы клиентов. Этот инструмент не просто обрабатывает слова в социальной сети, он выделяет контекст, в котором они появляются. Иногда английское слово может иметь отрицательное или нейтральное значение, поэтому НЛП используется для тщательного понимания сообщения клиентами путем определения их эмоций, стоящих за этими словами.

    NLP использует кейсы

    Многоязычный машинный перевод: Инструменты перевода на основе NLP могут использоваться для перевода малоэффективного контента, такого как нормативные тексты или электронные письма, и ускорения общения с партнерами, а также других деловых взаимодействий.

    Реклама: NLP можно использовать для выявления новых потенциальных клиентов в социальных сетях путем оценки их цифрового следа, на котором основываются целевые кампании.

    Анализ настроений и контекста : НЛП помогает генерировать более детальную информацию. Взаимодействие с клиентами или обратная связь могут быть оценены не только на предмет общих положительных или отрицательных настроений, но и классифицированы в соответствии с контекстом того, что обсуждалось.

    Мониторинг бренда : миллиарды взаимодействий в социальных сетях могут быть проанализированы, чтобы узнать, что клиенты говорят о вашем бренде и бренде ваших конкурентов.Мы реализовали собственный проект по разработке специально настроенного «уха для Твиттера», которое будет постоянно прислушиваться и отображать любые разговоры на интересующие темы.

    Операции центра обработки вызовов : Преобразование речи в текст вызова может быть сгенерировано и затем оценено с помощью NLP, чтобы привлечь внимание к наиболее важным запросам. Можно убедиться в общей удовлетворенности клиентов и определить, где требуется обучение для обслуживающего персонала.

    HR и рекрутинг : с помощью NLP рекрутеры могут более эффективно обнаруживать кандидатов, поскольку они могут ускорить поиск кандидатов, отфильтровывая соответствующие резюме и составляя незабываемые и нейтральные с гендерной точки зрения описания должностей.

    Чат-боты : Gartner прогнозирует, что к 2020 году на чат-ботов будет приходиться 85% взаимодействий с клиентами. Следующая волна чат-ботов — это голосовые чат-боты, которые могут понимать человеческую речь и «отвечать», а не взаимодействовать в текстовой форме. .

    Какое будущее у НЛП?

    Сегодня НЛП стремится выявить тонкие различия в значении языка, будь то из-за орфографических ошибок, отсутствия контекста или различий в диалектах.

    В рамках эксперимента НЛП в 2016 году Microsoft запустила чат-бота с искусственным интеллектом (ИИ) по имени Тай в Twitter.Идея заключалась в том, что чем больше пользователей будет общаться с этим чат-ботом, тем умнее он станет. Однако через 16 часов после запуска Microsoft пришлось удалить Tay из-за его оскорбительных и расистских комментариев.

    Технический гигант многому научился из этого опыта, и несколько месяцев спустя он выпустил англоязычного чат-бота второго поколения под названием Zo. Он использует сочетание передовых подходов к подтверждению и началу разговора. Другие организации также экспериментируют с ботами, чтобы запоминать детали, связанные с индивидуальным обсуждением.

    Возможно, будущее полно вызовов и угроз для обработки естественного языка; правила развиваются так быстро, как никогда раньше. В ближайшие годы мы, вероятно, выйдем на уровень разработки, чтобы сделать сложные приложения возможными.

    Заключение

    Приложения NLP и машинного обучения играют ключевую роль в поддержке взаимодействия машин и человека. Чем больше исследований в этой сфере, тем больше разработок, которые делают машины умнее в изучении и понимании человеческого языка.

    Как вы относитесь к технике НЛП для улучшения функциональности ваших приложений? Нужна помощь в запуске ваших инициатив в области НЛП? Свяжитесь с нами сегодня!

    Нежное введение в нейронный машинный перевод

    Последнее обновление 7 августа 2019 г.

    Одной из первых задач компьютеров был автоматический перевод текста с одного языка на другой.

    Автоматический или машинный перевод, пожалуй, одна из самых сложных задач искусственного интеллекта, учитывая гибкость человеческого языка.Традиционно для этой задачи использовались системы, основанные на правилах, которые в 1990-х годах были заменены статистическими методами. В последнее время модели глубоких нейронных сетей достигают самых современных результатов в области, которая удачно названа нейронным машинным переводом.

    В этом посте вы узнаете о проблеме машинного перевода и эффективности нейронных моделей машинного перевода.

    Прочитав этот пост, вы будете знать:

    • Машинный перевод — сложная задача, учитывая присущую человеческому языку двусмысленность и гибкость.
    • Статистический машинный перевод заменяет классические системы, основанные на правилах, моделями, которые учатся переводить на примерах.
    • Модели нейронного машинного перевода соответствуют одной модели, а не конвейеру отлаженных моделей, и в настоящее время достигают самых современных результатов.

    Начните свой проект с моей новой книги «Глубокое обучение для обработки естественного языка», включая пошаговые руководства и файлы исходного кода Python для всех примеров.

    Приступим.

    Нежное введение в нейронный машинный перевод
    Фото Фабио Ачилли, некоторые права защищены.

    Что такое машинный перевод?

    Машинный перевод — это задача автоматического преобразования исходного текста на одном языке в текст на другом языке.

    В задаче машинного перевода ввод уже состоит из последовательности символов на каком-то языке, и компьютерная программа должна преобразовать это в последовательность символов на другом языке.

    — стр. 98, Глубокое обучение, 2016 г.

    Учитывая последовательность текста на исходном языке, не существует единственного лучшего перевода этого текста на другой язык. Это из-за естественной двусмысленности и гибкости человеческого языка. Это делает задачу автоматического машинного перевода сложной, возможно, одной из самых сложных в искусственном интеллекте:

    Дело в том, что точный перевод требует базовых знаний, чтобы разрешить двусмысленность и установить содержание предложения.

    — стр. 21, Искусственный интеллект, современный подход, 3-е издание, 2009 г.

    Классические методы машинного перевода часто включают правила преобразования текста с исходного языка в целевой язык. Правила часто разрабатываются лингвистами и могут действовать на лексическом, синтаксическом или семантическом уровне. Этот акцент на правилах дал название этой области исследования: машинный перевод на основе правил или RBMT.

    RBMT характеризуется явным использованием и ручным созданием лингвистически обоснованных правил и представлений.

    — стр. 133, Справочник по обработке естественного языка и машинному переводу, 2011 г.

    Ключевыми ограничениями классических подходов к машинному переводу являются как опыт, необходимый для разработки правил, так и огромное количество требуемых правил и исключений.

    Нужна помощь с глубоким обучением текстовых данных?

    Пройдите мой бесплатный 7-дневный ускоренный курс электронной почты (с кодом).

    Нажмите, чтобы зарегистрироваться, а также получите бесплатную электронную версию курса в формате PDF.

    Начните БЕСПЛАТНЫЙ ускоренный курс прямо сейчас

    Что такое статистический машинный перевод?

    Статистический машинный перевод, или сокращенно SMT, — это использование статистических моделей, которые учатся переводить текст с исходного языка на целевой язык и дают большой корпус примеров.

    Эту задачу использования статистической модели можно формально сформулировать следующим образом:

    Учитывая предложение T на целевом языке, ищем предложение S, из которого переводчик произвел T.Мы знаем, что наши шансы на ошибку сводятся к минимуму, если выбрать то предложение S, которое является наиболее вероятным для данного T. Таким образом, мы хотим выбрать S так, чтобы максимизировать Pr (S | T).

    — Статистический подход к машинному переводу, 1990.

    Эта формальная спецификация делает явным максимизацию вероятности выходной последовательности при заданной входной последовательности текста. Это также делает явным понятие наличия набора возможных переводов и необходимость в процессе поиска или декодере для выбора одного наиболее вероятного перевода из выходного распределения вероятностей модели.

    Если текст на исходном языке, какой наиболее вероятный перевод на целевой язык? […] Как построить статистическую модель, которая приписывает высокую вероятность «хорошим» переводам и низкую вероятность «плохим» переводам?

    — Страница xiii, Статистический машинный перевод на основе синтаксиса, 2017.

    Подход основан на данных и требует только корпуса примеров с текстом на исходном и целевом языках. Это означает, что лингвистам больше не нужно указывать правила перевода.

    Этот подход не требует сложной онтологии межъязыковых концепций, не требует вручную созданных грамматик исходного и целевого языков или вручную размеченного банка дерева. Все, что ему нужно, это данные — примеры переводов, из которых можно изучить модель перевода.

    — стр. 909, Искусственный интеллект, современный подход, 3-е издание, 2009 г.

    Статистический подход к машинному переводу быстро превзошел классические методы, основанные на правилах, и стал фактически стандартным набором методов.

    С момента появления этой области в конце 1980-х годов наиболее популярные модели статистического машинного перевода […] основывались на последовательностях. В этих моделях основными единицами перевода являются слова или последовательности слов […] Такие модели просты и эффективны, и они хорошо подходят для языковых пар «человек»

    — Статистический машинный перевод на основе синтаксиса, 2017.

    Наиболее широко использовались методы, основанные на фразах и ориентированные на фрагментарный перевод подпоследовательностей исходного текста.

    Статистический машинный перевод (SMT) был доминирующей парадигмой перевода на протяжении десятилетий. Практические реализации SMT обычно представляют собой системы на основе фраз (PBMT), которые переводят последовательности слов или фраз, длина которых может различаться

    — Система нейронного машинного перевода Google: устранение разрыва между человеческим и машинным переводом, 2016 г.

    Несмотря на свою эффективность, статистические методы машинного перевода страдали от узкой фокусировки на переводимых фразах, теряя более широкий характер целевого текста.Жесткий акцент на подходах, основанных на данных, также означал, что методы могли игнорировать важные синтаксические различия, известные лингвистам. Наконец, статистические подходы требовали тщательной настройки каждого модуля в конвейере трансляции.

    Что такое нейронный машинный перевод?

    Нейронный машинный перевод или сокращенно NMT — это использование моделей нейронных сетей для изучения статистической модели машинного перевода.

    Ключевым преимуществом этого подхода является то, что единую систему можно обучать непосредственно на исходном и целевом тексте, больше не требуя конвейера специализированных систем, используемых в статистическом машинном обучении.

    В отличие от традиционной системы перевода на основе фраз, которая состоит из множества небольших подкомпонентов, настраиваемых отдельно, нейронный машинный перевод пытается построить и обучить единую большую нейронную сеть, которая читает предложение и выводит правильный перевод.

    — Нейронный машинный перевод путем совместного обучения выравниванию и переводу, 2014.

    Таким образом, системы нейронного машинного перевода считаются сквозными системами, поскольку для перевода требуется только одна модель.

    Сила NMT заключается в его способности изучать напрямую, сквозным образом, отображение входного текста в связанный выходной текст.

    — Система нейронного машинного перевода Google: устранение разрыва между человеческим и машинным переводом, 2016 г.

    Кодер-декодер Модель

    Модели нейронной сети

    Multilayer Perceptron можно использовать для машинного перевода, хотя модели ограничены входной последовательностью фиксированной длины, где выходные данные должны быть одинаковой длины.

    Эти ранние модели были значительно улучшены в последнее время за счет использования рекуррентных нейронных сетей, организованных в архитектуру кодировщика-декодера, которая допускает входные и выходные последовательности переменной длины.

    Нейронная сеть кодировщика считывает и кодирует исходное предложение в вектор фиксированной длины. Затем декодер выводит перевод из закодированного вектора. Вся система кодер-декодер, состоящая из кодировщика и декодера для языковой пары, обучается совместно, чтобы максимизировать вероятность правильного перевода исходного предложения.

    — Нейронный машинный перевод путем совместного обучения выравниванию и переводу, 2014.

    Ключом к архитектуре кодировщика-декодера является способность модели кодировать исходный текст во внутреннее представление фиксированной длины, называемое вектором контекста. Интересно, что после кодирования в принципе можно использовать разные системы декодирования для перевода контекста на разные языки.

    … одна модель сначала считывает входную последовательность и генерирует структуру данных, которая суммирует входную последовательность.Мы называем это резюме «контекстом» C. […] Второй режим, обычно RNN, затем читает контекст C и генерирует предложение на целевом языке.

    — стр. 461, Глубокое обучение, 2016 г.

    Подробнее об архитектуре рекуррентной нейронной сети Encoder-Decoder см. В сообщении:

    Энкодеры-декодеры с вниманием

    Несмотря на свою эффективность, архитектура кодировщика-декодера имеет проблемы с переводом длинных последовательностей текста.

    Проблема возникает из-за внутреннего представления фиксированной длины, которое должно использоваться для декодирования каждого слова в выходной последовательности.

    Решением является использование механизма внимания, который позволяет модели узнать, где сосредоточить внимание на входной последовательности, когда каждое слово выходной последовательности декодируется.

    Использование представления фиксированного размера для захвата всех семантических деталей очень длинного предложения […] очень сложно. […] Более эффективный подход, однако, состоит в том, чтобы прочитать все предложение или абзац […], а затем производить переведенные слова по одному, каждый раз сосредотачиваясь на другой части входного предложения, чтобы собрать необходимые семантические детали. для создания следующего выходного слова.

    — стр. 462, Глубокое обучение, 2016.

    Архитектура рекуррентной нейронной сети кодер-декодер, которой уделяется особое внимание, в настоящее время является самым современным в некоторых тестовых задачах для машинного перевода. И эта архитектура используется в основе системы нейронного машинного перевода Google, или GNMT, используемой в их сервисе Google Translate.
    https://translate.google.com

    … современные системы машинного перевода основаны на моделях, привлекающих внимание.

    — стр. 209, Методы нейронных сетей в обработке естественного языка, 2017.

    Подробнее о внимании см. В сообщении:

    Несмотря на свою эффективность, системы нейронного машинного перевода все же страдают некоторыми проблемами, такими как масштабирование до больших словарей и медленная скорость обучения моделей. В настоящее время существуют основные направления для крупных производственных систем нейронного перевода, таких как система Google.

    Три присущих нейронному машинному переводу […] слабости: медленное обучение и скорость вывода, неэффективность работы с редкими словами, а иногда и невозможность перевести все слова в исходном предложении.

    — Система нейронного машинного перевода Google: устранение разрыва между человеческим и машинным переводом, 2016 г.

    Дополнительная литература

    В этом разделе представлены дополнительные ресурсы по теме, если вы хотите углубиться.

    Книги

    Документы

    Дополнительный

    Сводка

    В этом посте вы открыли для себя проблему машинного перевода и эффективность нейронных моделей машинного перевода.

    В частности, вы выучили:

    • Машинный перевод — сложная задача, учитывая присущую человеческому языку двусмысленность и гибкость.
    • Статистический машинный перевод заменяет классические системы, основанные на правилах, моделями, которые учатся переводить на примерах.
    • Модели нейронного машинного перевода подходят для одной модели, а не для набора тонко настроенных моделей, и в настоящее время достигают самых современных результатов.

    Есть вопросы?
    Задайте свои вопросы в комментариях ниже, и я постараюсь ответить.

    Разрабатывайте модели глубокого обучения для текстовых данных уже сегодня!

    Создавайте собственные текстовые модели за считанные минуты

    …с всего несколькими строками кода Python

    Узнайте, как это сделать, в моей новой электронной книге:
    Глубокое обучение для обработки естественного языка

    Он предоставляет самоучителей по таким темам, как:
    Пакет слов, встраивание слов, языковые модели, создание титров, перевод текста и многое другое …

    Наконец-то привнесите глубокое обучение в свои проекты по обработке естественного языка

    Пропустить академики. Только результаты.

    Посмотрите, что внутри

    Что такое обработка естественного языка? AI для речи и текста

    От друга на Facebook:

    Я : Алекса, напомните, пожалуйста, мой утренний урок скульптуры йоги проходит в 5:30 утра.

    Alexa : Я добавил текилу в ваш список покупок.

    Мы разговариваем с нашими устройствами, и иногда они распознают то, что мы говорим правильно. Мы пользуемся бесплатными услугами для перевода фраз с иностранных языков, встречающихся в Интернете, на английский язык, и иногда дают нам точный перевод. Хотя обработка естественного языка улучшается не по дням, а по часам, ей все еще есть куда совершенствоваться.

    Случайный заказ моей подруги текилы может оказаться более подходящим, чем она думала. ¡Арриба!

    Что такое обработка естественного языка?

    Обработка естественного языка, или НЛП, в настоящее время является одной из основных успешных областей применения глубокого обучения, несмотря на рассказы о ее неудачах. Общая цель обработки естественного языка — позволить компьютерам понимать человеческий язык и действовать на нем. Мы разберем это подробнее в следующем разделе.

    Исторически обработкой естественного языка занимались системы, основанные на правилах, первоначально путем написания правил для, e.г., грамматики и основы. Помимо огромного количества работы, которая требовалась для написания этих правил от руки, они, как правило, работали не очень хорошо.

    Почему бы и нет? Давайте рассмотрим, каким должен быть простой пример, орфография. На некоторых языках, таких как испанский, орфография действительно проста и имеет обычные правила. Однако любой, кто изучает английский как второй язык, знает, насколько неправильным может быть английское правописание и произношение. Представьте, что вам нужно запрограммировать правила, которые пронизаны исключениями, такие как правило написания в начальной школе «I до E, кроме C, или когда звучит как A, как в случае с соседом или взвешиванием».Оказывается, правило «Я перед Э» вряд ли является правилом. Точность, возможно, 3/4 времени, у него есть множество классов исключений.

    После того, как в конце 1980-х — начале 1990-х годов в значительной степени отказались от написанных от руки правил, сообщество НЛП начало использовать модели статистического вывода и машинного обучения. Было испробовано много моделей и техник; немногие выжили, когда они были обобщены за пределы их первоначального использования. Некоторые из наиболее успешных методов использовались во многих областях. Например, скрытые марковские модели использовались для распознавания речи в 1970-х годах и были приняты для использования в биоинформатике — в частности, для анализа последовательностей белков и ДНК — в 1980-х и 1990-х годах.

    Модели статистического машинного перевода на основе фраз все еще требовали настройки для каждой языковой пары, а точность и точность зависели в основном от качества и размера текстовых корпусов, доступных для обучения с учителем. Для французского и английского языков канадский Hansard (парламентские заседания, по закону двуязычный с 1867 г.) был и остается неоценимым для контролируемого обучения. Протоколы Европейского Союза предлагают больше языков, но на меньшее количество лет.

    Осенью 2016 года Google Translate внезапно перешел от создания, в среднем, «словесного салата» с неопределенной связью со значением на языке оригинала, к выпуску отточенных, связных предложений чаще, чем нет, по крайней мере, для поддерживаемых языковые пары, такие как английский-французский, английский-китайский и английский-японский.С тех пор было добавлено еще много языковых пар.

    Это резкое улучшение явилось результатом девятимесячных согласованных усилий команд Google Brain и Google Translate по преобразованию Google Translate с использования его старых алгоритмов статистического машинного перевода на основе фраз на использование нейронной сети, обученной с помощью глубокого обучения и встраивания слов с использованием фреймворка Google TensorFlow. В течение года нейронный машинный перевод (NMT) заменил статистический машинный перевод (SMT) как современный уровень техники.

    Это было волшебство? Нет, совсем нет. Это было даже нелегко. Исследователи, работавшие над преобразованием, имели доступ к огромному корпусу переводов, с помощью которого можно было обучать свои сети, но вскоре они обнаружили, что для обучения им требуется тысяч графических процессоров и что им потребуется создать новый тип микросхемы, Tensor Processing Unit (TPU) для масштабного запуска Google Translate в обученных нейронных сетях. Им также приходилось сотни раз совершенствовать свои сети, поскольку они пытались обучить модель, которая была бы почти не хуже переводчиков-людей.

    Задачи обработки естественного языка

    В дополнение к проблеме машинного перевода, которую решает Google Translate, основные задачи НЛП включают автоматическое суммирование, разрешение совместных ссылок (определение того, какие слова относятся к одним и тем же объектам, особенно для местоимений), распознавание именованных сущностей ( идентификация людей, мест и организаций), генерация естественного языка (преобразование информации в читаемый язык), понимание естественного языка (преобразование фрагментов текста в более формальные представления, такие как логические структуры первого порядка), тегирование частей речи, анализ тональности (классифицировать текст как благоприятный или неблагоприятный по отношению к конкретным объектам) и распознавание речи (преобразовать аудио в текст).

    Основные задачи НЛП часто разбиваются на подзадачи, хотя системы НЛП последнего поколения на основе нейронных сетей иногда могут обходиться без промежуточных шагов. Например, экспериментальный переводчик речи Google под названием Translatotron может переводить испанскую речь в английскую речь напрямую, оперируя спектрограммами без промежуточных этапов преобразования речи в текст, языкового перевода и текста в речь. Транслатотрон пока не совсем точен, но его достаточно, чтобы подтвердить правильность концепции.

    Методы обработки естественного языка

    Как и любая другая проблема машинного обучения, проблемы НЛП обычно решаются с помощью конвейера процедур, большинство из которых предназначены для подготовки данных для моделирования. В своем превосходном руководстве по НЛП с использованием Python DJ Саркар излагает стандартный рабочий процесс: предварительная обработка текста -> Анализ текста и исследовательский анализ данных -> Текстовое представление и проектирование функций -> Моделирование и / или анализ шаблонов -> Оценка и развертывание.

    Sarkar использует Beautiful Soup для извлечения текста с очищенных веб-сайтов, а затем Natural Language Toolkit (NLTK) и spaCy для предварительной обработки текста путем токенизации, выделения корней и лемматизации, а также удаления стоп-слов и расширяющихся сокращений. Затем он продолжает использовать NLTK и spaCy для тегирования частей речи, выполнять неглубокий синтаксический анализ и извлекать фрагменты Ngram для тегирования: униграммы, биграммы и триграммы. Он использует NLTK и Stanford Parser для генерации деревьев синтаксического анализа и spaCy для генерации деревьев зависимостей и распознавания именованных сущностей.

    Саркар продолжает анализ настроений, используя несколько неконтролируемых методов, поскольку его примерный набор данных не был помечен для контролируемого машинного обучения или обучения глубокому обучению. В более поздней статье Саркар обсуждает использование TensorFlow для доступа к модели Google Universal Sentence Embedding и выполнения трансферного обучения для анализа набора данных обзора фильмов для анализа настроений.

    Как вы увидите, если прочитаете эти статьи и изучите прилагаемые к ним записные книжки Jupyter, не существует единой лучшей модели или алгоритма для анализа текста.Саркар постоянно пробует несколько моделей и алгоритмов, чтобы увидеть, какие из них лучше всего работают с его данными.

    Для обзора последних моделей и методов НЛП, основанных на глубоком обучении, я могу порекомендовать эту статью преподавателя искусственного интеллекта, который называет себя Элвисом.

    Службы обработки естественного языка

    Можно ожидать, что Amazon Web Services, Microsoft Azure и Google Cloud будут предлагать службы обработки естественного языка того или иного типа в дополнение к своим хорошо известным службам распознавания речи и языкового перевода.И, конечно же, это так — не только общие модели НЛП, но и индивидуализированные модели НЛП.

    Amazon Comprehend — это служба обработки естественного языка, которая извлекает ключевые фразы, места, имена людей, бренды, события и настроения из неструктурированного текста. Amazon Comprehend использует предварительно обученные модели глубокого обучения и определяет довольно общие места и вещи. Если вы хотите расширить эту возможность для определения более конкретного языка, вы можете настроить Amazon Comprehend для идентификации сущностей, зависящих от предметной области, и для категоризации документов по вашим собственным категориям

    Microsoft Azure имеет несколько сервисов NLP.Text Analytics определяет язык, тональность, ключевые фразы и сущности блока текста. Поддерживаемые возможности зависят от языка.

    Language Understanding (LUIS) — это настраиваемый интерфейс на естественном языке для приложений социальных сетей, чат-ботов и настольных приложений с поддержкой речи. Вы можете использовать предварительно созданную модель LUIS, предварительно созданную модель для конкретной предметной области или настраиваемую модель с машинно-обученными или буквальными сущностями. Вы можете создать собственную модель LUIS с помощью API-интерфейсов разработки или портала LUIS.

    Для тех, кто более технически подкован, Microsoft выпустила документ и код, показывающие, как настроить модель BERT NLP для пользовательских приложений с помощью службы машинного обучения Azure.

    Google Cloud предлагает как предварительно обученный API естественного языка, так и настраиваемый AutoML Natural Language. API естественного языка обнаруживает синтаксис, сущности и тональность текста и классифицирует текст по заранее определенному набору категорий.