Pendahuluan

Seiring dengan perkembangan teknologi yang semakin pesat, Artificial Intelligence atau AI menjadi topik yang semakin populer dan menarik untuk dibahas. Salah satu teknologi yang menjadi fokus utama dari AI adalah Natural Language Processing (NLP).

Definisi Natural Language Processing (NLP)

NLP adalah kemampuan komputer untuk memahami, menganalisis, dan menghasilkan bahasa manusia dengan cara yang sama seperti manusia. Ketika seseorang berbicara dengan mesin atau perangkat AI, tidak selalu mudah untuk memahami apa yang mereka maksud. Kadang-kadang, kita perlu memberikan instruksi yang sangat spesifik untuk membuat mesin melakukan apa yang kita inginkan. Namun, dengan Natural Language Processing, mesin dapat memahami bahasa manusia dengan lebih baik. Seperti halnya, ketika kita berbicara dengan seseorang, kita tidak perlu mengatakan setiap kata secara eksplisit untuk menjelaskan apa yang kita maksud. Kita hanya perlu memberikan konteks yang cukup dan orang tersebut akan memahami apa yang kita maksud.

NLP dapat menjadi sangat berguna dalam banyak situasi. Misalnya, dalam pelayanan pelanggan, mesin dapat memahami keluhan pelanggan dan memberikan solusi yang tepat tanpa perlu melibatkan manusia. Dalam industri media, NLP dapat membantu menghasilkan konten yang lebih baik dan lebih relevan dengan audiens. Namun, untuk membuat mesin dapat memahami bahasa manusia, kita perlu memperhatikan beberapa hal. Pertama, bahasa manusia sangat kompleks dan ambigu. Bahasa manusia dapat memiliki banyak arti yang berbeda tergantung pada konteksnya. Kedua, bahasa manusia sangat fleksibel. Kita dapat menggunakan kata-kata yang berbeda untuk menjelaskan hal yang sama. Terakhir, bahasa manusia terus berubah dan berkembang seiring waktu.

Natural Language Processing telah banyak digunakan dalam berbagai aplikasi, mulai dari chatbot hingga mesin terjemahan. Dalam beberapa tahun terakhir, teknologi ini semakin berkembang dan menjadi lebih canggih. Seiring dengan perkembangan teknologi, NLP dapat membantu kita untuk memahami bahasa manusia dengan lebih baik dan membuat interaksi antara manusia dan mesin menjadi lebih lancar dan mudah.

Pentingnya NLP dalam AI

Seorang petani yang baik pasti akan mengenal tanahnya dengan baik. Dia akan tahu jenis tanah, kandungan hara, dan kebutuhan tanaman untuk tumbuh dengan baik. Hal yang sama juga berlaku untuk mesin pencari seperti Google. Untuk memberikan hasil pencarian yang terbaik, Google perlu memahami bahasa manusia dengan baik, dan disinilah Natural Language Processing (NLP) memiliki peran penting.

Tidak seperti manusia, mesin pencari tidak dapat membaca dan memahami teks dengan cara yang sama. Mesin pencari perlu memecahkan kata-kata dan frasa-frasa dalam teks untuk memahaminya dengan lebih baik. Dengan menggunakan teknologi NLP, mesin pencari dapat memahami bahasa manusia dengan cara yang lebih efektif, dan dengan demikian, dapat menawarkan hasil pencarian yang lebih relevan dan akurat.

NLP memiliki peran yang sangat penting dalam pengembangan AI. Kemampuan NLP untuk memahami bahasa manusia secara alami dapat digunakan dalam berbagai aplikasi yang berbeda, mulai dari chatbot hingga analisis sentimen. Dengan semakin banyaknya data yang dihasilkan dalam bentuk bahasa manusia, NLP menjadi semakin penting dalam mengolah dan memahami data tersebut.

Bagaimana NLP Bekerja

Pernahkah kamu merasa tertarik dengan kemampuan mesin untuk memahami bahasa manusia? Bagaimana sebuah program bisa menerjemahkan bahasa asing menjadi bahasa yang kita pahami? Inilah yang disebut Natural Language Processing (NLP). NLP bekerja dengan cara mengekstrak informasi dari bahasa manusia dan mengubahnya menjadi bentuk yang dapat dimengerti oleh mesin. Teknologi ini sangat berguna dalam berbagai bidang seperti penerjemahan, analisis sentimen, chatbot, dan banyak lagi.

Pengolahan bahasa alami (NLP) melibatkan beberapa tahap, termasuk preprocessing, language modeling, dan analisis dan interpretasi. Preprocessing melibatkan pengumpulan dan pengolahan data bahasa manusia sebelum diolah lebih lanjut, sedangkan language modeling melibatkan memahami struktur bahasa menggunakan model bahasa yang dibangun melalui pembelajaran mesin. Terakhir, tahap analisis dan interpretasi melibatkan evaluasi dan analisis data untuk mengungkapkan makna yang terkandung dalam teks. Dalam artikel ini, kita akan membahas lebih lanjut tentang bagaimana NLP bekerja dan bagaimana penggunaannya dapat membantu dalam berbagai aplikasi.

Preprocessing

Di dalam dunia NLP, terdapat beberapa tahapan yang harus dilalui sebelum menghasilkan output yang akurat. Salah satu tahapan penting dalam NLP adalah preprocessing.

Preprocessing adalah proses pengolahan teks yang bertujuan untuk mengubah data mentah menjadi data yang lebih mudah diproses oleh mesin. Dalam preprocessing, ada beberapa tahapan yang harus dilakukan seperti tokenisasi, stopword removal, stemming, dan lain-lain. Mari kita bahas tahapannya satu per satu.

Tokenization

Ilustrasi pelatihan AI menggukan teknik Token. image source

Tokenisasi adalah proses memisahkan teks menjadi unit-unit yang lebih kecil yang disebut token, yang dapat berupa kata, frasa, tanda baca, atau karakter lainnya. Tujuan dari tokenisasi adalah untuk mempermudah pemrosesan teks lebih lanjut, seperti analisis sentimen, identifikasi topik, dan pembuatan model bahasa. Ada beberapa teknik tokenisasi yang dapat digunakan, dan pilihan teknik yang tepat tergantung pada jenis teks yang diproses dan tujuan pengolahan teks yang diinginkan. Proses tokenisasi merupakan tahap penting dalam pra-pemrosesan teks dalam pengolahan bahasa alami, dan sangat mempengaruhi kualitas hasil analisis dan model yang dibuat.

Stop Word Removal

Stopword removal adalah tahapan untuk menghapus kata-kata yang tidak memiliki makna penting dalam suatu teks. Contoh kata-kata tersebut adalah “yang”, “dan”, “juga”, dan lain-lain. Mesin tidak membutuhkan kata-kata tersebut untuk memproses teks dan menghasilkan output yang akurat. Dalam tahap ini, setiap token yang dihasilkan dari tahap tokenisasi akan dibandingkan dengan daftar kata-kata stopword yang sudah ditentukan sebelumnya. Jika ada token yang termasuk dalam daftar kata-kata stopword, maka token tersebut akan dihapus.

Stemming/Lemmatization

Stemming adalah proses untuk mengubah kata ke bentuk dasarnya atau yang sering disebut dengan kata dasar. Contohnya, kata “berlari”, “berlarian”, dan “berlalu” akan diubah menjadi kata dasar “lari” dan “lalu”. Hal ini bertujuan untuk mengurangi jumlah kata yang harus diproses oleh mesin dan memudahkan mesin dalam memahami makna dari teks.

Normalization

Normalisasi adalah proses untuk mengubah bentuk kata menjadi bentuk yang lebih standar. Contohnya, kata “mengalahkan” dan “menghancurkan” akan diubah menjadi kata dasar “kalah” dan “hancur”. Normalisasi juga termasuk penghilangan tanda baca dan karakter-karakter khusus seperti hashtag (#) atau mention (@) dalam teks.

Dalam proses preprocessing, tahapan-tahapan tersebut dapat dilakukan secara berurutan atau kombinasi dari beberapa tahapan sekaligus tergantung pada kebutuhan. Tujuannya adalah untuk menghasilkan teks yang lebih mudah diproses oleh mesin dan menghasilkan output yang akurat. Oleh karena itu, preprocessing sangat penting dalam NLP.

Language Modeling

Mari kita bayangkan bahwa kita adalah seorang pembaca majalah dan sedang mencari artikel yang menarik perhatian kita. Di mana kita akan mulai mencari artikel yang tepat? Kita mungkin akan mulai dengan mengidentifikasi kata kunci yang relevan, seperti topik atau penulis. Kemudian, kita akan mulai membaca beberapa artikel, mencari tahu lebih lanjut tentang subjek dan gaya penulisan.

Nah, ini persis seperti cara kerja language modeling di NLP. Language modeling adalah proses pembuatan model bahasa dari data yang ada. Model ini menggunakan teks sebagai input dan memprediksi kemungkinan kata atau frasa selanjutnya berdasarkan konteks sebelumnya. Ini memungkinkan mesin untuk memahami konteks kata-kata dalam bahasa manusia dan menghasilkan output yang masuk akal dan terstruktur.

n-grams

Sebagai bagian dari Natural Language Processing (NLP), language modeling (pemodelan bahasa) adalah proses pembelajaran mesin tentang bahasa manusia dengan memodelkan probabilitas kata-kata pada suatu kalimat atau teks. Salah satu teknik yang digunakan dalam language modeling adalah n-grams.

N-grams adalah teknik language modeling yang memecah teks menjadi n bagian atau chunk, dan menghitung probabilitas setiap kombinasi n bagian tersebut. Sebagai contoh, jika kita menggunakan teknik n-grams dengan n=2 (bigram), teks “Saya suka makan nasi goreng” akan dipecah menjadi “Saya suka”, “suka makan”, “makan nasi”, dan “nasi goreng”. Kemudian, untuk setiap bigram tersebut, dihitung probabilitas kemunculannya berdasarkan data teks yang telah dipelajari oleh mesin.

N-grams merupakan teknik yang sederhana namun efektif untuk melakukan language modeling. Hal ini karena n-grams memperhitungkan konteks sebelum dan setelah kata, sehingga dapat memahami hubungan antar kata dalam suatu teks. Namun, n-grams juga memiliki kelemahan yaitu tidak mampu menangani kata-kata yang tidak muncul pada data teks yang telah dipelajari. Selain itu, semakin besar nilai n yang digunakan, semakin tinggi pula kompleksitas perhitungan probabilitasnya.

Penerapan n-grams dalam NLP sangat luas, salah satunya adalah dalam proses prediksi kata berikutnya pada sebuah kalimat. Dalam proses ini, mesin akan menggunakan n-grams untuk menghitung probabilitas kemunculan kata-kata berikutnya berdasarkan kata-kata sebelumnya pada kalimat tersebut. Kemudian, mesin akan memilih kata berikutnya dengan probabilitas tertinggi sebagai prediksi.

Word Embeddings

Selain menggunakan teknik n-grams, language modeling juga dapat dilakukan dengan menggunakan teknik word embeddings. Word embeddings merupakan teknik pemetaan kata ke dalam ruang vektor dengan dimensi tertentu. Setiap kata direpresentasikan sebagai sebuah vektor dengan koordinat yang merepresentasikan makna atau arti kata tersebut.

Teknik word embeddings biasanya dilakukan dengan menggunakan neural network yang disebut dengan neural language model (NLM). NLM bekerja dengan mengambil sejumlah besar teks sebagai data latih, dan mempelajari hubungan antar kata dalam teks tersebut dengan membuat representasi vektor untuk setiap kata.

Setelah melakukan training, mesin dapat menggunakan representasi vektor tersebut untuk melakukan language modeling. Dalam proses ini, mesin akan mengambil input berupa kata atau kalimat, dan mencari representasi vektor untuk setiap kata tersebut. Kemudian, mesin akan menggunakan representasi vektor tersebut untuk menghitung probabilitas kemunculan kata-kata berikutnya pada kalimat tersebut.

Word embeddings memiliki kelebihan dibandingkan dengan teknik n-grams karena dapat menangani kata-kata yang tidak muncul pada data latih. Selain itu, word embeddings juga dapat memperhitungkan hubungan antar kata yang lebih kompleks dan abstrak, seperti sinonim, antonim, atau hubungan semantik lainnya.

Teknik word embeddings juga digunakan dalam berbagai aplikasi NLP, seperti klasifikasi teks, analisis sentimen, atau mesin pencari. Dalam aplikasi mesin pencari, word embeddings digunakan untuk mencari kata-kata terkait dengan kata kunci yang dimasukkan oleh pengguna, sehingga mesin dapat menemukan teks yang relevan dengan pencarian tersebut.

Analysis and Interpretation

Mungkin Anda sudah tahu bahwa NLP memungkinkan komputer untuk memahami bahasa manusia dan berinteraksi dengan manusia dengan cara yang lebih alami. Namun, bagaimana cara kerja NLP dalam hal Analisis dan Interpretasi? Dalam hal ini, NLP membantu memahami konten yang ada di dalam dokumen dan kemudian mengklasifikasikan data ke dalam beberapa kategori berbeda berdasarkan topik, sentimen, atau bahkan tujuan komunikasi.

Named Entity Recognition

Teknik Named Entity Recognition (NER) merupakan salah satu teknik penting dalam NLP yang digunakan untuk mengidentifikasi entitas dalam teks, seperti orang, tempat, tanggal, dan lain sebagainya.

Contoh NER Tagging. image source

Untuk memahami lebih lanjut tentang teknik NER dalam NLP, mari kita analogikan teks sebagai sebuah peta dan teknik NER sebagai GPS yang membantu kita menemukan lokasi yang tepat. Dalam peta, terdapat banyak informasi seperti jalan, sungai, dan gunung, namun untuk menemukan lokasi yang kita cari dengan cepat dan tepat, kita perlu GPS yang dapat mengidentifikasi titik-titik penting dalam peta.

Hal yang sama berlaku dalam teks. Dalam sebuah teks, terdapat banyak kata dan informasi yang saling berkaitan, namun tidak semua informasi tersebut penting untuk ditemukan. Teknik NER membantu kita untuk mengidentifikasi dan menyoroti informasi penting dalam teks, seperti nama orang, tempat, atau tanggal yang sering dicari oleh pengguna.

Tidak hanya itu, teknik NER juga dapat digunakan untuk memperbaiki kualitas data dalam database. Kita dapat menggunakan teknik NER untuk mengenali dan memperbaiki informasi yang salah atau kurang tepat dalam database, sehingga data yang tersimpan dalam database menjadi lebih akurat dan dapat dipercaya.

Secara keseluruhan, teknik NER dalam NLP merupakan teknologi yang sangat penting dan berguna untuk membantu kita dalam mengidentifikasi informasi penting dalam teks. Analogi GPS dalam peta dapat membantu kita memahami bagaimana teknik NER bekerja dalam teks.

Sentiment Analysis

Salah satu teknik NLP yang sangat penting adalah sentiment analysis, yang memungkinkan sistem untuk mengevaluasi dan memahami sentimen yang terkandung dalam teks yang ditulis oleh manusia. Contohnya, ada sebuah toko bunga kecil di tepi jalan yang dijalankan oleh seorang wanita yang sangat mahir dalam membaca perasaan pelanggannya. Dia selalu dapat mengetahui apakah pelanggannya bahagia, sedih, atau kecewa hanya dengan berbicara dengan mereka selama beberapa menit. Bagaimana dia bisa melakukan hal itu? Seperti halnya wanita itu, teknologi Natural Language Processing (NLP) menggunakan analisis dan interpretasi untuk memahami perasaan manusia dalam bahasa yang mereka gunakan sehari-hari.

Namun, seperti halnya si pemilik toko bunga, NLP juga dapat menafsirkan perasaan dengan cara yang tidak selalu benar. Terkadang bahasa manusia memiliki makna yang ambigu atau sangat tergantung pada konteksnya, yang dapat membuat analisis sentimen menjadi tidak akurat. Oleh karena itu, diperlukan pemahaman yang tepat tentang bahasa dan konteksnya agar teknik ini dapat memberikan hasil yang akurat.

Klasifikasi Sentiment Analysis. image source

Untuk menghindari kesalahan interpretasi, pengguna NLP harus memahami bagaimana bahasa digunakan dalam konteks tertentu. Sentiment analysis harus dilakukan dengan hati-hati dan dengan mempertimbangkan konteks dari teks yang sedang dianalisis. Sebuah analisis yang kurang tepat dapat menghasilkan hasil yang salah dan membahayakan reputasi merek atau produk.

Meskipun ada beberapa keterbatasan dalam teknologi NLP, namun sentimen analysis terus berkembang dan menjadi lebih akurat seiring waktu. Saat ini, teknologi ini digunakan oleh banyak organisasi dan perusahaan untuk membantu dalam mengambil keputusan bisnis.

Jadi, apakah NLP dan sentiment analysis akan menjadi teknologi yang terus berkembang dan digunakan dalam industri di masa depan? Jawabannya pasti iya. Dengan kemampuan untuk memahami dan menafsirkan bahasa manusia, teknologi ini dapat memberikan keuntungan kompetitif yang besar bagi perusahaan dan organisasi dalam mengambil keputusan bisnis yang lebih tepat.

Topic Modeling

Salah satu teknik dalam NLP adalah Topic Modeling. Teknik Topic Modeling merupakan salah satu teknik dari NLP yang digunakan untuk melakukan analisis dan interpretasi terhadap data teks. Teknik ini membantu dalam mengelompokkan dokumen berdasarkan topik yang terkandung di dalamnya. Teknik ini sangat berguna dalam mengelompokkan artikel dan dokumen besar yang sulit ditangani secara manual. Topic Modeling memungkinkan kita untuk mengidentifikasi tema utama dalam dokumen dan membuat kesimpulan yang tepat dari data yang besar dan rumit.

Mari bayangkan bahwa anda sedang mencari buku favorit anda di rak buku yang sangat berantakan. Anda harus melihat setiap judul buku satu per satu, dan ini akan memakan waktu yang sangat lama. Namun, bayangkan jika ada sebuah alat yang dapat membantu anda mengelompokkan buku-buku tersebut berdasarkan topiknya. Dengan begitu, anda dapat dengan mudah menemukan buku yang anda inginkan. Nah, teknik Topic Modeling inilah yang dapat membantu anda dalam melakukan hal tersebut.

Topic Modeling bekerja dengan cara mengidentifikasi kata-kata kunci yang paling banyak muncul dalam sebuah dokumen, dan kemudian mengelompokkan dokumen tersebut berdasarkan kesamaan kata-kata kunci tersebut. Teknik ini dapat digunakan untuk memecahkan masalah di berbagai bidang, seperti jurnalistik, riset pasar, dan analisis data.

Namun, penggunaan Topic Modeling dalam NLP juga memiliki kekurangan. Salah satu kekurangan yang paling umum adalah overfitting. Overfitting terjadi ketika model yang dibuat terlalu sempurna dalam mempelajari data yang ada, sehingga sulit untuk digunakan pada data yang belum pernah dilihat sebelumnya. Untuk menghindari overfitting, diperlukan teknik yang disebut Regularization. Regularization dapat membantu model dalam mengenali pola yang lebih umum pada data, sehingga dapat digunakan pada data yang belum pernah dilihat sebelumnya.

Aplikasi NLP dalam AI

Aplikasi NLP dalam AI memiliki banyak manfaat dan digunakan dalam berbagai industri. Teknologi ini membantu meningkatkan efisiensi bisnis dan memberikan pengalaman pengguna yang lebih baik bagi konsumen. Aplikasi NLP dapat ditemukan dalam berbagai bentuk teknologi, seperti Chatbots, Machine Translation, Speech Recognition, Text Classification, dan Recommender Systems. Dalam artikel ini, akan dibahas mengenai berbagai aplikasi NLP dalam AI dan bagaimana teknologi ini memainkan peran penting dalam kehidupan kita sehari-hari.

Chatbots

Salah satu aplikasi NLP yang paling umum adalah Chatbots. Chatbots adalah program komputer yang dapat melakukan percakapan manusia dengan menggunakan bahasa alami. Chatbots biasanya digunakan dalam industri layanan pelanggan, di mana mereka dapat membantu menjawab pertanyaan dan memecahkan masalah pelanggan dengan cepat dan efisien.

Machine Translation

Aplikasi Machine Translation juga menjadi semakin populer dalam NLP. Machine Translation adalah teknologi yang memungkinkan terjemahan otomatis dari satu bahasa ke bahasa lainnya. Teknologi ini banyak digunakan dalam industri bisnis internasional dan juga dalam situs web yang ditujukan untuk audiens global.

Speech Recognition

Speech Recognition adalah aplikasi NLP yang memungkinkan komputer untuk mengenali suara manusia dan mengubahnya menjadi teks. Teknologi ini digunakan dalam sistem transkripsi, pengenalan nama dalam aplikasi perbankan, dan juga dalam asisten suara seperti Siri atau Alexa.

Text Classification

Text Classification adalah aplikasi NLP yang membantu mengorganisir dokumen atau data menjadi kategori yang sesuai. Teknologi ini sangat berguna dalam industri e-commerce, di mana produk dapat diatur ke dalam kategori yang tepat untuk memudahkan konsumen dalam mencari dan membeli barang.

Recommender Systems

Recommender Systems adalah aplikasi NLP yang menggunakan data dan algoritma untuk merekomendasikan produk atau layanan kepada konsumen berdasarkan preferensi mereka. Contohnya adalah fitur rekomendasi produk di situs web e-commerce seperti Amazon atau Tokopedia.

Secara keseluruhan, aplikasi NLP dalam AI memiliki banyak manfaat dan digunakan dalam berbagai industri. Teknologi ini membantu meningkatkan efisiensi bisnis dan memberikan pengalaman pengguna yang lebih baik bagi konsumen. Dalam artikel ini, akan dibahas lebih lanjut mengenai masing-masing aplikasi NLP dan bagaimana teknologi ini dapat membantu memajukan berbagai sektor industri.

Kesimpulan

Pengolahan Bahasa Alami (Natural Language Processing/NLP) telah menjadi bagian yang penting dalam pengembangan Kecerdasan Buatan (Artificial Intelligence/AI). Kemampuan mesin untuk memahami bahasa manusia memungkinkan pengembangan berbagai aplikasi praktis di berbagai industri, seperti chatbot, terjemahan mesin, pengenalan suara, dan klasifikasi teks. Selain itu, NLP juga dapat membantu dalam analisis teks, seperti analisis sentimen, identifikasi entitas, dan topic modeling.

Untuk memproses bahasa manusia, NLP melibatkan tahap-tahap seperti preprocessing, modeling bahasa, analisis dan interpretasi. Tahap preprocessing memungkinkan mesin untuk memproses dan memahami teks secara lebih baik. Modeling bahasa memungkinkan mesin untuk merepresentasikan kata-kata dalam dokumen dan mengidentifikasi urutan kata yang sering digunakan. Analisis dan interpretasi NLP memungkinkan mesin untuk mengenali entitas, memahami sentimen, dan mengidentifikasi topik utama dalam dokumen. Dengan penggunaan NLP, mesin dapat memproses bahasa manusia dengan cara yang sama seperti manusia, sehingga membuka peluang besar untuk pengembangan AI dan aplikasi praktis di berbagai industri.

Badr Interactive beberapa waktu lalu menyelenggarakan kegiatan Talkshow Badr Tech Insight bertemakan “How Artificial Intelligence Shapes the Future of Indonesian Business”, didalamnya juga terdapat pembahasan NLP dan bagaimana implementasinya dalam bisnis. Berikut ini link rekaman kegiatannya jika Anda ingin mendapatkan pemahaman lebih jauh atas tema tersebut.

FAQ

Apa itu Natural Language Processing (NLP)?

Natural Language Processing (NLP) adalah cabang dari kecerdasan buatan (AI) yang berfokus pada interaksi antara manusia dan komputer menggunakan bahasa manusia alami.

Mengapa NLP penting dalam AI?

NLP penting dalam AI karena kemampuannya untuk memahami dan mengolah bahasa manusia alami, yang memungkinkan komputer untuk berinteraksi dan berkomunikasi dengan manusia dalam bahasa yang sama. Ini membuka banyak peluang untuk pengembangan aplikasi AI yang lebih canggih.

Apa yang dimaksud dengan Tokenisasi dalam tahap pra-pemrosesan NLP?

Tokenisasi adalah proses mengubah teks mentah menjadi kumpulan token atau kata-kata terpisah. Ini membantu mesin memahami teks dengan lebih baik dan memungkinkan analisis lebih lanjut seperti pemrosesan bahasa alami (NLP).

Apa itu Analisis Sentimen dalam NLP?

Analisis sentimen adalah proses untuk menentukan emosi dan sentimen yang terkandung dalam teks menggunakan teknik NLP. Ini membantu dalam memahami opini dan perasaan pengguna terhadap suatu topik atau merek.

Apa saja aplikasi NLP dalam AI?

Aplikasi NLP dalam AI meliputi chatbot untuk interaksi manusia-komputer, mesin penerjemah untuk menerjemahkan bahasa, pengenalan ucapan untuk memahami perintah suara manusia, dan klasifikasi teks untuk memahami konteks dan topik teks.