Natural Language Understanding (NLU) (Doğal Dil Anlama)

Bilgisayarlarin insan dilinden anlam, niyet ve baglam cikarabilmesini saglayan NLP alt alani.

Dogal Dil Anlama (NLU — Natural Language Understanding), bilgisayarlarin insan dilini yalnizca islemekle kalmayip anlam, niyet ve baglami cikarabilmesini saglayan yapay zeka alanidir. Dogal Dil Isleme'nin (NLP) bir alt dali olan NLU, kurallara dayali yaklasimdan modern transformer-tabanli modellere dogru evrilmistir. NLU'nun temel gorevleri sunlardir: niyet tanima (intent recognition), varlik tanima (named entity recognition — NER), bag temsili (coreference resolution), sentiment analizi, semantic rol etiketleme ve dogal dil cikarsama (natural language inference — NLI). Bu gorevler bir araya geldiginde insanin yazili veya sozlu ifadesinin ne demek istedigini makine tarafindan anlasilmasini saglar. Diyalog sistemleri ve sesli asistanlarda NLU kritik bir rol oynar. Alexa, Siri veya Google Assistant gibi sistemler konusmanin metnini sesden metin algoritmasi (ASR) ile alir; ardindan NLU motoru niyeti (kullanicinin ne istedigini) ve entityleri (kim, ne, nerede, ne zaman) cikarir. Bu bilgi is mantigi katmanina iletilerek uygun eylem tetiklenir. Buyuk dil modelleri, NLU'nun pek cok alt gorevini tek bir unifikasyon cercevesine getirmistir. GPT-4 veya Claude gibi modeller, metinden sonuc cikarabilir, soru yanitlayabilir ve baglami takip edebilir. GLUE ve SuperGLUE benchmark'lari NLU modellerinin karsilastirilmasi icin standart test setleri saglamaktadir. BERT, bu benchmark'larda insan duzeyini gectiginden beri NLU arastirmasinin merkezindedir. NLU'nun pratik uygulama alanlari son derece genistir. Musteri hizmetleri otomasyonunda gelen mesajin konusunu ve aciliyetini siniflandirmak, saglik sektorunde klinik notlardan ICD kodlari cikarmak, hukuki belgelerde madde referanslarini tanimak gibi gorevlerde NLU motorlari kullanilmaktadir. RAG (Retrieval-Augmented Generation) sistemlerinde kullanici sorgusunun dogru yorumlanmasi ve uygun belgelerin getirilmesi icin guclu NLU vazgecilmezdir. Instruction tuning ve RLHF gibi teknikler, modellerin NLU gorevlerini acik talimatlarla gerceklestirmesini daha da iyilestirmektedir.

NLU ve NLP Farki

NLP genel olarak dil verisi uzerinde yapilan islemleri kapsar: tokenizasyon, POS etiketleme, parsing gibi. NLU bunun uzerine anlam cikarimini ekler: kullanicinin ne demek istedigini, metinde hangi duygunun oldugunu veya iki cumlede ayni nesnenin referans edilip edilmedigini anlamayı hedefler. NLG ise bu anlasilan bilgiyi tutarli metin olarak ifade etmeyi kapsar. Modern LLM'ler bu ucunu birlestirir.

Sesli Asistandaki NLU Sureci

Sesli asistan mimarisinde sira su sekilde isler: mikrofon sesi yakalar → ASR sesi metne cevirir → NLU bu metin uzerinde niyet ve entity cikarsama yapar → dialog yonetimi hangi eylemin yapilacagina karar verir → NLG ya da sablon yanit uretir → TTS sesli yanit olusturur. NLU bu zincirin kalbi konumundadir.

BERT ve Transformer Devrimi

BERT (2018), cift yonlu transformer mimarisini kullanan ve buyuk metinler uzerinde on egitim alan bir modeldir. Maskelenmis Dil Modelleme (MLM) ve Next Sentence Prediction gorevleriyle on egitilen model, 11 farkli NLU gorevinde o donem dunya rekoru kirmistir. Bu basari, ozellik muhendisliginin yerine buyuk olcekli on egitim ve ince ayar paradigmasini standart hale getirmistir.

Modern NLU: Unifikasyon

LLM'lerin yukselisiyle NLU alt gorevleri ayri sistemler gerektirmekten cikiyor. GPT-4, Claude gibi modeller tek bir mimariyle sentiment analizi, NLI, soru yanitlama ve entity tanima yapabilir. Zero-shot ve few-shot NLU, ozellikle etiketli veri kisitli durumlarda guclu alternatif sunmaktadir. Instruction tuning, modellerin NLU gorevlerini acik talimatlarla gerceklestirmesini saglayan anahtar teknik haline gelmistir.

💬 Doğal Dil Anlama Değerlendirme Görevleri

check_circle GLUE/SuperGLUE kıyaslama paketi: metin çıkarım, soru cevaplama ve coreference çözümleme
check_circle Stanford NLI (SNLI): cümle çiftleri arasında çıkarım, çelişki veya nötr ilişkisi sınıflandırma
check_circle SQuAD: Wikipedia pasajlarından soru cevaplama; başlangıç-bitiş pozisyonu tahmini
check_circle CommonsenseQA: günlük mantık yürütme gerektiren çoktan seçmeli sorular
check_circle BoolQ: evet/hayır sorularına metin destekli cevap verme; pragmatik anlama gerektiren

Sikca Sorulan Sorular

check_circle NLU ve NLP ayni sey mi? Hayir; NLP daha genis bir alan, NLU bunun anlama odakli alt koludur. NLP tokenizasyon ve parsing gibi sinyalleri islerken NLU anlam ve niyet cikarimina odaklanir.
check_circle GLUE benchmark nedir? General Language Understanding Evaluation: 9 farkli NLU gorevinden olusan standart kiyaslama seti. SuperGLUE daha zor gorevler icerir ve model gelisimini izlemek icin yaygin kullanilmaktadir.
check_circle Chatbot NLU'ya ihtiyac duyar mi? Evet; kullanicinin sorusunu anlamak icin en azindan niyet tanima gereklidir. Basit chatbot'lar kural tabanli, gelismis olanlar ML tabanli NLU kullanir.
check_circle NLU Turkce icin nasil calisir? Cok dilli BERT, XLM-R ve mT5 gibi modeller Turkceyi destekler. BERTurk ve Turkiye'ye ozgu egitimli modeller de mevcuttur.