NLP między językoznawstwem a AI: co tu naprawdę ,,działa"
W NLP najciekawsze jest to, że spotykają się dwa światy: miękka warstwa języka (odmiany, wieloznaczność, skróty myślowe) i twarda warstwa algorytmów, które trzeba nakarmić sensownymi danymi. W tej kategorii mocno wybrzmiewa praktyka: jak przygotować tekst, żeby model nie ,,uczył się" śmieci, oraz jak dobierać zadania do celu biznesowego, bo co innego jest potrzebne do moderacji komentarzy, a co innego do wyszukiwania informacji w dokumentach.
Jeśli lubisz uczyć się w trybie ,,zobacz i powtórz", to NLP. Kurs video. Analiza danych tekstowych w języku Python Anny Kotarby prowadzi przez typowe operacje na tekście: od wczytywania plików TXT i PDF po pracę z bibliotekami oraz technikami takimi jak tokenizacja, lematyzacja czy rozpoznawanie encji. I to jest, szczerze mówiąc, ten moment, w którym zaczyna się prawdziwe ,,rozumienie" danych tekstowych: nie z definicji, tylko z ręki, na przykładach.
Od prototypu do wdrożenia: cykl życia projektu opartego o tekst
W praktycznych zastosowaniach zwykle nie chodzi o jednorazowy notebook, tylko o system, który zbiera dane, uczy się, trafia na produkcję, a potem trzeba go jeszcze monitorować i poprawiać. Właśnie takie podejście (bardziej inżynierskie, mniej ,,akademickie") porządkuje myślenie o pracy z dokumentami, social mediami czy zgłoszeniami klientów, gdzie dochodzą kwestie jakości danych, zmian tematyki w czasie i oczekiwań interesariuszy. Czasem dopiero wtedy wychodzi, że najtrudniejsza część to nie model, tylko pipeline i utrzymanie spójnych reguł przetwarzania.
W tym duchu dobrze czyta się Przetwarzanie języka naturalnego w praktyce. Przewodnik po budowie rzeczywistych systemów NLP Sowmyi Vajjali, Bodhisattwy Majumdera i Anuja Gupty, bo nacisk jest na budowę aplikacji oraz dostosowanie rozwiązań do branży, a nie tylko na ,,ładne" przykłady. Przydaje się, gdy chcesz ogarnąć całość: od zebrania tekstów, przez trenowanie i strojenie, po wdrożenie i obserwację, czy system nie zaczyna z czasem tracić jakości.
Modele LLM i zastosowania biznesowe w Pythonie: krok dalej niż klasyfikacja
Gdzie dziś kończy się klasyczne NLP, a zaczyna świat LLM i aplikacji wokół dużych modeli językowych? Ta kategoria nie ucieka od ,,wyższej półki": obok fundamentów pojawiają się tematy projektowania rozwiązań w Pythonie, przetwarzania danych tekstowych pod modele głębokie i myślenia o tym, jak takie narzędzia wpiąć w systemy produkcyjne, żeby nie były tylko efektowną demką. Z drugiej strony, dobrze jest widzieć też matematykę i założenia, bo inaczej łatwo przecenić możliwości modelu albo wpakować się w koszty bez efektu.
Jeżeli celujesz w bardziej ambitne projekty (albo po prostu chcesz zrozumieć, o co chodzi z całym szumem wokół LLM), to Zaawansowane techniki przetwarzania języka naturalnego. Od podstaw do modeli LLM i zastosowań biznesowych w Pythonie Liora Gazita i Meysama Ghaffariego prowadzi od fundamentów ML i NLP po projektowanie rozwiązań i spojrzenie na trendy. To przydatne zwłaszcza wtedy, gdy Twoje zadanie nie kończy się na analizie sentymentu, tylko zahacza o systemy dialogowe, odpowiadanie na pytania czy ekstrakcję informacji w środowisku firmowym.
A jeśli po drodze interesuje Cię też praca z danymi od strony analitycznej, to naturalnym uzupełnieniem może być podkategoria Język R w dziale analizy i wizualizacji danych.
