【经验分享】自然语言处理技术有哪些局限性和挑战？

个人认为，主要是两个难点：

1.语料，通常的语料很好解决，用爬虫从互联网上就可以采集和标注训练。但是我们接触很多项目和客户需求都是专业性很强的，例如：航天材料、电气设备、地理信息、化学试剂等等。往往很多素材和语料都是很宝贵的，而且都是这些企业的内部资料。同时，客户是对技术算法和模型不懂的，我们的工程师对客户业务一窍不通，双方一开始的时候都不知道怎么分类和标注及训练等等，更不要说让机器能听懂人的指令了。也就意味着，我们要有一帮苦逼的项目经理、产品经理、工程师、测试人员要把客户资料学一遍，再去做标注和分类。例如：需要抽取航天材料资料里面的数据，得知道哪些数据是有用的，以及数据之间的对应关系。再说了，客户本来希望通过我们帮助他们的高级人才节省时间，我们总不能让那些博士、专家帮我们做标注训练吧，实际场景下是行不通的，只能我们自己学一遍，自己干。

btw：有人会说用大模型解决...就算ChatGPT再强大，他也不是万能什么都懂的，而且很多数据都在客户内网环境。

2.语境，不同的环境以及不同人说的话，实际场景中意义是不同的，例如：证监会网站的服务器被攻击了。这句话对于股票市场的涨跌幅没有任何影响。再例如：宝马车很好，奔驰车很拉胯。这句话到底是正面还是负面呢？要看说这个话的让和说这个话当时的场景是什么？

其次，传统的自然语言处理（NLP）技术，就像是我们让电脑去理解人类的语言，但这个任务其实挺难的。首先，电脑虽然能听懂一些话，但要完全理解我们说话的上下文和背后的深层含义，它还是有点儿吃力。其次，世界上的语言千奇百怪，电脑得学会适应各种不同的说话方式，这可不是件容易的事。

电脑要学说话，得有好的教材，也就是大量的数据。但这些数据有时候质量参差不齐，有时候还带有偏见，而且电脑学的东西越多，需要的存储空间和计算能力也就越大。而且，电脑学说话的过程就像是个黑盒子，我们很难知道它是怎么做出决定的。

电脑学语言的方式也很重要。有时候，我们得给它设定一大堆规则，但这些规则可能不够灵活。有时候，我们用统计的方法让电脑自己从数据里学习，但这样又可能遇到新情况时不知所措。

自然语言本身就很灵活，有时候一句话可以有多种意思，这让电脑很头疼。而且，电脑还得学会处理那些专业领域的术语，这就需要它懂得更多。最后，电脑还得学会和人实时对话，这要求它反应快，还得能跟上对话的节奏。