自然言語生成（NLG）とは

NLGシステムは、 Business Intelligence（BI）ツールや チャットボットなど、エンタープライズ製品とコンシューマー製品の両方ですでに広く使用されています。音声アシスタントはNLGを通じてユーザーとやり取りします。

ビジネス・リーダーはNLGを使用して複雑なデータを生成されたテキストに変換し、重要な洞察を抽出します。AIモデルが人間の言語でアウトプットを生成するときは常に、それが職場でのNLGになります。

NLGには、抽出型と抽象型の2つの主要なタイプがあります。

• 抽出型NLGは、ソース・テキストから正確な単語やフレーズを直接抽出します。これは、法律文書など、特定の文言がクリティカルな場合に使用されます。抽象化NLGと比較すると、抽出型NLGは、新しいコンテンツをアウトプットするのではなく、ソース・ドキュメントからコピーするため、よりシンプルです。 

• 抽象NLGは、ソース文書に基づいてパラフレーズを行い、新しいコンテンツを生成することで、新しいアウトプットを作成します。これはより複雑なプロセスであり、Transformerなどのより高度なモデルを必要とします。技術的な環境では抽出型NLGが好まれるのに対し、抽象型NLGはよりクリエイティブな用途でその力を発揮します。

NLGは、構造化データと非構造化データのインプットを精緻化し、自然言語出力を生成するという多段階のプロセスを経て機能します。コンピューター科学者のEhud Reiter氏¹によると、典型的なNLGプロセスの段階は以下のとおりです。

• シグナル分析： NLGシステムは、最終的なアウトプットに必要なインプット・データを決定します。シグナル分析またはデータ分析の段階では、パターン認識によってコンテンツの主題とトピック間の関係が特定されます。インプット・データには、ユーザー・プロンプト、データベース・コンテンツ、およびPDF、ドキュメント、音声言語録音などの非構造化言語コンテンツが含まれます。エンティティー認識は、NLPシステムが議論されている内容を理解するのに役立ちます。

• データの解釈：NLPモデルはデータ分析段階の結果から洞察を生成します。データが既に利用可能な洞察を用いて前処理されている場合、このステップは回避されます。 NLPシステムは品詞を識別し、NLUを使用して構文と意味を評価し、意味を理解します。

• ドキュメントの計画： この段階では、どの情報を伝達し、そのフォーマットをどのようにフォーマットするかを特定します。 NLGシステムは、利用できるデータとユーザー・プロンプトに応じて、最終的なアウトプットのアプローチを決定します。

• マイクロプランニング： コミュニケーションの内容と形式を決定した後、NLGシステムは最終的なアウトプットの文と段落構造を計画します。

• 表面実現： NLGシステムは計画を実行に移し、前のステップの結果に基づいて自然言語出力を生成します。

NLGは、自然言語処理（NLP）、つまり人間の言語を理解して操作するために機械学習（ML）モデルを使用する自然言語処理（NLP）のコンピューター・サイエンスの一分野です。

また、コンテンツ生成、特に新しい書き言葉や話し言葉のアウトプットに関わるNLPの一部です。例えば、対話型AIチャットボットはNLGを使用して、ユーザーのインプットにリアルタイムで応答します。

NLPは自然言語入力をデータに変換し、NLGはデータを使用して自然言語出力を生成します。

NLPは、コンピュータが人間の言語をどのように分析し理解するかを研究する、計算言語学の一分野で、計算言語学を実用化したものです。

ディープラーニングと 大規模言語モデル（LLM） の開発により、 NLP の進歩が可能になり、コンテンツ作成を処理する多くの生成AIアプリケーションを強化できるようになりました。

自然言語理解（NLU）は、NLPのもう一つのサブセットです。NLUは、文法や言語的な意味に焦点を当てるのではなく、人間の言語を総合的に理解しようとします。NLUは、意味解析と構文解析を用いて、感情、感情、意図を含む自然言語入力を、文脈に沿って完全に理解します。

NLUは、コンピューターが自然言語入力を人間に近い方法で理解することを可能にします。人々が会話をする際、使われている言葉の定義以上のものを処理します。話し手の文字どおりの言葉の背後にあるより深い意味を自然に理解できるのです。

ソフトウェア・アプリケーションが 予測テキスト・オプションを提供する場合、NLUを使用してユーザーの意図を理解し、NLGを適用して文を完成させます。NLP、NLU、および NLGは連携して動作し、コンピューターがユーザーとやり取りできるようにします。

多くのNLGシステムは、Transformerなどの高度なAIモデルを使用して、トレーニングデータとユーザーのインプットから新しいテキストを作成します。

ただし、これらのモデルが開発される前に、NLGは他の手段によって実現されていました。NLGモデルと手法には、次のものがあります。

• テンプレート

• ルールに基づいたシステム

• 統計的 機械学習アルゴリズム

• ディープラーニング・モデル

• Transformer

テンプレートベースのシステムは、インプット・データとして変数を含む定義済みの文テンプレートを使用します。テンプレートは、最も初期かつ最もシンプルなNLGの一種であり、文と文書の構造が一貫しているコンテキストに適しています。しかし、テンプレートベースのシステムは、定義済みのユースケース以外には適応できません。

テンプレートの例としては、「[年][月]に、当社の[場所]店舗では、[商品]を[個数]個販売した」のようになります。

このテンプレートはロケーションベースの売上報告には優れていますが、料理レシピの生成には適用できません。

ルールベース・システムは、一連の事前定義されたルールとロジックに従ってテキストを生成します。初期のルールベース・システムは、領域専門家の話し方や書き方を模倣するために開発されました。プログラマーは専門家にインタビューを行い、それに基づいてテキスト生成のための対応するルールを作成していました。

「if-then」システムは、ルールベースプログラミングの一般的な例です。例えば、天気予報用のNLGソフトウェアでは、気温が華氏32度（摂氏0度）を下回る場合、「氷点下」と表現するように指示することができます。

隠れマルコフ連鎖などの統計的機械学習アルゴリズムは、大規模なデータセットのパターンを特定し、新しいデータを使用して予測と決定を行います。

現在のインスタンスに基づいて新しいインスタンスを生成します。NLGの場合、マルコフ連鎖やその他の統計モデルが、互いに後続する可能性の高い単語を生成します。

統計モデルはテンプレートやルールベースのシステムよりも柔軟ですが、大量のトレーニング用データが必要です。

ディープラーニング・モデルは、統計アルゴリズムにとどまらないAIテクノロジーの進歩であり、より自然なテキストを生成できます。リカレント・ニューラル・ネットワーク（RNN）は、NLGに適用されるディープラーニング・モデルの一例です。

RNNは、文中の単語のような連続したデータを処理し、機械翻訳のように知識を伝達することができます。

Transformerモデル・アーキテクチャーは、利用可能な最も効果的なNLGテクノロジーの一部を強化します。 GPTやBERTなどのTransformerベースのモデルは、自己注意メカニズムを使用してインプット・シーケンス内の長距離依存関係をキャプチャーし、コンテキストをより深く理解します。
ChatGPT、Claude、その他のTransformerを搭載したチャットボットは、リアルな人間の言語出力を生成することができます。

NLGは、生成AIのランドスケープのあらゆる場所で見られ、AIが自然言語で人間と直接コミュニケーションするために使用されています。 Siri から 感情分析 まで、NLG のユースケースには以下が含まれます。

• 音声アシスタント： Siri、Alexa、その他の音声アシスタントは、NLGを使用して音声言語でユーザーのリクエストに応答します。また、音声認識にNLPとNLUを使用して、ユーザーが何を望んでいるかを理解します。

• バーチャル・アシスタント： チャットボットとバーチャル・アシスタントはNLGを使用して顧客との対話を自動化します。多くの組織では、バーチャル・アシスタントを使用してカスタマー・サービスに関する初期の問い合わせに対応し、必要に応じて人間の担当者にエスカレーションします。バーチャル・アシスタントはNLGを通じてユーザーとやり取りすることもあります。

• 機械翻訳： 機械翻訳は、機械学習モデルを使用して、言語を自動的に翻訳します。 NLGシステムはアウトプット生成を処理し、時間のかかる翻訳プロセスを合理化します。人間の翻訳者やローカリゼーションの専門家は、必要に応じてアウトプットを検証および編集できます。

• データの要約と報告：NLGシステムは、複雑なデータを理解しやすい要約やアウトラインに変換する。記事やレポートの集計と要約を合理化することで、予測をより効率的に行うことができます。ビジネスリーダーは、データ駆動型の意思決定のために、NLGを搭載したBIツールを使用しています。他の企業は、AIとNLGを使用して、顧客向けのコンテンツを作成しています。

• コンテンツ生成：生成AIモデルが自然言語コンテンツをアウトプットする場合、それが職場でのNLGです。企業は、製品の説明、Eメール・マーケティング・キャンペーン、SNSへの投稿、その他の短い形式のコンテンツを自動化するために、NLGを使用することを選択できます。

• 感情分析： NLGシステムは、オーディエンスのフィードバックとコミュニケーションに基づいて、テキストの要約とレポートを作成します。企業は、製品レビュー、SNSプラットフォームやフォーラムへの投稿、その他のオンライン場所からユーザー生成コンテンツを取得し、NLPとNLGを使用してユーザーの感情を特定できます。