自然言語処理サービスの「Amazon Comprehend」は、Amazon Web Services（AWS）が提供するマネージドサービスだ。このサービスは、機械学習を利用して特定のキーフレーズを抽出し、指定したテキストに含まれるそのキーフレーズを特定する。AWSが提供、サポートする全てのアプリケーションと連携することができる。感情分析、トークン（小さな文字列）への分割、テキストファイルの自動整理といった機能を備えている。

　Amazon Comprehendが注目されている理由の一つは、医療分野向けに事前にトレーニングされた自然言語処理サービス「Amazon Comprehend Medical」によるところが大きい。このサービスは、指定されたテキストに含まれる特定の医療情報を特定する。このサービスを利用して医療記録を詳細に分析し、広範な情報源から病状や治療法などの情報を抽出する。

「Azure Cognitive Services」

　Microsoftが提供するクラウドサービス群「Microsoft Azure」では自然言語処理に関連するさまざまな製品／サービスを展開している。ターゲットとする用途に応じて多種多様なサービスに細分化されている。例えば、感情を分析するアプリケーションを構築したい開発者や、指定されたテキストに含まれる特定のキーワードを抽出したい開発者向けには「Text Analytics API」がある。インテリジェントサービス「Language Understanding」は、人の発言の意図を理解する機能を備えており、特にチャットbot、音声対応の製品／サービス、カスタマーサービスのプラットフォームを構築する際に役立つ。

「Google Cloud Natural Language」

　Googleはクラウドサービス群「Google Cloud Platform」でテキスト分析サービス「Google Cloud Natural Language」を提供している。このサービスはエンティティー（固有表現）抽出、感情分析、構文解析、分類を重視している。他の同様のサービスとの差別化のポイントになっているのは、Google独自のディープラーニングモジュールがこのサービスを支えている点だ。このモジュールは、Googleの検索クエリや、AIアシスタント「Google Assistant」の自然言語理解システムにも使われている。

サードパーティー製サービス

　クラウドベンダー以外にも、サードパーティーによる数え切れないほどの自然言語処理のAPIやサービスが市場にあふれている。例えば、DiffbotはユーザーがWebサイトから特定のデータを抽出できる機能を提供している。MonkeyLearnは、非構造化データの分析を通じて、ワークフローの自動化に役立てるためのサービスを提供している。こうしたさまざまなサービスが登場しているため、ある製品／サービスの機能が本当に自分の必要としているものでなければ、ためらわずに別のサービスを探すことができる。

　自社が利用しているインフラを提供しているクラウドベンダーの自然言語処理のサービスを選択するのは簡単だろう。だが、ベンダー各社は独自のトレーニングのデータセットを持ち、強みや弱みがそれぞれ異なる。ベンダーを選定する前に、そのベンダーのサービスを試してみるべきだ。

理解の難しさ

　どのサービスを選ぶにしても、最初はやや難しいと感じる可能性がある。機械学習は複雑な分野だ。自然言語処理APIが以前よりも身近になっているとはいえ、利用に際してユーザーが戸惑いを感じるのは当然のことだ。

　用語一つをとっても、理解するのは難しい。「エンティティー」「トークン分割」「感情」、これらは正確には何を意味するのだろうか、という疑問があるだろう。こうした用語の全てを完璧に理解する必要はない。とはいえ、開発者がアプリケーションの改善点を正確に見極めるには、用語を理解しておくことが大事だ。APIやサービスの選択には、苦労してでも向き合うべきだ。入力データをどのようにコントロールし、どのように出力が生み出されるかをより深く理解する必要がある。

トレーニング

　全てのトレーニングのデータセットが均一の条件で作成されているわけではない。非標準的なデータを使用するケースでは特にその点が顕著になる。感情分析が、非標準的なデータを使用するケースの一例だ。勘定分析では、分析の対象とするテキストがどの程度ポジティブかネガティブかを特定するというのが基本で、ソーシャルメディアのトレンドやオンラインレビューの分析、カスタマーサポートのトリアージ（インシデント対応の優先順位付け）などで使用される。

　事前にトレーニングされた感情分析モデルが、多くの環境で素晴らしい成果を挙げることは確かだ。だがスラング（俗語）や口語表現など、データが極めて微妙な意味合いを持つ場合は、分析対象のコンテンツの感情を特定するようアルゴリズムをトレーニングさせる方が、事前にトレーニングされたモデルを使うよりもはるかに優れた成果が得られる場合がある。感情分析を支えるエンジンが分析するデータに合わせて調整されるわけではないためだ。自然言語処理の分野に不慣れな場合、この点を誤解していることが少なくない。