Возможно, имелись в виду преимущества и недостатки использования глубокого обучения (нейронных сетей) в обработке естественного языка (NLP). 15

Преимущества:

• Обработка сложных типов данных. 1 Нейросети извлекают смысл из текстов на естественном языке, определяют тематику, тональность, выделяют ключевые слова. 1 Это позволяет автоматизировать работу с документами, аналитику, создавать чат-ботов. 1
• Высокая точность. 1 Глубокие нейронные сети показывают более высокую точность на сложных задачах. 1
• Обобщение знаний. 1 Модели глубокого обучения лучше экстраполируют выводы на новые данные, не включенные в обучающую выборку. 1
• Простота использования. 1 Для применения алгоритмов глубокого обучения нужно гораздо меньше предварительных знаний в предметной области задачи. 1
• Доступность. 1 Обученные модели можно развёртывать на разных платформах — серверах, облачных сервисах, мобильных устройствах. 1
• Масштабируемость. 1 Методы глубокого обучения хорошо масштабируются при увеличении данных и вычислительных мощностей. 1

Недостатки:

• Требует больших вычислительных мощностей и времени на обучение моделей. 1
• Нужны большие объёмы данных для качественного обучения. 1
• Модели работают как «чёрный ящик», сложно интерпретировать, почему сделан прогноз. 1
• Переобучение на тренировочных данных приводит к плохой работе на новой информации. 1
• Нейросети могут давать предвзятые результаты, если в данных есть скрытые предубеждения. 1