211service.com
Algoritmas stebėtinai gerai apibendrina ilgą tekstą
Ponas. tech
Kas turi laiko perskaityti kiekvieną straipsnį, kurį mato „Twitter“ ar „Facebook“, arba kiekvieną dokumentą, susijusį su jų darbu? Informacijos pertekliui didėjant, kompiuteriai gali tapti vienintele viltimi valdyti didėjantį dokumentų antplūdį. Ir gali tapti įprasta pasikliauti mašina, kuri analizuoja ir perfrazuoja straipsnius, tiriamuosius darbus ir kitą tekstą.
„Salesforce“ tyrėjų sukurtas algoritmas rodo, kaip kompiuteriai galiausiai gali imtis dokumentų apibendrinimo. Jis naudoja keletą mašininio mokymosi gudrybių, kad iš ilgesnių dalių būtų sukurti stebėtinai nuoseklūs ir tikslūs teksto fragmentai. Ir nors jis dar nėra toks geras, kaip žmogus, tai rodo, kaip trumpas tekstas ilgainiui gali tapti automatizuotas.
Algoritmas sukūrė, pavyzdžiui, šią pastarojo meto santrauką Niujorko laikas straipsnis apie „Facebook“ mėginimą kovoti su netikromis naujienomis prieš artėjančius JK rinkimus:
- Socialinis tinklas pirmadienį paskelbė daugybę skelbimų Didžiosios Britanijos laikraščiuose.
- Ji pašalino dešimtis tūkstančių netikrų paskyrų Didžiojoje Britanijoje.
- Ji taip pat nurodė, kad pasamdys dar 3 000 moderatorių, o tai beveik padvigubins žmonių, kurie ieško netinkamo ar įžeidžiančio turinio, skaičių visame pasaulyje.
Salesforce algoritmas yra žymiai geresnis nei bet kas anksčiau sukurtas pagal įprastą programinės įrangos įrankį, skirtą teksto suvestinių tikslumui matuoti.
Nemanau, kad kada nors mačiau tokį didelį pagerėjimą atliekant bet kokią [natūralios kalbos apdorojimo] užduotį, sako Ričardas Socheris , „Salesforce“ vyriausiasis mokslininkas. Socheris yra žinomas mašininio mokymosi ir natūralios kalbos apdorojimo vardas, o jo paleidimo MetaMind , „Salesforce“ įsigijo 2016 m.
Programinė įranga dar toli nuo žmogaus gebėjimo užfiksuoti dokumento teksto esmę, o kitos jos sukurtos santraukos yra lėkštesnės ir ne tokios nuoseklios. Iš tiesų, norint tobulai apibendrinti tekstą, reikia tikro sumanumo, įskaitant sveiko proto žinias ir kalbos įvaldymą.
Kalbos analizė išlieka vienu didžiausių dirbtinio intelekto iššūkių (žr. AI's Language Problem). Tačiau tai iššūkis, turintis didžiulį komercinį potencialą. Net ribotas kalbinis intelektas – galimybė analizuoti sakytines ar rašytines užklausas ir atsakyti sudėtingesniais bei nuoseklesniais būdais – gali pakeisti asmeninius kompiuterius. Daugelyje specialių sričių, pavyzdžiui, medicinoje, moksliniuose tyrimuose ir teisėje, informacijos sutrumpinimas ir įžvalgų gavimas gali turėti didžiulės komercinės naudos.
Caiming Xiong, Salesforce mokslininkas, prisidėjęs prie darbo, sako, kad jo komandos algoritmas, nors ir netobulas, gali apibendrinti kasdienius naujienų straipsnius arba pateikti klientų el. laiškų santrauką. Pastaroji gali būti ypač naudinga „Salesforce“ platformai.
Komandos algoritmas naudoja kelių metodų derinį, kad pagerintų. Sistema mokosi iš gerų santraukų pavyzdžių, ty metodo, vadinamo prižiūrimu mokymusi, bet taip pat pasitelkia tam tikrą dirbtinį dėmesį į tekstą, kurį ji gauna ir išduoda. Tai padeda užtikrinti, kad nebūtų per daug pasikartojančių teksto gijų, o tai yra dažna apibendrinimo algoritmų problema.
Sistema eksperimentuoja, kad sukurtų savo santraukas, naudodama procesą, vadinamą sustiprinimo mokymusi. Įkvėptas gyvūnų mokymosi būdo, tai reiškia, kad reikia teikti teigiamus atsiliepimus apie veiksmus, kuriais siekiama konkretaus tikslo. Sustiprinimo mokymasis buvo naudojamas mokant kompiuterius daryti įspūdingus naujus dalykus, pvz., žaisti sudėtingus žaidimus ar valdyti robotus (žr. 10 Breakthrough Technologies 2017: Inforcement Learning). Tie, kurie dirba su pokalbių sąsajomis, vis dažniau žiūri į mokymąsi, kaip patobulinti savo sistemas.
Kristianas Hamondas , Šiaurės Vakarų universiteto profesorius ir įkūrėjas Naratyvinis mokslas , įmonė, kurianti naratyvines ataskaitas iš neapdorotų duomenų, teigia, kad „Salesforce“ tyrimas yra geras pažanga, tačiau jis taip pat parodo pasikliauti vien statistiniu mašininiu mokymusi ribas. Tam tikru momentu turime pripažinti, kad šiose sistemose mums reikia šiek tiek semantikos ir šiek tiek sintaksinių žinių, kad jos būtų sklandžiai ir sklandžiai, sako Hammondas.
Hammondas sako, kad dėmesio mechanizmo naudojimas labai paprastai imituoja tai, kaip žmogus atkreipia dėmesį į tai, ką ką tik pasakė. Kai ką nors sakote, detales, kaip sakote, lemia kontekstas, ką pasakėte anksčiau, sako jis. Šis darbas yra žingsnis ta kryptimi.
Kompiuterių kalbos įgūdžių tobulinimas taip pat gali būti svarbus siekiant tobulinti dirbtinį intelektą. Paskambino startuolis Maluuba , kurią anksčiau šiais metais įsigijo „Microsoft“, neseniai sukūrė sistemą, galinčią generuoti atitinkamus klausimus iš teksto. Maluuba komanda taip pat naudojo prižiūrimo mokymosi ir sustiprinimo mokymosi derinį.
Adamas Trischleris, „Maluuba“ vyresnysis mokslo darbuotojas, sako, kad svarbių klausimų uždavimas yra svarbi mokymosi dalis, todėl taip pat svarbu sukurti smalsius įrenginius. Galutinis tikslas yra naudoti klausimų ir atsakymų dialogą, sako Trischleris. O kas, jei mašina galėtų išeiti ir surinkti informaciją, o tada užduoti savo klausimus?