Source: Big Digest de données
Cet article sur 2200 Word, lecture recommandée 8 minutes.
L'analyse des sentiments, des réponses aux questions et des progrès communs d'apprentissage multi-tâches de l'AI peut vraiment comprendre la façon de communiquer les humains.
« Mon avion arrive? »
La question jeté assistant robot intelligent. Presque certainement, il est insensé de forcer immédiatement la machine.
« I » qui est? vol « avion » ou un modèle de jouet sur Taobao ordonné il? « A » Où est-il?
Si l'humanité est de répondre à cette question, la réponse peut être donnée après la clarification rapide, même dans le contexte de la situation est pas claire, mais la machine, à moins qu'un grand nombre de personnes dépendent des règles établies, comparable à la difficulté de répondre à la question "Conjecture de Goldbach" .
Le visage du développement du traitement du langage naturel (NLP de) existe de nombreux problèmes, grosse vache dans le domaine, directeur scientifique de Salesforce Richard Socher a récemment souligné: le développement du champ de la PNL pour diriger les trois grandes montagnes.
Ce qui troublait les zones des trois montagnes PNL exactement? Ensemble pour écouter le grand frère dit.
Tout au long, la langue est considérée comme une capacité humaine unique, la performance de la sagesse. Mais récemment, le développement des technologies de traitement du langage naturel semble avoir les compétences linguistiques donnés à la machine.
Sur réservation, s'il vous plaît appeler pour vous aider, vous donner une histoire, résoudre une variété de quiz froid délicat ...... compétences en langage machine ont été infiniment proche d'un niveau humain.
Maintenant, vous pouvez marcher dans le salon sombre, de sorte que l'augmentation Alexa luminosité de la lampe intelligente à 75%. Vous pourrez également vous renseigner sur le temps de l'autre côté de son monde. Google au cours des dernières Duplexde, assistants d'Amnesty International ont pu appeler le salon de coiffure, coupe de cheveux rendez-vous pour vous.
Autrefois considéré comme un scénario de science-fiction est maintenant une réalité, mais afin de maintenir les véritables relations humaines, la machine doit pouvoir être plus intuitive avec les gens, de comprendre le contexte et la nature du dialogue - qui est toujours un défi. Je travaille sur la PNL, mais comme l'IA, nous sommes encore au début de ce voyage.
La langue est un mécanisme pour partager l'information et communiquer avec l'environnement, mais la nécessité de la machine pour comprendre la complexité de la langue ainsi que la façon dont les humains utilisent le langage pour communiquer. L'analyse des sentiments, des réponses aux questions et des progrès communs d'apprentissage multi-tâches de l'AI peut vraiment comprendre l'humain et la façon dont nous communiquons.
Sentiment Analysis
Langage lui-même est complexe. Il continue de se développer, et nuancés, la plupart des gens prennent des années à maîtriser. Par l'analyse des sentiments, nous pouvons utiliser l'IA pour comprendre le contenu spécifique, tels que les films ou l'évaluation de la marque est positive, négative ou neutre.
On peut comprendre l'attitude et les intentions de l'orateur (elle est en colère, heureux, surpris ou prêt à acheter quelque chose?). Du service à la clientèle à la communauté en ligne, puis d'ajuster le trading algorithmique, pour analyser instantanément des milliers de tweets et des centaines de commentaires de produits pour comprendre la perception du public d'une marque, pour les entreprises est très précieux.
La technologie d'analyse de sentiment a été autour depuis un certain temps, mais pas toujours très précis. Avec les progrès de la PNL, cette situation est en train de changer. J'ai servi en tant que scientifique en chef de Salesforce, notre AI (appelé Einstein) permet à la marque aux médias sociaux, la messagerie texte et de discussion dans l'analyse des sentiments en temps réel par e-mail, offrant aux clients une meilleure expérience.
Une analyse précise de sentiment, par exemple, l'agent de service peut aider à comprendre ce qui mécontente service à la clientèle devrait être une priorité, ou à qui à des concessions d'offre. Veuillez également identifier les défauts du produit, mesure de satisfaction du produit, de changer la perception de la marque par le biais de personnes plateformes sociales. D'autres entreprises technologiques offrent également des services similaires.
Pour l'analyse des sentiments, il est également important de comprendre le contexte. Supposons que vous ayez une entreprise de savon, quelqu'un sur Twitter dit :. «C'est vraiment bon savon pour les bébés » Il peut être un support positif pour le savon pour les enfants, il pourrait être sous-entendus qui était terrible pour les enfants .
déclaration de la phrase peut contenir de nombreux contextes, mais très simple! Utilisez AI pour analyser toutes les possibilités d'une structure de phrase, et comprendre l'intention d'une personne dans un contexte particulier, une recherche défi majeur de la PNL. il a besoin données Tag Pour améliorer le modèle de formation, mais aussi la nécessité de nouveaux modèles contexte d'apprentissage Bien que le partage des connaissances entre plusieurs types de tâches différentes.
Questions et réponses
Avec une meilleure PNL analyser la signification du texte, pour aider à gérer nos vies améliorera assistant numérique intelligent. Siri et Google adjoint et d'autres applications peuvent fournir des réponses de qualité aux questions fréquemment posées, et d'exécuter des commandes simples. Idéalement, nous devrions être en mesure de poser un ordinateur toutes les questions et obtenir de bonnes réponses.
Une façon d'offrir une meilleure réponse est de vous assurer que l'ordinateur pour comprendre le problème. Si vous demandez « quelle heure mon avion arrive? » L'ordinateur comment savoir parle de votre vol ou des outils de menuiserie de l'Amazone pour le commander?
Grâce à une meilleure compréhension sémantique, associée à une meilleure utilisation des données contextuelles, l'ordinateur détermine que la sémantique de ce domaine est de mieux en mieux. Nous étudions comment utiliser le contexte d'apprentissage PNL pour chaque couche, de sorte que AI peut gérer tout le contenu en même temps sans manquer des informations importantes.
Par exemple, le réseau confocale dynamique (réseaux coattention dynamiques peuvent être différentes interprétations d'un document unique sur différentes questions, comme le visage d'une couverture sportive, en réponse à « Quel athlète a remporté le championnat? » Et « le plus jeune concurrent Quel âge? « ces deux questions que la machine sera en mesure de faire une compréhension différente de l'histoire, ce qui suppose à plusieurs reprises plusieurs réponses, et finalement obtenir les meilleurs, les résultats les plus précis.
Apprentissage mixte multi-tâches
La communauté scientifique pour construire un bon modèle d'intelligence artificielle peut exécuter une tâche. Cependant, plus intuitive, l'interface de conversation et le contexte, vous devez contacter le modèle AI de l'apprentissage continu, il peut être une nouvelle tâche avec la tâche d'intégrer les anciens et apprendre à effectuer des tâches plus complexes dans le processus. Dans l'ensemble, cela est applicable à tous les AI, mais surtout en termes de langue, parce que la langue exige de la souplesse.
« Qui est mon client « Ceci est une tâche très simple: pour créer une liste de clients. Cependant, « Qui est dans le Pacifique Nord-Ouest des meilleures perspectives pour un produit particulier faire » Cette question ajoute une couche de complexité, il faut beaucoup de tâches d'intégration pour fournir des réponses, telles que: comment définir la « meilleure »? Orientation client Où? Quels facteurs ont conduit à des clients intéressés par le produit? Chaque facteur supplémentaire sera une forte augmentation de la complexité du problème.
Salesforce Research a récemment mené une étude intitulée « langage naturel Decathlon », qui étudiera les tâches multiples dans une question et la forme de réponse, de manière à résoudre les tâches les plus difficiles de la PNL 10 dans un seul modèle: questions répondues , la traduction automatique, abstraite, le raisonnement du langage naturel, l'analyse des sentiments, l'étiquetage rôle sémantique, extraction de relation, un dialogue axé sur les objectifs, la génération de requêtes de base de données, la résolution pronom.
Multitâche modèles Q, chaque tâche en question et de réponses, et un seul modèle de processus d'apprentissage commun différentes tâches sans aucun paramètre particulier ou le boîtier du module. Cela signifie pas non seulement les scientifiques de données plus besoin de construire chaque tâche, la formation et l'optimisation d'un modèle unique, mais aussi des moyens que le modèle a tourné zéro (zéro-shot) capacité d'apprentissage - en d'autres termes, le modèle peut gérer la tâche jamais vu ou spécialement formés.
Alors que les chercheurs continuent d'améliorer ce modèle, nous verrons plus intelligemment l'interface AI tout en assumant une tâche plus complexe.
Bien que nous avons étudié la PNL depuis longtemps, mais nous sommes encore un long chemin à parcourir. Dans l'espoir d'améliorer la technologie de la PNL, des formes interactives de l'homme et la machine éventuellement ouvrir la voie à un saut qualitatif.
connexes: https://hbr.org/2018/07/ais-next-great-challenge-understanding-the-nuances-of-language
