Jak roboty uczą się czytać i myśleć

Cały czas rozmawiamy o komputerach, które nas rozumieją. Mówimy, że Google “wiedziałem” czego szukaliśmy, lub ta Cortana “dostał” co mówiliśmy, ale “zrozumienie” to bardzo trudna koncepcja. Zwłaszcza jeśli chodzi o komputery.

Jedna dziedzina lingwistyki komputerowej, zwana przetwarzanie języka naturalnego (NLP), pracuje nad tym szczególnie trudnym problemem. To obecnie fascynująca dziedzina, a gdy tylko zorientujesz się, jak działa, zaczniesz wszędzie widzieć jej efekty.

Szybka uwaga: W tym artykule przedstawiono kilka przykładów komputera reagującego na mowę, na przykład gdy pytasz Siri o coś. Przekształcenie mowy słyszalnej w format zrozumiały dla komputera nazywa się rozpoznawaniem mowy. NLP nie przejmuje się tym (przynajmniej w zakresie, o którym tutaj mówimy). NLP wchodzi w grę dopiero po przygotowaniu tekstu. Oba procesy są niezbędne dla wielu aplikacji, ale są to dwa bardzo różne problemy.

Definiowanie zrozumienia

Zanim przejdziemy do tego, jak komputery radzą sobie z językiem naturalnym, musimy zdefiniować kilka rzeczy.

Przede wszystkim musimy zdefiniować język naturalny. Jest to łatwe: każdy język używany regularnie przez ludzi należy do tej kategorii. Nie obejmuje rzeczy takich jak języki konstruowane (Klingon, Esperanto) lub języki programowania komputerowego. Podczas rozmowy ze znajomymi używasz języka naturalnego. Prawdopodobnie używasz go również do rozmowy z osobistym asystentem cyfrowym.

Co więc mamy na myśli, gdy mówimy o zrozumieniu? Cóż, to skomplikowane. Co to znaczy rozumieć zdanie? Może powiedziałbyś, że oznacza to, że masz teraz w mózgu zamierzoną treść wiadomości. Zrozumienie pojęcia może oznaczać, że możesz zastosować to pojęcie do innych myśli.

Definicje słownikowe są mgliste. Nie ma intuicyjnej odpowiedzi. Filozofowie spierali się o takie rzeczy od stuleci.

Dla naszych celów powiemy, że zrozumienie jest umiejętność dokładnego wydobywania znaczenia z języka naturalnego. Aby komputer mógł to zrozumieć, musi dokładnie przetworzyć przychodzący strumień mowy, przekonwertować go na jednostki znaczące i być w stanie odpowiedzieć na dane wejściowe za pomocą czegoś, co jest przydatne.

Oczywiście wszystko to jest bardzo niejasne. Ale to najlepsze, co możemy zrobić z ograniczoną przestrzenią (i bez stopnia neurofilozofii). Jeśli komputer może zaoferować ludzką lub przynajmniej użyteczną odpowiedź na strumień naturalnego języka, możemy powiedzieć, że rozumie. To jest definicja, której będziemy używać w przyszłości.

Złożony problem

Język naturalny jest bardzo trudny dla komputera. Mógłbyś powiedzieć, “Siri, podaj mi drogę do Punch Pizza,” podczas gdy mógłbym powiedzieć, “Siri, proszę o trasę Punch Pizza.”

W twoim oświadczeniu Siri może rozpoznać hasło “podaj mi wskazówki,” następnie uruchom polecenie związane z wyszukiwanym terminem “Poncz Pizza.” Jednak w moim przypadku Siri musi wybrać “trasa” jako słowo kluczowe i wiedz o tym “Poncz Pizza” to gdzie chcę iść, nie “Proszę.” A to tylko uproszczony przykład.

Pomyśl o sztucznej inteligencji, która czyta e-maile i decyduje, czy mogą to być oszustwa. Lub taki, który monitoruje posty w mediach społecznościowych, aby ocenić zainteresowanie konkretną firmą. Kiedyś pracowałem nad projektem, w którym musieliśmy nauczyć komputer czytać notatki medyczne (które mają różnego rodzaju dziwne konwencje) i pozyskiwać z nich informacje.

Oznacza to, że system musiał być w stanie poradzić sobie ze skrótami, dziwną składnią, sporadycznymi błędami ortograficznymi i szeroką gamą innych różnic w nutach. To bardzo złożone zadanie, które może być trudne nawet dla doświadczonych ludzi, a tym bardziej maszyn.

Dawanie przykładu

W tym konkretnym projekcie byłem częścią zespołu, który uczył komputer rozpoznawania określonych słów i relacji między nimi. Pierwszym krokiem tego procesu było pokazanie komputerowi informacji zawartych w każdej notatce, więc opatrzyliśmy je notatkami.

Istniała ogromna liczba różnych kategorii bytów i relacji. Weź zdanie “Ból głowy pani Green był leczony ibuprofenem,” na przykład. Pani Green został oznaczony jako OSOBA, bół głowy został oznaczony jako ZNAK LUB OBJAW, ibuprofen został oznaczony jako MEDICATION. Następnie pani Green została powiązana z bólem głowy ze związkiem OBECNY. Wreszcie, ibuprofen powiązano z bólem głowy w relacji TREATS.

W ten sposób otagowaliśmy tysiące notatek. Zakodowaliśmy diagnozy, leczenie, objawy, przyczyny, choroby współistniejące, dawki i wszystko inne, co można pomyśleć o medycynie. Inne zespoły adnotacyjne kodowały inne informacje, takie jak składnia. W końcu mieliśmy korpus pełen notatek medycznych, które AI mogła “czytać.”

Czytanie jest tak samo trudne do zdefiniowania jak zrozumienie. Komputer może łatwo zauważyć, że ibuprofen leczy ból głowy, ale gdy pozna te informacje, są one przekształcane w bezsensowne (dla nas) jedynki i zera. Z pewnością może przekazać informacje, które wydają się podobne do ludzkich i są przydatne, ale czy to oznacza zrozumienie, czym nie jest sztuczna inteligencja, czym nie jest sztuczna inteligencja Czy inteligentne, czujące roboty przejmą świat? Nie dzisiaj - a może nigdy. ? Ponownie jest to w dużej mierze pytanie filozoficzne.

Prawdziwa nauka

W tym momencie komputer przejrzał notatki i zastosował szereg algorytmów uczenia maszynowego 4 Algorytmy uczenia maszynowego, które kształtują twoje życie 4 Algorytmy uczenia maszynowego, które kształtują twoje życie Być może nie zdajesz sobie z tego sprawy, ale uczenie maszynowe jest już wszędzie wokół ciebie, i może wywrzeć zaskakujący wpływ na twoje życie. Nie wierzysz mi? Możesz być zaskoczony. . Programiści opracowali różne procedury oznaczania części mowy, analizowania zależności i okręgów oraz oznaczania ról semantycznych. Zasadniczo AI uczyła się “czytać” notatki.

Badacze mogli w końcu przetestować go, przekazując mu notatkę medyczną i prosząc o oznaczenie każdej jednostki i relacji. Gdy komputer dokładnie odtworzył ludzkie adnotacje, można powiedzieć, że nauczył się czytać wspomniane notatki medyczne.

Potem wystarczyło zebrać ogromną liczbę statystyk na temat tego, co przeczytał: które leki są stosowane w leczeniu, które zaburzenia, które terapie są najbardziej skuteczne, przyczyny określonych zestawów objawów i tak dalej. Pod koniec procesu AI będzie w stanie odpowiedzieć na pytania medyczne na podstawie dowodów z faktycznych notatek medycznych. Nie musi polegać na podręcznikach, firmach farmaceutycznych ani intuicji.

Głęboka nauka

Spójrzmy na inny przykład. Sieć neuronowa Google DeepMind uczy się czytać artykuły prasowe. Podobnie jak powyższa sztuczna inteligencja biomedyczna, badacze chcieli, aby wyciągnęła istotne i przydatne informacje z większych fragmentów tekstu.

Szkolenie AI w zakresie informacji medycznych było wystarczająco trudne, więc możesz sobie wyobrazić, ile danych z adnotacjami potrzebujesz, aby AI mogła czytać artykuły z wiadomościami ogólnymi. Zatrudnienie wystarczającej liczby adnotatorów i przejrzenie wystarczającej ilości informacji byłoby zbyt drogie i czasochłonne.

Zespół DeepMind zwrócił się więc do innego źródła: serwisów informacyjnych. W szczególności CNN i Daily Mail.

Dlaczego te strony? Ponieważ zawierają one wypunktowane streszczenia swoich artykułów, które nie tylko wyciągają zdania z samego artykułu. Oznacza to, że AI musi się czegoś nauczyć. Badacze w zasadzie powiedzieli AI, “Oto artykuł i najważniejsze informacje w nim zawarte.” Następnie poprosili go o pobranie tego samego rodzaju informacji z artykułu bez wypunktowania.

Ten poziom złożoności może być obsługiwany przez głęboką sieć neuronową, która jest szczególnie skomplikowanym rodzajem systemu uczenia maszynowego. (Zespół DeepMind robi niesamowite rzeczy w tym projekcie. Aby uzyskać szczegółowe informacje, zapoznaj się z tym świetnym przeglądem z przeglądu technologii MIT.)

Co potrafi czytająca sztuczna inteligencja??

Teraz rozumiemy, jak komputery uczą się czytać. Bierzesz ogromną ilość tekstu, mówisz komputerowi, co jest ważne i stosujesz algorytmy uczenia maszynowego. Ale co możemy zrobić z AI, która pobiera informacje z tekstu?

Wiemy już, że z wyciągów medycznych możesz wyciągać konkretne informacje, które mogą być przydatne, i streszczać ogólne artykuły z wiadomościami. Istnieje program open source o nazwie P.A.N. analizuje poezję, wyciągając tematy i obrazy. Naukowcy często wykorzystują uczenie maszynowe do analizowania dużych zasobów danych w mediach społecznościowych, które są wykorzystywane przez firmy do zrozumienia nastrojów użytkowników, zobaczenia, o czym mówią ludzie i znalezienia przydatnych wzorców marketingowych.

Naukowcy wykorzystali uczenie maszynowe, aby uzyskać wgląd w zachowania e-mailowe i skutki przeciążenia wiadomości e-mail. Dostawcy poczty e-mail mogą go używać do filtrowania spamu ze skrzynki odbiorczej i klasyfikowania niektórych wiadomości jako priorytetowe. Czytanie sztucznej inteligencji ma kluczowe znaczenie w tworzeniu efektywnych chatbotów obsługi klienta 8 botów, które powinieneś dodać do aplikacji Facebook Messenger 8 botów, które powinieneś dodać do aplikacji Facebook Messenger Facebook Messenger otworzył się na boty czatowe, umożliwiając firmom dostarczanie obsługi klienta, wiadomości i bardziej bezpośrednio do ciebie za pośrednictwem aplikacji. Oto niektóre z najlepszych dostępnych. . Gdziekolwiek jest tekst, jest naukowiec zajmujący się przetwarzaniem języka naturalnego.

Wraz z poprawą tego typu uczenia maszynowego możliwości się zwiększają. Komputery są teraz lepsze niż ludzie w szachach, grach Go i grach wideo. Wkrótce mogą być lepsi w czytaniu i nauce. Czy to pierwszy krok w kierunku silnej AI Oto dlaczego naukowcy uważają, że należy się martwić sztuczną inteligencją Oto dlaczego naukowcy uważają, że należy się martwić sztuczną inteligencją Czy uważasz, że sztuczna inteligencja jest niebezpieczna? Czy sztuczna inteligencja może stanowić poważne zagrożenie dla rasy ludzkiej? Oto niektóre powody, dla których możesz się martwić. ? Będziemy musieli poczekać i zobaczyć, ale może tak być.

Jakie zastosowania widzisz w czytaniu tekstu i uczeniu się sztucznej inteligencji? Jak myślisz, jakie rodzaje uczenia maszynowego zobaczymy w najbliższej przyszłości? Podziel się swoimi przemyśleniami w komentarzach poniżej!

Kredyty obrazkowe: Vasilyev Alexandr / Shutterstock