IBMs debatterande AI har precis kommit mycket närmare att vara ett användbart verktyg

IBMs debattsystem i Cambridge IBM Research

Datorer har väglett oss till månen och tillbaka men kan inte hjälpa oss med de största besluten vi står inför idag. Bör Donald Trump åtalas och avsättas från ämbetet? Borde Storbritannien lämna EU? Bör Australien sluta exportera fossila bränslen? Frågor som dessa har inte lätta ja eller nej-svar, hur frestande det än är att tänka annorlunda.

Vi fattar beslut genom att väga för- och nackdelar. Artificiell intelligens har potential att hjälpa oss med det genom att sålla igenom ständigt ökande mängder data. Men för att vara riktigt användbar måste den resonera mer som en människa. Vi använder oss av ett övertygande språk och all möjlig bakgrundskunskap som är väldigt svår att modellera i AI, säger Jacky Visser från Center for Argument Technology vid University of Dundee, Storbritannien. Detta har varit en av de heliga gralerna sedan folk började tänka på AI.

En kärnteknik som används för att hjälpa maskiner förnuft, känd som argument mining, innebär att bygga programvara för att analysera skrivna dokument och extrahera nyckelmeningar som ger bevis för eller emot ett givet påstående. Dessa kan sedan sättas samman till ett argument. Förutom att hjälpa oss att fatta bättre beslut kan sådana verktyg användas för att fånga falska nyheter – undergräva tvivelaktiga påståenden och säkerhetskopiera fakta – eller för att filtrera sökresultat på nätet och returnera relevanta uttalanden snarare än hela dokument.

Andra gruppers arbete med argument mining har fokuserat på specifika typer av texter, såsom juridiska dokument eller studentuppsatser, som tenderar att innehålla mycket strukturerade argument till att börja med. Det är användbart om du till exempel vill ha en sammanfattning av alla bevis i många olika dokument i ett rättsfall. Men det yttersta målet är att bygga ett system som kan trawla igenom så många informationskällor som möjligt och bygga ett argument med hjälp av varje bit av bevis det kan hitta.

IBM har precis tagit ett stort steg i den riktningen. Företagets Project Debater-team har ägnat flera år åt att utveckla en AI som kan bygga argument. Förra året visade IBM sin pågående teknologi i en livedebatt mot en världsmästare mänsklig debattör, motsvarigheten till Watsons Jeopardy! uppgörelse. Sådana stunts är roliga, och det gav ett bevis på konceptet. Nu förvandlar IBM sin leksak till ett verkligt användbart verktyg.

Den version av Project Debater som användes i livedebatterna inkluderade frön till det senaste systemet, såsom möjligheten att söka i hundratals miljoner nya artiklar. Men under månaderna sedan har teamet i stor utsträckning justerat de neurala nätverk som det använder, vilket förbättrat kvaliteten på bevisen som systemet kan avslöja. Ett viktigt tillägg är BERT , ett neuralt nätverk som Google byggt för bearbetning av naturliga språk, som kan svara på frågor. Arbetet kommer att presenteras på konferensen Association for the Advancement of Artificial Intelligence i New York nästa månad.

För att träna sin AI, använde ledande forskare Noam Slonim och hans kollegor vid IBM Research i Haifa, Israel, 400 miljoner dokument hämtade från LexisNexis databas med tidnings- och tidskriftsartiklar. Detta gav dem cirka 10 miljarder meningar, ett naturligt språkkorpus runt 50 gånger större än Wikipedia. De parade ihop denna enorma bevispool med påståenden om flera hundra olika ämnen, som att blodgivning borde vara obligatoriskt eller att vi borde överge alla hjärtans dag.

De bad sedan folkmassaarbetare på Figure Eight-plattformen att märka meningar efter om de gav bevis för eller emot särskilda påståenden eller inte. Den märkta datan matades till en övervakad inlärningsalgoritm.

De resulterande neurala nätverk kan hantera frågor om en mängd olika ämnen och returnera meningar som är mer relevanta än de som identifierats av tidigare system. Den rangordnar meningarna den hittar efter hur bra de är som bevis. Till exempel, med tanke på påståendet att blodgivning borde vara obligatoriskt, hittade programvaran meningen. En studie publicerad i American Journal of Epidemiology fann att blodgivare löper 88 procent mindre risk att drabbas av hjärtinfarkt och stroke.

En stor utmaning är att berätta meningar som ger bevis från sådana som inte gör det, även om de innehåller samma termer. Project Debater hittade också den här meningen för påståendet om blodgivning, till exempel, men kunde berätta att den varken backade upp eller undergrävde den: Statistik från Nakasero Blood Bank visar att studenter är de främsta blodgivarna, som bidrar med cirka 80 procent av blodet som samlats in över hela världen.

Exakt vad det är med dessa meningar som det neurala nätverket tar upp för att göra sin klassificering är inte klart, säger Slonim. Ändå, när den testades uppnådde Project Debater 95 % träffsäkerhet för de 50 bästa meningarna över 100 olika ämnen, säger han och tillägger: Dessa siffror är oerhörda. Andra system har bara klarat av ett par dussin ämnen. Det är också en stor förbättring jämfört med livedebattsystemet Slonim visade upp förra året.

Andra forskare som jag pratade med, inklusive Visser och Oana Cocarascu, som studerar argumentationsprogramvara och bearbetning av naturliga språk vid Imperial College London, var också imponerade av det nya systemet. För Cocarascu är det potentialen för verkliga tillämpningar som är mest spännande. Ett system som är utbildat på juridiska dokument kommer inte att klara av de många olika typer av bevis som finns online. Slonims team har visat att Project Debater kan hantera detta breda utbud av källor. Det är det som gör det bra, säger Cocarascu.

Teamet släpper nu sin träningsdata för andra att arbeta med. Visser vill bygga argument mining-verktyg som Project Debater som kan utvärdera kvaliteten på argument, se upp för saker som kognitiv bias. Han och hans kollegor har använt AI för att bedöma kvaliteten på argumenten i 2016 års presidentdebatter i USA, till exempel.

IBM gör något liknande själv. Via ett tillägg, kallat Speech by Crowd, kan Project Debater crowdsourca argument för och emot ett förslag och sedan automatiskt bedöma kvaliteten på inlämnade argument med hjälp av ett neuralt nätverk tränat på en datamängd på cirka 30 000 argument som tidigare bedömts för kvalitet av människor.

IBM planerar att erbjuda Project Debater som en plattform för företag och regeringar. Vi ser framtiden för Project Debater som en AI-molntjänst, säger Christopher Sciacca, en talesperson för företaget. I en exempelapplikation samlade IBM in 3 500 åsikter från medborgare i Lugano, Schweiz, om huruvida staden skulle investera i autonoma fordon och använde AI för att utvinna och bedöma argument för och emot förslaget. Den lokala regeringen skulle kunna använda resultaten för att fatta ett politiskt beslut.

Men för Slonim handlar det om att förbättra vår interaktion med AI på en personlig nivå. Argument spelar en viktig roll i hur människor kommunicerar: vi listar skäl till våra val, vi ber om råd, vi övertalar och övertalar. Att prata med virtuella assistenter som kunde prata på den nivån skulle kännas mycket mer naturligt. Det vi gör berör något grundläggande för våra liv, säger han. Vi försöker knyta ihop språkförståelseteknologier för att hjälpa människor att fatta bättre beslut.

Dölj