211service.com
Programvara som läser Harry Potter kan utföra trolldom
Att lära en dator att spela Go på en övermänsklig nivå är coolt, men inte särskilt användbart för dig eller mig. Men tänk om en dator kunde läsa några dussin sidor med text, som manualen för en ny mikrovågsugn, och sedan svara på frågor om hur det fungerar? Skriv upp mig.
Att läsa och förstå text är otroligt svårt för datorer, men ett kanadensiskt företag ringde Maluuba har gjort framsteg med en algoritm som kan läsa text och svara på frågor om den med imponerande noggrannhet. Viktigast av allt, till skillnad från andra metoder, fungerar det med bara små mängder text. Det kan så småningom hjälpa datorer att förstå dokument.
Forskare från Maluuba skrev ett papper beskriver deras senaste framsteg förra veckan. Den beskriver en algoritm som kan läsa flera hundra barns berättelser i kombination med frågor och svar om varje text. Efter träning kunde algoritmen svara korrekt på flervalsfrågor om en obekant text med mer än 70 procents noggrannhet. Forskarna testade också algoritmen på texten av Harry Potter och de vises sten och fann att den kunde svara på frågor om den texten med liknande noggrannhet.
Utöver akademiska framsteg hoppas Maluuba att så småningom skapa ett system som kan ta hand om vardaglig läsning för din räkning. Vi är intresserade av användningsfall som användarmanualer, patientjournaler eller kundtjänstdokument, säger Mohamed Musbah, produktchef för företaget, som är baserat i Waterloo, Kanada. I dessa områden har du verkligen inte ett överflöd av data.
Maluubas team använde en populär inlärningsmetod för neurala nätverk som kallas djupinlärning för att träna sitt system. Men forskarna utformade sitt nätverk för att överväga text på olika abstraktionsnivåer – från ord till fraser till meningar – och de förberedde också nätverket för att bli bra på att lära sig på detta sätt innan träning. Vanligtvis konfigureras nätverk för djupinlärning slumpmässigt före träning. Detta gjorde det möjligt för nätverket att lära sig mycket snabbt och resulterade i att frågor besvarades 15 procent bättre än vad som hade uppnåtts innan man använde en djupinlärningsmetod. Det var också 2 procent bättre än den bästa handkodade lösningen.
Med tanke på siffrorna är det ett stort hopp, säger Yoshua Bengio , professor vid University of Montreal och vetenskaplig rådgivare till Maluuba. Men Bengio, som är en av en handfull djupinlärningsguruer som nu arbetar med företag med kommersiella AI-insatser, varnar för att det kommer att ta ett tag för experter att analysera betydelsen av tillvägagångssättet.
Tanken på att lära maskiner att läsa och kommunicera effektivt med hjälp av språk är verkligen lockande. Det kan öppna kraftfulla nya sätt att interagera med datorer och mininformation. Men att förstå text är en av de största utmaningarna inom artificiell intelligens; datorer störs vanligtvis av det faktum att språk kräver en djup förståelse för hur den verkliga världen fungerar.
Trots utmaningarna försöker några av de största teknikföretagen utveckla AI:er som kan förstå text. Facebook samlar in konversationsdata genom en assistenttjänst som heter M i ett försök att träna sina algoritmer att konversera naturligt (se Teaching Machines to Understand Us ). Google DeepMind, ett dotterbolag till Alphabet som är fokuserat på AI-forskning, gör liknande arbete och utbildar system för djupinlärning för att läsa sammanfattningar av nyhetsartiklar (se Google DeepMind lär maskiner för artificiell intelligens att läsa ).
Än så länge har det dock inte skett några stora genombrott, och det är oklart hur svårt det kan vara att utrusta maskiner med sofistikerad läsförståelse. Forskare gör framsteg till stor del genom att justera och förbättra nyckeltekniker för maskininlärning och mata datorer med stora mängder kommenterad text.
Den typ av maskininlärningsmetod som Maluuba-forskarna använder kräver vanligtvis stora texter för att lära sig. Faktum är att mängden text som krävs för att få djupinlärning att fungera har ofta framhållits som en av dess viktigaste begränsande faktorer (se Kan denna man göra AI mer mänsklig?). En grundläggande utmaning med språket är att orden som används för att representera olika begrepp är godtyckliga, så det är svårare att dra kopplingar mellan dem än vad det är för bilder.
Maluuba, som startades av flera utexaminerade från University of Waterloo 2010, har tidigare utvecklat en intelligent personlig assistent för smartphones och har fokuserat sin forskning på bearbetning av naturliga språk eller maskinförståelse.
Jag tycker verkligen att det är ett steg framåt, säger Richard Socher , medgrundare av ett AI-företag som heter MetaMind, som också arbetar med språkbehandling. Det är ett mycket välkonstruerat system som kombinerar välförstådda och etablerade traditionella naturliga språkbehandlingsfunktioner med idéer från neurala nätverk.
Chris Dyer , en forskare vid Carnegie Mellon University som specialiserat sig på bearbetning av naturliga språk, håller med om att Maluubas resultat är imponerande, men tror att maskiner kommer att behöva få en genuin förståelse av världen för att kunna konversera på rätt sätt – i motsats till en förmåga att rita statistiska uppgifter. slutsatser från text. Detta kommer sannolikt att innebära att man går längre än att lära sig enbart från kommenterad text.
Datorer är för begränsade när det gäller deras uppfattning och förståelse av världen, säger Dyer.