Como os robôs estão aprendendo a ler e pensar

Nós falamos o tempo todo sobre computadores entendimento nos. Nós dizemos que o Google “sabia” o que estávamos procurando, ou que Cortana “tem” o que estávamos dizendo, mas “compreensão” é um conceito muito difícil. Especialmente quando se trata de computadores.

Um campo da linguística computacional, chamado processamento de linguagem natural (PNL), está trabalhando neste problema particularmente difícil. É um fascinante campo agora, e uma vez que você tem uma idéia de como ele funciona, você vai começar a ver seus efeitos em todos os lugares.

Uma nota rápida: Este artigo tem alguns exemplos de um computador responder ao discurso, como quando você pedir Siri para algo. A transformação do discurso audível para um formato de computador compreensível é chamado de reconhecimento de fala. PNL não está preocupado com isso (pelo menos na capacidade que estamos discutindo aqui). PNL só entra em jogo uma vez que o texto está pronto. Ambos os processos são necessários para muitas aplicações, mas eles são dois problemas muito diferentes.

definindo Entendimento

Antes de entrar em como os computadores lidar com a linguagem natural, precisamos definir algumas coisas.

Primeiro de tudo, precisamos definir a linguagem natural. Esta é fácil: todos os idiomas usados ​​regularmente por pessoas cai nesta categoria. Ele não inclui coisas como línguas artificiais (Klingon, Esperanto) ou linguagens de programação. Você usa linguagem natural quando você conversar com seus amigos. Você provavelmente também usá-lo para conversar com seu assistente pessoal digital.

Então, o que queremos dizer quando dizemos entendimento? Bem, é complexa. O que significa compreender uma frase? Talvez você diria que significa que agora você tem o conteúdo pretendido da mensagem em seu cérebro. Compreender um conceito pode significar que você pode aplicar esse conceito para outros pensamentos.

definições de dicionário são nebulosos. Não há uma resposta intuitiva. Os filósofos têm discutido sobre coisas como esta durante séculos.

Para nossos propósitos, vamos dizer que a compreensão é a capacidade de extrair com precisão o significado de linguagem natural. Para um computador para entender, ele precisa processar com precisão um fluxo de entrada de expressão, converter esse fluxo em unidades de significado, e estar respondem capaz de entrada com algo que é útil.

Obviamente, isso é tudo muito vago. Mas é o melhor que podemos fazer com espaço limitado (e sem um grau neurophilosophy). Se um computador pode oferecer uma aparência humana, ou pelo menos útil, resposta a um fluxo de entrada de linguagem natural, podemos dizer que entende. Esta é a definição usaremos daqui para frente.

Um problema complexo

A linguagem natural é muito difícil para um computador para lidar com eles. Você pode dizer, “Siri, me dê direções perfurar Pizza”, ao passo que eu poderia dizer, “Siri, rota perfurador Pizza, por favor.”

Em sua declaração, Siri pode escolher a frase chave “dá-me direções”, em seguida, executar um comando relacionado com o termo de busca “Soco Pizza.” Em minha, no entanto, Siri precisa de escolher “rota”, como a palavra-chave e saber que “ soco Pizza”é onde eu quero ir, e não‘por favor’. E isso é apenas um exemplo simplista.

Pense em um inteligência artificial que lê e-mails e decide se deve ou não eles podem ser scams. Ou um que monitora mensagens de mídia social para avaliar o interesse de uma empresa particular. Certa vez, trabalhei em um projeto onde nós tivemos que ensinar um computador para ler anotações médicas (que têm todos os tipos de convenções estranhos) e recolher informações a partir deles.

Isto significa que o sistema tinha que ser capaz de lidar com abreviaturas, sintaxe estranho, erros ortográficos ocasionais, e uma grande variedade de outras diferenças nas notas. É uma tarefa altamente complexa que pode ser difícil, mesmo para os seres humanos experientes, muito menos máquinas.

Definir um Exemplo

Neste projeto específico, eu fazia parte da equipe que estava ensinando o computador para reconhecer palavras específicas e as relações entre as palavras. O primeiro passo do processo era mostrar o computador as informações que cada nota continha, por isso anotado as notas.

Havia um grande número de diferentes categorias de entidades e relações. Olhe a frase “Ms. dor de cabeça de verde foi tratado com ibuprofeno “, por exemplo. Ms. verde foi etiquetada como uma pessoa, dor de cabeça foi etiquetada como sinal ou sintoma, ibuprofeno foi etiquetada como medicação. Então Ms. Green foi ligada à dor de cabeça com uma relação PRESENTES. Finalmente, ibuprofeno estava ligada à dor de cabeça com uma relação guloseimas.

Nós marcado milhares de notas desta forma. Nós codificados diagnósticos, tratamentos, sintomas, causas, co-morbidades, dosagens, e tudo o mais subjacente que você poderia pensar de relacionado à medicina. Outras equipes de anotação codificado outras informações, como sintaxe. No final, tivemos um corpus cheio de anotações médicas que o AI pode “ler”.

A leitura é tão difícil de definir como a compreensão. O computador pode ver facilmente que o ibuprofeno trata uma dor de cabeça, mas quando se descobre que a informação, que é convertido em sentido (para nós) uns e zeros. Certamente pode dar a volta informação que parece semelhante à humana e é útil, mas isso constituem a compreensão? Novamente, é em grande parte uma questão filosófica.Que inteligência artificial não éQue inteligência artificial não éSão, robôs sensíveis inteligentes vai dominar o mundo? Não é de hoje - e talvez nunca.consulte Mais informação

The Learning real

Neste ponto, o computador passou pelas notas e aplicado uma série de algoritmos de aprendizagem de máquina. Programadores desenvolveram diferentes rotinas para marcar partes do discurso, analisando as dependências e círculos eleitorais, e rotulagem de papéis semânticos. Em essência, a AI estava aprendendo a “ler” as notas.

Pesquisadores poderia eventualmente testá-lo, dando-lhe uma nota médica e pedindo-lhe para etiquetar cada entidade e relação. Quando o computador reproduzidas com precisão anotações humanos, você poderia dizer que ele aprendeu a ler disse anotações médicas.

Depois disso, era apenas uma questão de reunir uma enorme quantidade de dados estatísticos sobre o que tinha lido: quais os medicamentos são usados ​​para tratar distúrbios que, quais tratamentos são mais eficazes, as causas subjacentes de conjuntos específicos de sintomas, e assim por diante. No final do processo, o AI seria capaz de responder a questões médicas com base em evidências de notas médicas reais. Ele não tem que confiar em livros didáticos, empresas farmacêuticas, ou intuição.

Aprendizagem profunda

Vejamos outro exemplo. DeepMind do Google rede neural está aprendendo a ler artigos de notícias. Como o AI biomédica acima, os pesquisadores queriam que retirar informações úteis e relevantes de pedaços maiores de texto.

Treinar um AI em informação médica foi duro o suficiente, então você pode imaginar a quantidade de dados anotados você precisa fazer um AI capaz de ler artigos de notícias gerais. A contratação de anotadores suficientes e passando informações suficientes seria proibitivamente caro e demorado.

Assim, a equipe DeepMind virou-se para uma outra fonte: sites de notícias. Especificamente, CNN e do Daily Mail.

Por estes sites? Porque eles fornecem resumos apontou-bala de seus artigos que não basta puxar frases do próprio artigo. Isso significa que a AI tem algo a aprender. Os pesquisadores disseram basicamente a AI, “Aqui está um artigo e aqui é a informação mais importante para ele.” Então eles perguntaram-a para puxar esse mesmo tipo de informações a partir de um artigo, sem destaques marcadores.

Este nível de complexidade pode ser tratado por uma rede neural profunda, que é um tipo especialmente complicada do sistema de aprendizagem de máquina. (A equipe DeepMind está fazendo algumas coisas surpreendentes sobre este projeto. Para obter os detalhes, confira este grande visão geral do MIT Technology Review.)

O que pode um AI Reading Fazer?

Agora temos uma compreensão geral de como os computadores aprendem a ler. Você leva uma enorme quantidade de texto, dizer ao computador o que é importante, e aplicar alguns algoritmos de aprendizagem de máquina. Mas o que podemos fazer com um AI que extrai informações de texto?

Nós já sabemos que você pode puxar informações acionáveis ​​específicas de notas médicas e resumir artigos de notícias gerais. Há um programa de código aberto chamado P.A.N. que analisa a poesia puxando temas e imagens. Os pesquisadores costumam usar a aprendizagem de máquina para analisar grandes massas de dados de mídia social, que é usado por empresas para compreender sentimentos de usuários, ver o que as pessoas estão falando, e encontrar padrões úteis para a comercialização.

Os pesquisadores usaram a aprendizagem de máquina para obter insights sobre e-mail comportamentos e os efeitos da sobrecarga de e-mail. provedores de email pode usá-lo para filtrar spam de sua caixa de entrada e classificar algumas mensagens como de alta prioridade. AIs leitura são fundamentais na tomada de atendimento eficaz chatbots. Em qualquer lugar há texto, há um pesquisador trabalhando em processamento de linguagem natural.8 Bots Você deve adicionar à sua Facebook Messenger App8 Bots Você deve adicionar à sua Facebook Messenger AppFacebook Messenger se abriu para bots de bate-papo, que permite às empresas entregar o serviço ao cliente, notícias e mais diretamente a você através do aplicativo. Aqui estão alguns dos melhores disponíveis.consulte Mais informação

E, como este tipo de aprendizado de máquina melhora, as possibilidades só aumentam. Computadores são melhores do que os seres humanos no xadrez, Go, e jogos de vídeo agora. Logo eles podem ser melhor em leitura e aprendizagem. É este o primeiro passo para AI forte? Nós vamos ter que esperar e ver, mas pode ser.

Que tipos de usos que você vê para um texto-ler e aprender AI? Que tipo de aprendizado de máquina que você acha que veremos no futuro próximo? Compartilhe seus pensamentos nos comentários abaixo!