Robotlar Okumayı ve Düşünmeyi Nasıl Öğreniyor?

  • Owen Little
  • 0
  • 3153
  • 214
reklâm

Biz her zaman bilgisayarların bizi anlamaları hakkında konuşuruz. Google’ı söylüyoruz “biliyordum” aradığımız şey ya da Cortana “var” ne diyorduk ama “anlayış” çok zor bir kavramdır. Özellikle bilgisayarlara gelince.

Hesaplamalı dilbilim bir alan, denilen doğal dil işleme (NLP), bu özellikle zor problem üzerinde çalışıyor. Şu an büyüleyici bir alan ve nasıl çalıştığı hakkında bir fikriniz olduğunda, etkilerini her yerde görmeye başlayacaksınız.

Hızlı bir not: Bu makalede, Siri'den bir şey istediğinizde olduğu gibi, konuşmaya yanıt veren bir bilgisayar örneği bulunmaktadır. Sesli konuşmanın bilgisayar tarafından anlaşılabilir bir formata dönüştürülmesine konuşma tanıma denir. NLP bununla ilgilenmiyor (en azından burada tartıştığımız kapasitede). NLP yalnızca metin hazır olduğunda devreye girer. Her iki işlem de birçok uygulama için gereklidir, ancak ikisi çok farklı problemlerdir.

Anlayışı tanımlamak

Bilgisayarların doğal dille nasıl başa çıkacağını öğrenmeden önce bir şeyler tanımlamamız gerekir..

Öncelikle doğal dili tanımlamamız gerekiyor. Bu kolay bir dil: insanlar tarafından düzenli olarak kullanılan her dil bu kategoriye giriyor. Oluşturulan diller (Klingon, Esperanto) veya bilgisayar programlama dilleri gibi şeyleri içermez. Arkadaşlarınla ​​konuşurken doğal dili kullanıyorsun. Muhtemelen dijital kişisel asistanınızla konuşmak için de kullanıyorsunuzdur.

Öyleyse anlama dediğimizde ne demek istiyoruz? Şey, bu karmaşık. Bir cümleyi anlamak ne anlama geliyor? Belki de artık beyninizdeki mesajın amaçlanan içeriğine sahip olduğunuz anlamına gelir. Bir kavramı anlamak, bu kavramı başka düşüncelere uygulayabileceğiniz anlamına gelebilir..

Sözlük tanımları titiz. Sezgisel bir cevap yok. Filozoflar asırlardır bunun gibi şeyleri tartışıyorlar.

Amaçlarımız için, bu anlayışın şöyle olduğunu söyleyeceğiz: doğal dilden anlamı doğru bir şekilde çıkarma yeteneği. Bir bilgisayarın anlayabilmesi için, gelen bir konuşma akışını doğru bir şekilde işlemesi, bu akışı bir anlam birimlerine dönüştürmesi ve girdiye yararlı bir şeyle yanıt vermesi gerekir..

Açıkçası, bunların hepsi çok belirsiz. Ancak sınırlı bir alanda (ve bir nörofiloloji derecesi olmadan) yapabileceğimizin en iyisi bu. Bir bilgisayar, bir insan dili veya en azından kullanışlı bir doğal dil girdisi akışına cevap verebiliyorsa, bunun anladığını söyleyebiliriz. İleriye kullanacağımız tanım budur..

Karmaşık Bir Sorun

Bir bilgisayarın başa çıkması için doğal dil çok zordur. Diyebilirsin, “Siri, bana Punch Pizza'ya yön ver.,” oysa söyleyebilirim, “Siri, Punch Pizza rotası, lütfen.”

İfadenizde, Siri anahtar kelimeyi seçebilir “bana yön ver,” daha sonra arama terimi ile ilgili bir komut çalıştırın. “Punch Pizza.” Ancak madende, Siri'nin seçmesi gerekiyor. “rota” anahtar kelime olarak ve bunu biliyorum “Punch Pizza” gitmek istediğim yer “Lütfen.” Ve bu sadece basit bir örnek.

E-postaları okuyan ve dolandırıcılık edip etmeyeceğine karar veren yapay bir istihbarat hakkında düşünün. Ya da belirli bir şirkete olan ilgiyi ölçmek için sosyal medya yayınlarını izleyen biri. Bir keresinde tıbbi notları okumak için bir bilgisayar öğretmemiz gereken bir proje üzerinde çalıştım (her türlü garip sözleşmeye sahip) ve onlardan bilgi aldım..

Bu, sistemin kısaltmalar, garip sözdizimi, zaman zaman yanlış yazımlar ve notlardaki çok çeşitli farklılıklar ile başa çıkabilmesi gerektiği anlamına gelir. Deneyimli insanlar için bile zor olabilen, çok daha az sayıda makine için oldukça karmaşık bir iştir.

Örnek Ayarlama

Bu özel projede, bilgisayara belirli kelimeleri ve kelimeler arasındaki ilişkileri tanımayı öğreten ekibin bir parçasıydım. Sürecin ilk adımı, bilgisayara her notun içerdiği bilgiyi göstermekti, bu yüzden notları açıkladık..

Çok sayıda farklı varlık ve ilişki kategorisi vardı. Cümleyi al “Bayan Green'in baş ağrısı ibuprofen ile tedavi edildi,” Örneğin. Bayan Green KİŞİ olarak etiketlendi, baş ağrısı SIGN VEYA SYMPTOM olarak etiketlendi, ibuprofen TIP olarak etiketlendi. Sonra Bayan Green, bir PRESENTS ilişkisi ile baş ağrısına bağlandı. Sonunda, ibuprofen TREATS ilişkisi ile baş ağrısına bağlandı.

Bu şekilde binlerce notayı etiketledik. Teşhisleri, tedavileri, semptomları, altta yatan nedenleri, eşlik eden hastalıkları, dozu ve tıpla ilgili olabilecek aklınıza gelebilecek her şeyi kodladık. Diğer ek açıklama ekipleri, sözdizimi gibi başka bilgileri de kodladı. Sonunda, AI'nın yapabileceği tıbbi notlarla dolu bir ceset bulduk. “okumak.”

Okumak, anlamak kadar tanımlamak zordur. Bilgisayar kolayca ibuprofen'in bir baş ağrısını tedavi ettiğini görebilir, ancak bu bilgiyi öğrendiğinde anlamsız (bizim için) olanlara ve sıfırlara dönüşür. İnsani görünen ve yararlı olan bilgileri kesinlikle geri verebilir, ancak bu, Yapay Zekanın Ne Olduğunu Anlamadı mı? Yapay Zekanın Ne Olduğunu Anlamadı mı? Bugün değil - ve belki de hiç. ? Yine, bu büyük ölçüde felsefi bir soru.

Gerçek Öğrenme

Bu noktada, bilgisayar notları gözden geçirdi ve bir dizi makine öğrenme algoritması uyguladı. 4 Hayatınızı Şekillendiren Makine Öğrenme Algoritmaları 4 Hayatınızı Şekillendiren Makine Öğrenme Algoritmaları Bunu fark edemezsiniz, ancak makine öğrenmesi zaten sizin için ve yaşamınız üzerinde şaşırtıcı derecede bir etki yapabilir. Bana inanma Şaşırmış olabilirsin. . Programcılar konuşmanın bölümlerini etiketlemek, bağımlılıkları ve seçmenleri analiz etmek ve anlamsal rolleri etiketlemek için farklı rutinler geliştirdiler. Özünde, AI öğreniyordu “okumak” Notlar.

Araştırmacılar nihayetinde tıbbi bir not vererek ve her varlık ve ilişkiyi etiketlemesini isteyerek test edebilirler. Bilgisayar ek açıklamaları doğru bir şekilde çoğalttığında, söylenen tıbbi notları okumayı öğrendiğini söyleyebilirsiniz..

Ondan sonra, okudukları şey hakkında büyük miktarda istatistik toplama meselesiydi: hangi ilaçların hangi bozuklukları kullandığı, hangi tedavilerin en etkili olduğu, belirli semptom gruplarının altında yatan nedenleri vb. Sürecin sonunda, AI gerçek tıbbi notlardan elde edilen kanıtlara dayanarak tıbbi soruları cevaplayabilecekti. Ders kitaplarına, ilaç şirketlerine veya sezgilere güvenmek zorunda değildir..

Derin Öğrenme

Başka bir örneğe bakalım. Google'ın DeepMind sinir ağı haber makalelerini okumayı öğreniyor. Yukarıdaki biyomedikal AI gibi, araştırmacılar da daha büyük metin parçalarından alakalı ve faydalı bilgiler çıkarmasını istediler..

Bir AI'yı tıbbi bilgi konusunda eğitmek yeterince zordu, bu yüzden bir AI'yı genel haber makalelerini okuyabilmek için ne kadar açıklamalı veriye ihtiyaç duyacağınızı hayal edebilirsiniz. Yeterli noter işe almak ve yeterli bilgi almak, çok pahalı ve zaman alıcı olacaktır..

Böylece DeepMind ekibi başka bir kaynağa döndü: haber siteleri. Özellikle, CNN ve Günlük Posta.

Neden bu siteler? Çünkü, yalnızca makalenin kendisinden cümle çekmeyen yazılarının kurşunlu özetlerini sunarlar. Bu AI'nın öğreneceği bir şey olduğu anlamına gelir. Araştırmacılar temel olarak AI’yı anlattı, “İşte bir makale ve işte en önemli bilgi.” Ardından, aynı türde bilgileri madde imli vurgulamayan bir makaleden almasını istediler..

Bu karmaşıklık düzeyi, özellikle karmaşık bir makine öğrenme sistemi olan derin bir sinir ağı tarafından ele alınabilir. (DeepMind ekibi bu projede harika şeyler yapıyor. Detayları almak için MIT Teknoloji İncelemesinden bu harika genel bakışa göz atın.)

Bir Okuma AI Ne Yapabilir??

Artık bilgisayarların okumayı nasıl öğrendiği hakkında genel bir anlayışımız var. Çok miktarda metin alıp, bilgisayara neyin önemli olduğunu söyleyin ve bazı makine öğrenme algoritmaları uygulayın. Fakat metinden bilgi alan bir AI ile ne yapabiliriz??

Özel işlem yapılabilir bilgileri tıbbi notlardan alabileceğinizi ve genel haber makalelerini özetleyebileceğinizi zaten biliyoruz. P.A.N. adında açık kaynaklı bir program var. Bu şiirleri temalar ve imgeler çekerek analiz eder. Araştırmacılar sık ​​sık makine öğrenimini, şirketler tarafından kullanıcı duygularını anlamak, insanların neden bahsettiğini görmek ve pazarlama için yararlı kalıplar bulmak için kullanılan büyük sosyal medya verilerini analiz etmek için kullanırlar..

Araştırmacılar, makine öğrenimini e-posta davranışları ve e-posta aşırı yüklenmesinin etkileri hakkında fikir sahibi olmak için kullandılar. E-posta sağlayıcıları spam'ı gelen kutunuzdan filtrelemek ve bazı mesajları öncelikli olarak sınıflandırmak için kullanabilir. AI'ları okumak, etkili müşteri hizmeti sohbetleri yapmak için çok önemlidir. Facebook Messenger Uygulamanıza Eklemeniz Gereken 8 Bot Facebook Messenger Uygulamanıza Eklemeniz Gereken 8 Bot Facebook Messenger, sohbet botlarına açıldı, firmaların müşteri hizmetleri, haberler ve daha fazlasını doğrudan sunmalarını sağladı. uygulaması ile size. İşte en iyilerinden bazıları. . Her yerde metin var, doğal dil işleme üzerine çalışan bir araştırmacı var.

Ve bu tür makine öğrenmesi geliştikçe, olanaklar yalnızca artar. Bilgisayarlar artık satranç, Go ve video oyunlarındaki insanlardan daha iyidir. Yakında okuma ve öğrenmede daha iyi olabilirler. Bu güçlü AI'a doğru atılan ilk adım mı? İşte Bilim Adamları Yapay Zeka için Endişelenmeniz gerektiğini Düşünüyor Neden İşte Bilim Adamları Yapay Zeka İçin Endişelenmeniz gerektiğini Düşünüyor Neden Yapay zekanın tehlikeli olduğunu düşünüyor musunuz? AI insan ırkı için ciddi bir risk oluşturabilir mi? Bunlar endişe duymak isteyebileceğiniz bazı nedenler. ? Beklemek ve görmek zorundayız, ama olabilir..

Metin okuma ve AI öğrenme için ne tür kullanımlar görüyorsunuz? Yakın gelecekte ne tür bir makine öğrenmesi göreceğimizi düşünüyorsunuz? Düşüncelerinizi aşağıdaki yorumlarda paylaşın!

Resim Kredisi: Vasilyev Alexandr / Shutterstock




Henüz no comments

Modern teknoloji hakkında basit ve uygun fiyatlı.
Modern teknoloji dünyasında rehberiniz. Her gün bizi çevreleyen teknolojileri ve araçları nasıl kullanacağınızı ve Internet'te ilginç şeyleri nasıl keşfedeceğinizi öğrenin.