Naturlig sprogbehandling letter samarbejdsbeslutninger

Beslutningsvidenskaben, AI og Natural Language Processing-teamet hos IBM Research-Ireland præsenterede for nylig et konferenceoplæg kaldet "Decision Conversations Decoded" på den 16. årlige konference i den nordamerikanske afdeling af Association for Computational Linguistics:Human Language Technologies (NAACL HLT). Holdet præsenterede også en demo af vores virtuelle assistent-prototype, som analyserer fælles beslutningsdrøftelser for at identificere alternativer og kriterier. Udvikling af dette værktøj til samtaleanalyse er en del af en stor mængde forskning i naturlig sprogbehandling hos IBM Research AI, en nøglefaktor i vores mission om at udvikle bred AI, der lærer på tværs af forskellige discipliner for at øge menneskelig intelligens. Naturlig sprogbehandling er en central komponent i IBM Project Debater, som debuterede i sidste uge. Project Debater er det første AI-system, der kan debattere mennesker om komplekse emner og repræsenterer et stort skridt mod at mestre sprog, en af ​​de store grænser i AI.

I løbet af en dag, vi træffer tusindvis af beslutninger bevidst eller ubevidst, at samle valgene for at hjælpe med at træffe en beslutning. Efterhånden som vi indsamler oplysninger, vurderer vi også alternative løsninger. Nogle af disse beslutninger er ligetil, mens andre kan være mere komplicerede at løse. I virksomhedsindstillinger, beslutningsprocessen kan ofte være mere udfordrende eller langvarig og involvere flere parter. Under sådanne samarbejdsmøder, det kan være svært at deltage aktivt i en diskussion, mens du samtidig optager, spore og identificere, hvem der sagde hvad, hvorfor sagde de noget til hvem, eller vurdere løsningsprocessen.

Med udbredelsen af ​​optageenheder i vores professionelle og personlige liv (f.eks. telekonference, intelligente personlige assistenter eller gruppechatudvekslinger såsom Slack), det ville være nyttigt at udvikle naturlige sprogbehandlingsbaserede motorer til automatisk at udtrække beslutningsrelaterede begreber såsom alternativer og kriterier fra beslutningssamtaler og gøre brug af denne information til at lette beslutningsdiskussioner. Som udgangspunkt en sådan teknologi kunne give input til at generere en visualisering af beslutningsdiskussionen, så en gruppe kan konsultere den for at identificere underudviklede ideer eller muligheder, og for at minde om punkter med konsensus og uenighed. Det ville tjene som et resumé, gøre det muligt for folk, der har gået glip af en beslutningsdiskussion, at indhente det, eller mere blot minde en beslutningstager om de argumenter, der blev rejst, så hun kan træffe sin beslutning på et senere tidspunkt.

Systemoutputtet kan også bruges til at dokumentere beslutningsprocessen på en struktureret måde. Denne information er igen nøglen til bedre forståelse af magtspil og forhandlinger i gruppebeslutningstagning. Mere praktisk, det kan være vigtigt at bevise overholdelse af processer, for eksempel en finansiel rådgiver, der viser, at hun har præsenteret rimelige investeringsalternativer for sine kunder.

Hos IBM Research-Ireland ser vi på, hvordan beslutningsprocessen kan udvides ved automatisk at spore en beslutningsdiskussion gennem en virtuel facilitator – en, der analyserer en diskussion, udtrækker alle beslutningselementer (f.eks. alternativerne, kriterier, begrænsninger, og afvejninger), og grupperer disse elementer efter emne, samtidig med at alle alternativer til beslutningsstøttekriterierne knyttes.

Vi har skabt og udviklet et sæt af informationsudvindingsalgoritmer, og kombineret disse med en webgrænseflade for at hjælpe med at lette beslutningsdiskussioner. Den holder styr på de forretningsmuligheder, der overvejes i diskussionen og registrerer, hvad der foreslås af mødebidragyderne. Den organiserer gruppens kollektive tanker i en samlet oversigt over deres trufne beslutninger. Det belyser også, hvordan en bestemt beslutning blev truffet, og letter yderligere diskussioner.

For at identificere beslutningselementer inden for et møde, vi kommenterede et datasæt fra mængden, kendt som AMI Meeting Corpus, et multimodalt datasæt bestående af 100 timers mødeoptagelser. Vi mærkede derefter beslutningselementer fra udskrifterne som alternativer (valgmuligheder betragtes som løsninger på beslutningen) og kriterier (faktorer, der styrer alternativerne). Dette annoterede korpus blev derefter brugt til at træne et sæt overvågede klassifikatorer til automatisk at udtrække beslutningselementer. En anden algoritme behandler derefter den udtrukne beslutning og kriterierne for at identificere den udtrykte stemning over for de ekstraherede elementer. I det væsentlige, hvis en deltager nævner et specifikt alternativ, det er vigtigt at skelne mellem, om han eller hun støtter eller rettere imod det specifikke alternativ. Endelig, en klyngetilgang bruges på hver klasse af udtrukne elementer (alternativer og kriterier) for at gruppere dem semantisk. For eksempel, omtaler af trendy, moderigtigt eller stilfuldt som kriterier ville blive grupperet sammen, da de repræsenterer det samme koncept generelt.

Som virtuel facilitator, Systemets mål er at øge den kollaborative beslutningstagning, give alle involverede interessenter mulighed for at bidrage med deres perspektiv og gøre beslutningsprocessen effektiv og gennemsigtig. Vi forestiller os vores værktøj som et API for udviklere til at forbedre tale-til-tekst-applikationer, og integrere det i et smart mødelokale eller understøttelse af konferenceopkaldsoptagelsesfunktioner. Potentialet for vores algoritmiske tilgang er vidtspændende til diskussioner om teammøder, for eksempel, i finans, design, menneskelige ressourcer, engineering eller i operationelle beslutningsprocesser på tværs af virksomheder og brancher.