Nedbrydning af barriererne for menneske-computer kommunikation

Mange af os spørger jævnligt vores smartphones om vej eller afspilning af musik uden at tænke over teknologien, der gør det hele muligt – vi vil bare have en hurtig, nøjagtige svar på vores stemmekommandoer.

Med flere virksomheder, der bruger kunstig intelligens til forskellige applikationer og til at engagere sig med forbrugerne, industrien arbejder på at gøre disse interaktioner mere menneskelignende, sagde Zhu "Drew" Zhang, lektor i informationssystemer og Kingland Faculty Fellow i Business Analytics ved Iowa State University's Ivy College of Business. Zhang bidrager til denne indsats ved at forbedre, hvordan maskiner, såsom smartphones og computere, forstå og skabe sprog.

"Computere blev ikke bygget til at håndtere det menneskelige sprogs flertydighed, " sagde Zhang. "Vi har subtile måder at sige ting på med en lignende betydning, ved at bruge forskellige ord og sproglige strukturer, og det er svært for beregningsmodeller at forstå og efterligne."

Zhang siger i forretningsscenarier, for eksempel, forbrugere kan udtrykke lignende meninger med meget forskellige sproglige former:

• Første udsagn:Intet ved dette kamera er spændende.
• Andet udsagn:Jeg kan ikke lide dette produkt.

At hjælpe maskiner med at opdage parafrasering er en af ​​de største udfordringer inden for naturlig sprogbehandling. Zhang siger, at et forsøg på at kode den overvældende mængde af sproglige regler og tilhørende undtagelser ville være skræmmende urealistisk. I stedet, forskere og industriledere bruger maskinlæringsmetoder, som udnytter store mængder data til at lære computere at genkende og forstå sprogmønstre i virkelig brug.

Ny model godt modtaget

Zhang og Amulya Gupta, en ISU kandidatstuderende i datalogi, udviklet en ny beregningsmodel baseret på dyb læring for at forbedre nøjagtigheden, præcision og genkaldelse af detektering af udsagn med lignende betydning, men anderledes i ordlyden, struktur og længde. De testede modellen ved hjælp af 50, 000 prøvesætningspar, svarende til ovenstående eksempel, og fandt, at den var 80 til 85 procent nøjagtig.

Det er opmuntrende, men Zhang siger, at det kun adresserer "et lille udsnit af et større problem" inden for kunstig intelligens. Han og Gupta præsenterede for nylig et papir om deres arbejde på det årlige møde i Association for Computational Linguistics i Australien. Zhang siger, at det er en af ​​de bedste konferencer for industriaktører, inklusive Google, Microsoft og Amazon, samt førende akademikere, der arbejder med dette spørgsmål.

"Vores forskning blev meget godt modtaget, " sagde Zhang. "Vi talte med folk hos Microsoft og JD, den største e-handelsvirksomhed i Kina, og de så potentiale i vores arbejde."

At få maskiner til at føles menneskelige

Zhang siger, at målet er at fortsætte med at forbedre modellen for at gøre den mere anvendelig til en række forskellige forretningsscenarier. Kundeservicebots er et godt eksempel. I stedet for at trykke på knapper fra en menu med muligheder, når du ringer for at genopfylde en recept, de fleste forbrugere foretrækker stadig at tale med en person. Zhang siger, at det ikke kun er vigtigt, at botten lyder menneskeligt, men det skal have fleksibiliteten til at tilpasse sig individuelle opkald.

"Denne form for kapacitet tilføjer et menneskeligt præg, " sagde Zhang. "Evnen til at manipulere sprog er det, der får botten eller andre maskiner til at føle sig menneskelige."