Stel jezelf voor in een restaurant, het wachten op een tafel. Een vreemdeling nadert en vraagt: “kom je hier vaak?” Heb je
Antwoord: “Ja, en hoe komt het dat ik nog nooit heb gezien uw type hier voor?” omdat u gaat ermee akkoord om op te halen op de hint en flirten?
Dreigend kijken en niets zeggen, want je wilt met rust gelaten worden?
Zeggen, “neem me niet kwalijk,” omdat de maître d’ is het signaleren van uw tafel is klaar en je wilt om eruit te komen van deze uitwisseling en naar uw tafel?
Mensen zeggen en doen dingen omdat van een subtekst, wat ze echt zijn, uiteindelijk na. De subtekst ten grondslag ligt aan alle menselijke interactie.
Machines, ten minste in de vorm van de huidige machine learning, het ontbreken van een subtekst. Of, beter gezegd, hun subtekst is zo saai als afwasmachine.
Zoveel is duidelijk uit de nieuwste voorstelling van Facebook ‘ s AI-onderzoekers. Ze oefenden een neuraal netwerk model te maken uitingen, acties selecteren, en kies manieren om emotie, gebaseerd op de structuur van een tekst-based role-playing game. De resultaten suggereren interacties met chatbots en andere kunstmatige agenten niet aantrekkelijk op elk moment snel.
Ook: Waarom chatbots nog steeds laat ons koud
Het onderliggende probleem, zoals te zien is in een ander recent werk van het team, vorig jaar nog de Conversatie Intelligence Uitdaging, is dat deze bots niet veel hebben van een subtekst. Wat subtekst zij hebben is slechts het vormen van context-de juiste uitgangen. Als zodanig, er is geen drijvende kracht, geen echte reden om te spreken of te handelen, en de resultaten zijn niet zo mooi.
Het onderzoek “Leren Spreken en Handelen in een Fantasy-Text Adventure Spel is geplaatst op het arXiv pre-print server. Het is geschreven door een aantal van de Facebook onderzoekers die hebben geholpen met het organiseren van vorig jaar de Uitdaging aan, inclusief Jack Urbanek, Angela Ventilator, Siddharth Karamcheti, Saachi Jain, Emily Dinan, Tim Rocktächel, Douwe Kiela, Arthur Szlam, Samuel Humeau, en Jason Weston.
Fragmenten van een tekst gegenereerd van Facebook “LICHT” kunstmatige agent systeem. Het apparaat speelt de rol van de “Reiziger” in reactie op de human-generated “Vriend” uitroepen.
Facebook AI Onderzoek
De auteurs bieden een nieuwe instelling voor de taken, genoemd “LICHT” staat voor “Leren in een Interactieve Spelletjes met Mensen en Tekst.” LICHT is opgebouwd via een crowd-sourcing aanpak, om mensen te bedenken beschrijvingen van made-up locaties, met inbegrip van het platteland, bazaar, de woestijn, en het kasteel, op een totaal van 663 in alle. De menselijke vrijwilligers vervolgens gevuld worden deze instellingen met de personages, van de mens om dieren te orcs, en objecten die gevonden kan worden in hen, met inbegrip van wapens, kleding en eten en drinken. Ze hadden ook de mensen maken bijna 11000 voorbeeld dialogen als ze omgingen in paren in de gegeven omgeving.
De uitdaging was dan bij het trainen van de machine op te halen uit de dingen te doen, te zeggen, en “emotie” door te leren van de menselijke voorbeelden. Zoals de auteurs zetten, om te “leren en evalueren agenten die handelen en spreken in” de gemaakte omgevingen.
Voor die taak, de auteurs opgeleid vier verschillende soorten van machine learning modellen. Elk probeert te leren van verschillende “embeddings,” voorstellingen van de plaatsen en dingen en uitspraken en handelingen en emoties die passend zijn in de combinatie.
Ook: Vrees niet diep fakes: OpenAI de machine schrijft zo zinloos als een chatbot spreekt
Het eerste model is een “baseline” model gebaseerd op StarSpace, 2017 model, ook gemaakt door Facebook, dat kan het uitvoeren van een breed scala van taken uit zoals het aanbrengen van labels en het voeren van informatie-retrieval.
Het tweede model is een aanpassing door Dinan en collega ‘ s van de “transformer” neurale netwerk ontwikkeld in 2017 op Google, waarvan het gebruik is geëxplodeerd in de afgelopen twee jaar, met name voor taal-taken. De derde is “BERT,” een aanpassing door Google van de transformator maakt associaties tussen elementen in een “bi-directionele” mode (denk aan links naar rechts, in het geval van de snaren van woorden.)
De vierde neurale netwerk benadering geprobeerd is bekend als een “generatief” netwerk, met behulp van de transformator niet alleen aandacht te besteden aan informatie, maar om de uitgang van de uitlatingen en acties.
De test voor dit alles is hoe de verschillende benaderingen uit te voeren in het produceren van dialoog en acties en emoting, eenmaal gegeven een menselijke prompt. Het korte antwoord is dat de transformator en de BERT modellen deden het beter dan de baseline resultaten, terwijl de generatieve benadering niet zo goed doen.
Meest belangrijk, “Human performance is nog steeds boven al deze modellen, waardoor de ruimte voor toekomstige verbeteringen van deze taken,” de auteurs schrijven.
Inderdaad, hoewel slechts een paar voorbeelden van de capaciteit, het lijkt dezelfde totale probleem opduikt weer zo verscheen vorig jaar de Uitdaging.
In dat chatbot concurrentie, de overkoepelende doel, voor mens en machine, die kunnen worden omschreven als “vrienden maken.” De subtekst is om interesse tonen in je gesprekspartner, om te leren over hen, en aan de andere kant weten een beetje over jezelf. Op de taak, de neurale netwerken in de Challenge defecte harde. Chatbots herhaaldelijk uitgespuwd stromen van informatie die repetitieve en dat leek slecht afgestemd op de signalen en aanwijzingen vanuit de menselijke gesprekspartner.
Moet lezen
‘AI is heel, heel stom,’ zegt Google AI leider (CNET)Hoe krijg je al die Google Assistent van de nieuwe stemmen nu (CNET)Unified Google AI afdeling een duidelijk signaal van AI ‘ s toekomst (TechRepublic)Top 5: Dingen om te weten over AI (TechRepublic)
Ook in de fragmenten van computer-gegenereerde dialoog weergegeven in het LICHT systeem, de machine genereert uitingen en acties die passend is voor de instelling en tot de uiting van de menselijke gesprekspartner, maar het is strikt een voorspelling van de taalkundige structuur, de afwezigheid van veel doel. Wanneer de auteurs voerden een ablatie, betekenis, probeerde het verwijderen van verschillende stukjes informatie, zoals acties en emoties, ze vinden het meest belangrijke wat de machine kan worden geleverd, is de geschiedenis van de dialoog voor een bepaalde scene. Hun werk blijft in essentie een taak van het woord, met andere woorden.
Kunstmatige agenten van deze soort hebben een uitgebreide woordenschat, maar het is onwaarschijnlijk dat ze een groter gevoel van waarom ze de interactie. Ze ontberen nog steeds een subtekst als hun menselijke tegenhangers.
Niet alles is verloren. De Facebook auteurs hebben aangetoond hoe kunnen zij woord en zin voorspelling modellen en experimenteren met hun tekst vaardigheden door de combinatie van meer factoren, zoals een gevoel van plaats en een gevoel van actie.
Totdat, maar de bots hebben een gevoel van waarom ze de interactie, het is vrij waarschijnlijk kunstmatige-menselijke interacties blijft een vrij saaie bedoening.
Vorige en aanverwante dekking:
Wat is AI? Alles wat je moet weten
Een executive gids voor kunstmatige intelligentie, van machine learning en algemene AI-neurale netwerken.
Wat is diep leren? Alles wat je moet weten
De lowdown op diep leren: van hoe het zich verhoudt tot het bredere veld van machine-leren door te zien hoe aan de slag met het.
Wat is machine learning? Alles wat je moet weten
In deze gids wordt uitgelegd wat ‘machine learning’ is, hoe het is in verband met kunstmatige intelligentie, hoe het werkt en waarom het belangrijk is.
Wat is cloud computing? Alles wat u moet weten over
Een introductie van cloud computing recht vanaf de basis tot IaaS en PaaS -, hybride -, public en private cloud.
Verwante artikelen:
Google AI surft op het “gamescape” te veroveren spel theorie
Dit is wat AI eruit ziet (zoals geschetst door AI)
Google DeepMind teams met toonaangevende 3D-game dev platform
DeepMind AI plekken vroege tekenen van de ziekte van het oog
Verwante Onderwerpen:
Digitale Transformatie
CXO
Het Internet van Dingen
Innovatie
Enterprise Software