Nul
Når IBM ‘ s Watson-computeren slå to verdensmestre i spillet show Jeopardy! i 2011 var det et øjeblik for at beundre sådan en maskine kunne tage forstå sproget i et spørgsmål, og det kunne mine sin store hukommelse til et passende svar.
Google forskere har fundet anden anvendelse for Fare! spørgsmål, der har meget lidt at gøre med at forstå menneskelige ytringer og mere om, hvordan computere, der kommunikerer med hinanden.
Og i denne uge, de har lavet, som et open-source-software-værktøj, der er tilgængeligt på GitHub til alle, der bruger Google ‘ s TensorFlow ramme for machine learning.
“Aktive Spørgsmål at Besvare,” eller Aktiv QA, som TensorFlow pakke er kaldet, vil omformulere en given engelsk-sproget spørgsmål i flere forskellige re-formuleringer, og find den variant, der bedst ved hentning af et svar fra en database.
Systemet blev udviklet af fodring Fare! spor i en “reinforcement learning” neurale netværk. Netværket er blevet bedre og bedre til at re-formulere spørgsmål, som det blev belønnet for med succes at hente de rigtige svar.
Også: IBM Watson: Den indvendige historie om, hvordan Jeopardy!-vindende supercomputer blev født, og hvad den ønsker at gøre næste TechRepublic
Google AI forfattere, i blog-indlæg om projektet, opmærksom på, at deres berømte virksomhedens mission er at “organisere verdens information.” I tråd med det, de “forestille dig, at denne forskning vil hjælpe os med at designe systemer, der giver bedre og mere kan tolkes svar, og håber det vil hjælpe andre med at udvikle systemer, der kan interagere med verden ved hjælp af naturligt sprog.”
I de oprindelige papir, Stille De Rigtige Spørgsmål: Aktive Spørgsmål Omformulering Med Forstærkning Læring, der præsenteres denne sidste forår på den Internationale Konference om Læring Repræsentationer, Google AI forskere Christian Buck, Jannis Bulian, Massimiliano Ciaramita, Wojciech Gajewski, Andrea Gesmundo, Neil Houlsby, og Wei Wang bygget på principper for maskinoversættelse. De fortolkede den opgave at træne en computer til at omformulere spor fra Fare! som værende beslægtet til fremmedsprog oversættelse. Målet var at omskrive den Fare! spor i en syntaks, der forbedrer forespørge af en database.
For eksempel, da en anelse som “Gandhi var dybt påvirket af denne optælling, der skrev “Krig og Fred”,” det neurale netværk, der var nødt til at lære at sætte, at fingerpeg om, i form af et spørgsmål, der ville give de rigtige svar, som er Leo Tolstoy. (Jeopardy! spørgsmålene var kommet fra en 2017-projektet, kaldet SearchQA, bygget af forskere på New York University og Carnegie Mellon. Deres projekt var, igen, taget, ved at gennemgå ebsite “J! Arkiv,” en fanside for showet.)
Et diagram af den Aktive QA-operation: en Fare! spor er omformuleret til et nyt spørgsmål, er det indsendes til BiDaf database, og en convolutional neurale netværk, der rækker tilbage svar til de bedste, som derefter fungerer som belønning for at træne ordet omformulere.
Den Aktive QA pakke indeholder en tilpasset version af Google ‘ s TensorFlow kode for maskinoversættelse. Det er baseret på Google forskning i 2014 på, hvad der er kaldet “sekvens til sekvens” neurale netværk til at oversætte mellem, siger, engelsk og fransk.
Koden pakke indeholder også en såkaldt spørgsmål at besvare system, den aktuelle database, der henter de svar, sættes det Aktive QA. Dette er baseret på en dyb læring system, der er udviklet i 2017 af forskere ved Allen Institute for Kunstig Intelligens, og University of Washington, for at svare på spørgsmål, som kaldes “BiDaf.”
Hvad der er mest betydningsfulde, måske, på papiret og i denne nye toolkit, er, at den dybe neurale netværk er ikke at lære at komme op med godt formuleret naturligt sprog, tale, eller er det for at lære meget om at stille spørgsmål, i den typiske forstand, at mennesker mener det. Det er ikke ligesom The Washington Post ‘ s robot journalist, der udgiver sig for at være menneskelige skriftligt.
Også: Se YouTube-videoer, en dag kan lade robotter kopiere mennesker
Snarere Aktiv QA er at lære tricks, der forbedrer hvordan til at søge i en database, og de resultater, der ofte lyder som volapyk for en menneskelig øre. For eksempel, at forfatterne bemærk, at ovenstående anelse om Ghandi (“Gandhi var dybt påvirket af denne optælling, der skrev ‘Krig og Fred'”) blev omformuleret af Aktive QA – “Hvad er navnet gandhi gandhi indflydelse skrev fred fred?”
I et andet eksempel, den oprindelige Fare! anelse, “i Løbet af den Tertiære Periode, Indien pløjede ind i Eurasien og det højeste bjergkæde blev dannet,” var refashioned som “Hvad er navnet blev tertiære periode i indien pløjede eurasien?” Hvilket lykkedes i at vende tilbage det korrekte svar: Himalayias. Talrige eksempler, mange, der har den samme underlige mønstre, akavet grammatik og gentagne ord, der tilbydes i tillæg på bagsiden af papiret.
Mens det er doggerel så vidt naturligt sprog, forfatterne kan se computerens opbygning af sætninger som en reel forhånd forespørgsel færdigheder. Den Aktive QA neurale net var ikke bare lidt at ændre det originale spor, det var faktisk opdage på egen hånd teknikker, der længe har været rundt i videnskaben om informationssøgning, ting som “stammer”, hvor et verbum, der siger, er ændret fra sin konjugeret form til dens grundlæggende form.
Også: Google Hjernen, Microsoft lod de mysterier af netværk med AI
“Nogle gange”, skriver de, “SIR lærer at generere semantisk meningsløse, roman, overflade sigt varianter, fx, kan det forvandle den adjektiv tæt til densey.” “Den eneste begrundelse for dette,” de konkluderer, er, at det gør et godt job “udnytte” den måde BiDaf database er kodet svar.
Som forfatterne udtrykker det, “Det lader til, ganske bemærkelsesværdigt, da at SIR-er i stand til at lære ikke-triviel omformulering politikker … Man kan tænke på den politik, som et sprog til at formulere spørgsmål, at agenten har udviklet samtidig at indgå i en maskine-maskine kommunikation med omgivelserne”.
Den dag kan ikke være langt væk, når bots vil gøre mere Googling end mennesker.
Tidligere og relaterede dækning:
Hvad er AI? Alt, hvad du behøver at vide
En executive guide til kunstig intelligens, fra machine learning og generelt AI til neurale netværk.
Hvad er dyb læring? Alt, hvad du behøver at vide
Den lowdown på en dyb læring: fra hvordan det relaterer til det bredere felt af machine learning igennem til, hvordan du kommer i gang med det.
Hvad er machine learning? Alt, hvad du behøver at vide
Denne vejledning forklarer, hvad machine learning er, hvordan det er relateret til kunstig intelligens, hvordan det fungerer, og hvorfor det er vigtigt.
Hvad er cloud computing? Alt, hvad du behøver at vide om
En introduktion til cloud computing-lige fra det grundlæggende op til IaaS og PaaS, hybrid, offentlige og private cloud.
Relaterede historier:
Der er ingen rolle for AI eller data videnskab: dette er et team effortStartup Slægt bringer splint af håb for AI i roboticsAI: udsigt fra Chief Data Videnskab OfficeSalesforce introer Einstein Stemme, en AI stemme assistent for enterprisesIt er ikke er de job, AI er ødelæggende for at genere mig, det er dem, der er growingHow Facebook skalaer AIGoogle Duplex bekymrer mig, CNET, Hvordan Google Hjem er bedre end Amazon Echo CNET
Relaterede Emner:
Digital Transformation
CXO
Tingenes Internet
Innovation
Virksomhedens Software
0