人工智慧的下一個重大挑戰:理解語言的細微差別
語言是人類特有的技能,是人類智慧的體現。在人工智慧時代,自然語言處理(NLP)技術為機器賦予了這樣的語言功能,讓機器有了自然語言識別能力,為使用者體驗開闢了新路徑。
在近期的Google Cloud Next 18大會上,Google推出了第一個Solution Product (行業解決方案產品)——Contact Center AI,其集虛擬助理、智慧資訊發掘和情感分析等功能於一身,不但幫助工作人員有效解決了問題而且提升了使用者體驗,展現了人工智慧語言技術的新突破。貌似科幻小說裡的場景變成了現實,但是想要維護好人與機器的關係,機器必須能夠實現直觀的、自然的語言交流,這對於NLP技術來說仍然是一個挑戰。很多企業早就開始研究NLP,該項技術的出現幾乎跟人工智慧一樣早,但是目前還處於起步階段。
語言是人們進行資訊交流的首要工具,要想機器也具備同樣的機制,就要理解人類語言的複雜性以及人類使用語言的行為習慣,其中情感分析、問題回答以及多工學習是機器人逐漸成熟的重要途徑。
情緒分析
語言本質上是複雜的,一個正常人也要經過數年才能掌握一門陌生的語言。對於機器人而言,我們要想使用人工智慧來解析給定的陳述,首先要實現情緒分析,比如,判斷電影評價是正面的還是負面的,或者分析發話者是高興的、生氣的、驚訝的還是悲傷的等。從客戶服務到線上社群稽核再到演算法交易,企業能夠通過分析成千上萬個推文或數百個產品評論,瞭解公眾對產品的看法,對於企業來說,這個價值是很大的。
研發人員早就開始入手自然語言處理中的情緒分析,隨著NLP的進步,情緒分析也在不斷進步。比如CRM解決方案提供商Salesforce推出的一款產品——Einstein AI(愛因斯坦人工智慧服務),它可以幫助客戶對電子郵件、社交媒體聊天文字進行情感分析,然後瞭解使用者資訊,幫助確定企業客戶的下一步產品策劃。
Salesforce的首席科學家 Richard Socher表示,機器人只實現簡單的語意理解是不夠的,有時候需要一定的語境,需要通過聯絡上下文去判斷。比如,你是一個生產肥皂的企業,使用者在產品評價上說了這樣一句話“這款肥皂真的很適合嬰兒!”。按照表面的語意來說,可能就是對產品的積極評價,但是如果聯絡上下文,整個語言環境都是對產品的差評,那麼這句話的意思也可以理解成“這款產品真的很差勁!不要給嬰兒使用!”。所以,NLP真正的挑戰是在特定的語言背景下,去理解語言的細微差別,即需要通過簡單的標記資料改進模型訓練,也需要能夠聯絡上下文在多種不同任務中共享知識的新模型。
問題回答
NLP的發展加快了資訊化的速度,Siri和Google Assistant等應用程式的出現,解決了很多常見的自然語言處理問題,但是很多難題,機器仍然沒有給到我們想要的答覆。
想要計算機到達理想效果,我們還要確保計算機對問題的理解。如果你問“我的飛機何時到達?”電腦需要知道你說的是飛機的航班還是你從外地訂購的某個飛機模型,它需要通過上下文語境,去猜測我們話語中的真實意思。通過NLP,我們可以讓機器學習如何通過上下文語境去分析語句,這樣的話,人工智慧就可以一次性處理所有的上下文,而不會漏掉重要的資訊。
多工學習
在IT領域,企業更擅長構建單個任務的人工智慧模型,但是一個更直觀的、細緻入微的、有語境的對話介面則需要一個不斷學習的人工智慧模型——將新的任務和舊的任務整合在一起,來學習執行更復雜的任務。對於別的領域來說,人工智慧達到這樣的標準也許是可能的,但是在語言方面,就需要很大的靈活性。
這裡我們來舉一個例子:“誰是我的客戶?”,這是一個足夠簡單的任務。但是“誰是我在西部地區的某一產品的最佳客戶?”現在,我們增加了一些複雜條件,就需要一系列整合任務來回答這個問題,比如說:“最佳”如何界定?西部地區的客戶具體是哪裡?哪些因素會使客戶對一種產品產生興趣?這裡我們在查詢條件裡增加了一個專案,問題的複雜性就顯著增加。
Salesforce Research最近建立了自然語言十項全能,利用問答的力量在單一模組中解決NLP中最棘手的10項任務:問答、機器翻譯、摘要、自然語言推理、情感分析、語義角色標註、關係抽取、目標導向對話、語義分析、常識代詞消解。使用多個任務問答模型,將每個任務作為一種問答形式,單個模型在沒有特定引數或模組的情況下共同處理不同的任務,這不僅意味著研發人員不需要為每一項任務構建、訓練和優化模型,而且還意味著該模型將具備zero-shot(零樣本學習)能力,也就是說,在未經過任何訓練的情況下該模型也可以處理它從未執行過的任務。
Socher解釋道,問題回答其實是非常寬泛的——你可以隨便問任何問題——該研究相當於提供瞭解決幾個任務的單一模型。
雖然目前的NLP還處於起步階段,但是我們可以看到它巨大的發展潛力,隨著人工智慧的發展,我們期待一個全新的自然語言處理技術體驗。
來自 “ ITPUB部落格 ” ,連結:http://blog.itpub.net/31542119/viewspace-2168649/,如需轉載,請註明出處,否則將追究法律責任。
相關文章
- 人工智慧:大型語言模型的安全和隱私挑戰人工智慧模型
- Java中的過載和覆蓋的細微差別 - rajivprabJava
- 強型別語言變數和資料型別的理解變數資料型別
- 語言型別介紹及其Python的語言型別型別Python
- 人工智慧:未來的機遇與挑戰人工智慧
- 每個程式設計師都應該知道的下一個程式語言——Kotlin程式設計師Kotlin
- 企業應用人工智慧面臨的挑戰人工智慧
- 持續發燒,聊聊Dart語言的併發處理,能挑戰Go不?DartGo
- python和C++語言有何區別?哪個適合人工智慧?PythonC++人工智慧
- 快商通首席科學家:語音識別的後半段路,從語言處理走向語言理解
- C2x將成為C語言的下一個ISO標準C語言
- 分享一個自然語言漢語時間語義識別的工具類
- c語言static關鍵字的理解C語言
- C語言與嵌入式C語言的區別C語言
- C語言:一個例子理解 union 和 structC語言Struct
- 概念區別 【編譯型語言與解釋型語言、動態型別語言與靜態型別語言、強型別語言與弱型別語言】編譯型別
- 0、Lua語言理解
- 細述程式語言的發展過程
- 企業使用Hadoop的重大挑戰:如何在HDFS中組織和使用資料?Hadoop
- 為什麼JavaScript是你應當學習的下一個(或第一個)程式語言JavaScript
- Java與C語言的區別?JavaC語言
- python和r語言的區別PythonR語言
- 人工智慧晶片之爭報告:技術戰中的中國挑戰人工智慧晶片
- Julia會成為下一個程式設計大語言嗎?程式設計
- 人工智慧的失敗列子以及未來的挑戰與機遇人工智慧
- 弱監督學習下的商品識別:CVPR 2018細粒度識別挑戰賽獲勝方案簡介
- go語言的31個坑Go
- 編譯語言、解釋語言與指令碼語言之間的區別編譯指令碼
- 2024 年需要克服的10個CRM 挑戰
- 只需初中數學知識就能理解人工智慧大語言模型人工智慧模型
- “最具挑戰”的認知智慧 自然語言處理領域還有哪些難關亟待攻破?自然語言處理
- AI的下一個戰場:認知智慧的突圍AI
- 程式語言的“別樣”編年史
- GO語言————8.4 map 型別的切片Go型別
- C++和c語言的分別C++C語言
- 幾種常用程式語言的區別
- 我對函數語言程式設計的理解函數程式設計
- Js中函數語言程式設計的理解JS函數程式設計