محققان Clova AI Research ، NAVER و LINE به تازگی چارچوب جدیدی به نام AQM + ارائه داده اند که به سیستم های گفتگو اجازه می دهد سوالات و پاسخ های مربوط به متن را تولید کنند. مدل آنها ، که در مقاله ای که از قبل روی arXiv چاپ شده است ، بیان شده است ، در هفتمین کنفرانس بین المللی نمایندگی یادگیری ( ICLR 2019 ) ، در نیواورلئان ارائه می شود.
سانگ وو لی یکی از محققانی که این تحقیق را انجام داده است ، گفت: "همکاری بین ماشین و انسان و ماشین به عنوان یک موضوع تحقیقاتی مهم و معنی دار به ویژه از منظر اخلاق و علاقه عمومی به هوش مصنوعی مورد توجه قرار گرفته است." به TechXplore گفت. محققان با تمرکز بر گفتگوی وظیفه محور (TOD) از بازی های GO بین انسانها و AlphaGo بینش قابل توجهی کسب کرده اند. به طور خاص ، این محققان فکر می کنند که مدل های گفتگوی هدف گرا را می توان با آموزش مدلهای مربوط به تعامل ماشین و ماشین در مقیاس غول پیکر بهبود داد. ، این اجازه می دهد تا AlphaGo کارشناسان انسانی را مغلوب کند. با این حال ، من کاملاً با این ایده موافق نیستم ، زیرا گفتگو کاری است که مبتنی بر همکاری دو بازیکن است و اساساً با Go متفاوت است ، که یک بازی رقابتی است. "
طبق گفته لی ، گفتگوی وظیفه محور (TOD) شبیه بازی 20 سوال است ، زیرا هدف سیستم گفتگو باید باریک کردن اهداف و درخواست های کاربر باشد. در یک مطالعه قبلی ، لی و همکارانش چارچوبی را برای سیستم های گفتگوی وظیفه محور به نام "answerer in ذهن سؤال کننده" (AQM) معرفی کردند که مبتنی بر این ایده است. AQM به سیستمهای گفتگو اجازه می دهد تا سؤالاتی را انجام دهند که حداکثر بهره و اطلاعات آنها را به حداکثر می رساند و عدم قطعیت هدف کاربر را کاهش می دهد.
اعتبار: لی و همکاران.
بر خلاف روش های دیگر ، AQM صریحاً توزیع خلفی را محاسبه می کند و راه حل های تحلیلی می یابد. با وجود مزایای بسیاری که دارد ، AQM به طور کلی در کارهای دنیای واقعی تعمیم پیدا نمی کند ، جایی که تعداد اشیاء ، سؤال ها و پاسخ ها به طور معمول نامحدود است.
محققان در مطالعه اخیر خود به این محدودیت پرداختند و یک رویکرد جدید ، AQM + را پیشنهاد کردند. بر خلاف رویکرد قبلی آنها ، AQM + می تواند در مورد مشکلات در مقیاس بزرگ اعمال شود ، با ایجاد سؤال و پاسخ هایی که با متن تغییر متن گفتگوی مشخص منسجم تر باشد.
لی توضیح داد: "مشابه گفتگوی انسانی ، AQM + آنچه را که طرف مقابل می گوید ، مدل می کند و موثرترین استراتژی برای درک ذهن و قصد حریف را با استفاده از یک معیار تئوری اطلاعات (افزایش اطلاعات) ارائه می دهد." "این روش با روشهای مبتنی بر شبکه عصبی قبلی برای TOD متفاوت است ، که عمدتاً از دنباله به توالی (Seq2Seq) برای ایجاد مستقیم سؤالات با پاسخ به گفته های قبلی استفاده می کنند."
اعتبار: لی و همکاران.
لی و همکارانش AQM + را بر روی یک مشکل گفتگوی تصویری کار گرا به چالش کشیده به نام GuessWhich ارزیابی کردند. مدل آنها نتایج قابل توجهی به دست آورد ، و از حاشیه قابل توجهی بهتر از رویکردهای پیشرفته هنر استفاده کرد.
بیشتر بخوانید: پمپ وکیوم در پزشکی
لی گفت: "رویکرد مبتنی بر بازی 20 سؤال ما در AQM + برای سؤال از کاربران می تواند در صورت وجود بسیاری از پاسخ ها و موارد مختلف مربوط به سؤالات کلی و همچنین سوالات بله یا خیر ، گفتگوهای پیچیده ای را برطرف کند." "این بدان معنی است که AQM + ما می تواند در شرایط مختلف TOD در دنیای واقعی اعمال شود."
در آزمایشات خود ، لی و همکارانش جونگ وو ها ، تانگ گائو ، سهی یانگ و Jaejun یو دریافتند که AQM + با افزایش گفتگو ، خطاها را 60 درصد کاهش می دهد ، در حالی که الگوریتم های موجود با کاهش خطا کمتر از 6 درصد به دست آوردند. به گفته محققان ، AQM + می تواند برای ایجاد هر دو سوال باز و بسته استفاده شود.
محققان Clova AI Research ، NAVER و LINE به تازگی چارچوب جدیدی به نام AQM + ارائه داده اند که به سیستم های گفتگو اجازه می دهد سوالات و پاسخ های مربوط به متن را تولید کنند. مدل آنها ، که در مقاله ای که از قبل روی arXiv چاپ شده است ، بیان شده است ، در هفتمین کنفرانس بین المللی نمایندگی یادگیری ( ICLR 2019 ) ، در نیواورلئان ارائه می شود.
سانگ وو لی یکی از محققانی که این تحقیق را انجام داده است ، گفت: "همکاری بین ماشین و انسان و ماشین به عنوان یک موضوع تحقیقاتی مهم و معنی دار به ویژه از منظر اخلاق و علاقه عمومی به هوش مصنوعی مورد توجه قرار گرفته است." به TechXplore گفت. محققان با تمرکز بر گفتگوی وظیفه محور (TOD) از بازی های GO بین انسانها و AlphaGo بینش قابل توجهی کسب کرده اند. به طور خاص ، این محققان فکر می کنند که مدل های گفتگوی هدف گرا را می توان با آموزش مدلهای مربوط به تعامل ماشین و ماشین در مقیاس غول پیکر بهبود داد. ، این اجازه می دهد تا AlphaGo کارشناسان انسانی را مغلوب کند. با این حال ، من کاملاً با این ایده موافق نیستم ، زیرا گفتگو کاری است که مبتنی بر همکاری دو بازیکن است و اساساً با Go متفاوت است ، که یک بازی رقابتی است. "
طبق گفته لی ، گفتگوی وظیفه محور (TOD) شبیه بازی 20 سوال است ، زیرا هدف سیستم گفتگو باید باریک کردن اهداف و درخواست های کاربر باشد. در یک مطالعه قبلی ، لی و همکارانش چارچوبی را برای سیستم های گفتگوی وظیفه محور به نام "answerer in ذهن سؤال کننده" (AQM) معرفی کردند که مبتنی بر این ایده است. AQM به سیستمهای گفتگو اجازه می دهد تا سؤالاتی را انجام دهند که حداکثر بهره و اطلاعات آنها را به حداکثر می رساند و عدم قطعیت هدف کاربر را کاهش می دهد.
اعتبار: لی و همکاران.
بر خلاف روش های دیگر ، AQM صریحاً توزیع خلفی را محاسبه می کند و راه حل های تحلیلی می یابد. با وجود مزایای بسیاری که دارد ، AQM به طور کلی در کارهای دنیای واقعی تعمیم پیدا نمی کند ، جایی که تعداد اشیاء ، سؤال ها و پاسخ ها به طور معمول نامحدود است.
محققان در مطالعه اخیر خود به این محدودیت پرداختند و یک رویکرد جدید ، AQM + را پیشنهاد کردند. بر خلاف رویکرد قبلی آنها ، AQM + می تواند در مورد مشکلات در مقیاس بزرگ اعمال شود ، با ایجاد سؤال و پاسخ هایی که با متن تغییر متن گفتگوی مشخص منسجم تر باشد.
لی توضیح داد: "مشابه گفتگوی انسانی ، AQM + آنچه را که طرف مقابل می گوید ، مدل می کند و موثرترین استراتژی برای درک ذهن و قصد حریف را با استفاده از یک معیار تئوری اطلاعات (افزایش اطلاعات) ارائه می دهد." "این روش با روشهای مبتنی بر شبکه عصبی قبلی برای TOD متفاوت است ، که عمدتاً از دنباله به توالی (Seq2Seq) برای ایجاد مستقیم سؤالات با پاسخ به گفته های قبلی استفاده می کنند."
اعتبار: لی و همکاران.
لی و همکارانش AQM + را بر روی یک مشکل گفتگوی تصویری کار گرا به چالش کشیده به نام GuessWhich ارزیابی کردند. مدل آنها نتایج قابل توجهی به دست آورد ، و از حاشیه قابل توجهی بهتر از رویکردهای پیشرفته هنر استفاده کرد.
بیشتر بخوانید: پمپ وکیوم در پزشکی
لی گفت: "رویکرد مبتنی بر بازی 20 سؤال ما در AQM + برای سؤال از کاربران می تواند در صورت وجود بسیاری از پاسخ ها و موارد مختلف مربوط به سؤالات کلی و همچنین سوالات بله یا خیر ، گفتگوهای پیچیده ای را برطرف کند." "این بدان معنی است که AQM + ما می تواند در شرایط مختلف TOD در دنیای واقعی اعمال شود."
در آزمایشات خود ، لی و همکارانش جونگ وو ها ، تانگ گائو ، سهی یانگ و Jaejun یو دریافتند که AQM + با افزایش گفتگو ، خطاها را 60 درصد کاهش می دهد ، در حالی که الگوریتم های موجود با کاهش خطا کمتر از 6 درصد به دست آوردند. به گفته محققان ، AQM + می تواند برای ایجاد هر دو سوال باز و بسته استفاده شود.
مدل جدیدی برای تولید سؤال گفتگوی بصری