Velen van ons vragen onze smartphones regelmatig om de weg of om muziek af te spelen zonder veel na te denken over de technologie die dit allemaal mogelijk maakt – we willen gewoon een snelle, nauwkeurige reactie op onze spraakopdrachten.

Nu steeds meer bedrijven kunstmatige intelligentie gebruiken voor verschillende toepassingen en om met consumenten in contact te komen, de industrie werkt eraan om die interacties menselijker te maken, zei Zhu "Drew" Zhang, universitair hoofddocent informatiesystemen en Kingland Faculty Fellow in Business Analytics aan het Ivy College of Business van de Iowa State University. Zhang draagt ​​bij aan die inspanning door te verbeteren hoe machines, zoals smartphones en computers, taal begrijpen en genereren.

"Computers zijn niet gebouwd om de dubbelzinnigheid van menselijke taal aan te kunnen, "Zei Zhang. "We hebben subtiele manieren om dingen met een vergelijkbare betekenis te zeggen, verschillende woorden en linguïstische structuren gebruiken en dat is moeilijk voor computermodellen om te begrijpen en na te bootsen."

Zhang zegt in bedrijfsscenario's:bijvoorbeeld, consumenten kunnen vergelijkbare meningen uiten met zeer verschillende taalvormen:

• Eerste stelling:Niets aan deze camera is opwindend.
• Tweede verklaring:ik hou niet van dit product.

Machines helpen parafrasering te detecteren is een van de grootste uitdagingen op het gebied van natuurlijke taalverwerking. Zhang zegt dat een poging om de overweldigende hoeveelheid taalregels en bijbehorende uitzonderingen te coderen, ontmoedigend onrealistisch zou zijn. In plaats daarvan, onderzoekers en industrieleiders gebruiken methoden voor machinaal leren, die grote hoeveelheden gegevens gebruiken om computers te leren taalpatronen in echt gebruik te herkennen en te begrijpen.

Nieuw model goed ontvangen

Zhang en Amulya Gupta, een ISU-afgestudeerde student informatica, een nieuw rekenmodel ontwikkeld op basis van deep learning om de nauwkeurigheid te verbeteren, precisie en herinnering van het detecteren van uitspraken die qua betekenis vergelijkbaar zijn, maar anders in bewoording, structuur en lengte. Ze testten het model met 50, 000 voorbeeldzinnenparen, vergelijkbaar met het bovenstaande voorbeeld, en vond het 80 tot 85 procent nauwkeurig.

Dat is bemoedigend, maar Zhang zegt dat het slechts "een klein deel van een groter probleem" op het gebied van kunstmatige intelligentie aanpakt. Hij en Gupta hebben onlangs een paper over hun werk gepresenteerd op de jaarlijkse bijeenkomst van de Association for Computational Linguistics in Australië. Zhang zegt dat het een van de topconferenties is voor spelers uit de industrie, inclusief Google, Microsoft en Amazon, evenals vooraanstaande academici die aan dit onderwerp werken.

"Ons onderzoek is zeer goed ontvangen, " zei Zhang. "We spraken met mensen bij Microsoft en JD, het grootste e-commercebedrijf in China, en ze zagen potentieel in ons werk."

Machines menselijk laten voelen

Zhang zegt dat het doel is om het model te blijven verbeteren om het meer toepasbaar te maken op verschillende bedrijfsscenario's. Klantenservicebots zijn een goed voorbeeld. In plaats van op knoppen uit een menu met opties te drukken wanneer u belt om een ​​recept bij te vullen, de meeste consumenten praten nog steeds liever met een persoon. Zhang zegt dat het niet alleen belangrijk is dat de bot menselijk klinkt, maar het moet de flexibiliteit hebben om zich aan te passen aan individuele bellers.

"Dit soort mogelijkheden voegt een menselijk tintje toe, "Zei Zhang. "Het vermogen om talen te manipuleren is wat de bot of andere machines menselijk maakt."