Onderzoekers van Clova AI Research, NAVER en LIJN, hebben onlangs een nieuw raamwerk voorgesteld, AQM+ genaamd, waarmee dialoogsystemen context-relevante vragen en antwoorden kunnen genereren. hun voorbeeld, geschetst in een paper dat vooraf is gepubliceerd op arXiv, zal worden gepresenteerd op de 7e International Conference on Learning Representation (ICLR 2019), in New Orleans.

"Intra-machine en mens-machine samenwerking is beschouwd als een belangrijk en zinvol onderzoeksonderwerp, vooral, vanuit het perspectief van ethiek en publiek belang in AI, "Sang-Woo Lee, een van de onderzoekers die het onderzoek heeft uitgevoerd, vertelde TechXplore. "Focus op taakgerichte dialoog (TOD), onderzoekers hebben veel inzicht gekregen in GO-games tussen mensen en AlphaGo. Specifieker, deze onderzoekers denken dat doelgerichte dialoogmodellen kunnen worden verbeterd door modellen te trainen op grootschalige machine-machine-interacties, waarmee AlphaGo menselijke experts kan verslaan. Echter, Ik ben het niet helemaal eens met dit idee, omdat dialoog een taak is die gebaseerd is op samenwerking tussen twee spelers en fundamenteel verschilt van Go, dat is een wedstrijdspel."

Volgens Leen, taakgerichte dialoog (TOD) lijkt op het spel 20 Vragen, aangezien het doel van het dialoogsysteem zou moeten zijn om de intenties en verzoeken van een gebruiker te beperken. In een eerdere studie, Lee en zijn collega's introduceerden een raamwerk voor taakgeoriënteerde dialoogsystemen genaamd "answerer in questioner's mind" (AQM), dat op dit idee is gebaseerd. AQM stelt dialoogsystemen in staat om vragen te stellen die hun informatiewinst maximaliseren, het verminderen van de onzekerheid over de bedoeling van de gebruiker.

In tegenstelling tot andere benaderingen, AQM berekent expliciet de posterieure verdeling en vindt analytische oplossingen. Ondanks de vele voordelen, AQM bleek slecht te generaliseren bij taken in de echte wereld, waar het aantal objecten, vragen en antwoorden zijn doorgaans onbeperkt.

In hun recente studie, de onderzoekers pakten deze beperking aan en stelden een nieuwe aanpak voor, AQM+. In tegenstelling tot hun eerdere aanpak, AQM+ kan worden toegepast bij grootschalige problemen, het genereren van vragen en antwoorden die meer coherent zijn met de veranderende context van een bepaalde dialoog.

"Net als bij menselijke dialogen, onze AQM+ modelleert wat de tegenstander zegt en redeneert de meest effectieve strategie om de geest en intentie van de tegenstander te begrijpen, met behulp van een informatietheorie metriek (informatiewinst), Lee legde uit. "Deze aanpak verschilt van eerdere op neurale netwerken gebaseerde methoden voor TOD, die voornamelijk sequence-to-sequence (Seq2Seq) gebruikten voor het direct genereren van vragen door te reageren op de vorige uiting."

Lee en zijn collega's evalueerden AQM+ op een uitdagend taakgericht visueel dialoogprobleem, GuessWhich genaamd. Hun model behaalde opmerkelijke resultaten, met een aanzienlijke marge beter presteren dan state-of-the-art benaderingen.

"De aanpak op basis van ons spel met 20 vragen in AQM+ voor het ondervragen van gebruikers kan complexe dialoogsituaties aanpakken waar er veel en verschillende antwoorden en gevallen zijn die verband houden met algemeen gevormde vragen, evenals ja of nee vragen, "Zei Lee. "Dit betekent dat onze AQM+ kan worden toegepast op verschillende TOD-situaties in de echte wereld."

In hun testen, Lee en zijn collega's Jung-Woo Ha, Tong Gao, Sohee Yang en Jaejun Yoo ontdekten dat AQM+ fouten met 60 procent verminderde naarmate een dialoog vorderde, terwijl bestaande algoritmen een foutreductie van minder dan 6 procent behaalden. Volgens de onderzoekers is AQM+ kan worden gebruikt om zowel open als gesloten vragen te genereren.

"Effectief trainen van modellen uit dialooggegevens op een end-to-end manier blijft een grote uitdaging, met name voor de ontwikkeling van TOD-systemen, "Jung-Woo Ha, een andere onderzoeker die bij het onderzoek betrokken was, vertelde TechXplore. "Hoewel AQM+ zich vooral richt op het stellen van vragen om nuttige informatie van de antwoorder te krijgen, het kan natuurlijk worden uitgebreid door het beantwoorden van de vragen op basis van dezelfde aanpak."

Lee, Ha en hun collega's overwegen nu een aantal richtingen voor toekomstig onderzoek. Ten eerste, zij willen hun aanpak verder ontwikkelen om tot een algemeen leerkader voor dialoog te komen. Hun uiteindelijke doel is om een ​​systeem te ontwerpen dat menselijke nauwkeurigheid kan bereiken in de communicatie met mensen.

"Uiteindelijk, we willen een algemeen AI-raamwerk ontwikkelen dat mensachtige machine-machine en machine-mens dialogen mogelijk maakt, " zei Ha. "Als industriële onderzoekswetenschappers, we zullen onze technologieën toepassen op diverse diensten, zoals het messenger- en AI-assistentplatform, dus meer waarde bieden voor wereldwijde gebruikers."

© 2019 Wetenschap X Netwerk