Haberler 2018 NAACL Language Learning Modeling Contest: Champion of English Group Simcere Education Prospects Adaptive Learning Technology
2018 NAACL Dil Öğrenim Modelleme Yarışması, uyarlanabilir öğrenme teknolojisinin ilerlemesi için büyük önem taşıyor.Ail Teknoloji İncelemesi, Dr. Long Qin'i uyarlanabilir alandaki en son araştırma sonuçlarını kendisiyle paylaşmaya davet etti.
AI Technology Review Press: 16. Kuzey Amerika Hesaplamalı Dilbilim Konferansı NAACL, Haziran ayı başlarında ABD, Louisiana, New Orleans'ta düzenlendi. NAACL, doğal dil işleme ve hesaplamalı dilbilim alanındaki en iyi akademik konferanslardan biridir. Dil öğrenimi modelleme yarışmasında yerli yapay zeka firması Simcere Education, İngilizce grup yarışmasında birinci oldu. Diğer yarışmacılar arasında Cambridge Üniversitesi, New York Üniversitesi ve California Üniversitesi gibi dünyanın en iyi akademik ve endüstriyel çevrelerinden araştırma ekipleri yer alıyor.
İngiliz grubu Simcere Education'ın şampiyon ekibi kurucu ortağı ve CTO'su Dr. Qin Long tarafından yönetildi.Katılımcılar arasında Baş Konuşma Bilimcisi Chen Jin ve Doğal Dil İşleme Bilimcisi Xu Shuyao yer aldı. Dr. Long Qin, Carnegie Mellon Üniversitesi'nden mezun olmuştur ve yapay zeka endüstrisinde 10 yıldan fazla deneyime sahiptir. Bu etkinlik uyarlanabilir öğrenme teknolojisinin ilerlemesi için büyük önem taşıdığından, Leifeng.com AI Araştırma Enstitüsü, Dr. Long Qin'i uyarlanabilir alandaki en son araştırma sonuçlarını kendisiyle paylaşması için özel olarak davet etti.
Resmi internet sitesi:
https://www.cs.rochester.edu/~tetreaul/naacl-bea13.html
Bu etkinlikte şampiyonluğu kazanmanın, Simcere Education'a Leifeng.com'un AI Technology Review (herkese açık hesap: Leifeng.com) akademik kanalı altındaki AI Etki Faktörü veritabanı projesi için de bonus puan verdiğini belirtmekte fayda var.
AI Araştırma Kulübü: Hepimiz NAACL'nin uluslararası doğal dil işleme ve hesaplamalı dilbilim alanında en iyi akademik konferans olduğunu biliyoruz .. NAACL neden dil öğrenme modelleme yarışmasını düzenliyor?
Qin Long, Simcere Education CTO'su: Doğal dil işleme teknolojisinin eğitimle ilgili alanlara uygulanması her zaman NAACL'nin önemli konularından biri olmuştur.Her NAACL BEA Eğitim Teknolojileri Sempozyumu düzenleyecek ve bu yıl 13'üncü. Bu yıl, BEA'nın iki genel görevi vardır, biri Karmaşık Kelime Tanımlama (Karmaşık Kelime Tanımlama) ve diğeri İkinci Dil Edinim Modellemesi (İkinci Dil Edinim Modellemesi). İkinci dil edinim modellemesi, öğrencinin geçmiş cevaplama (ikinci dil öğrenme) geçmişine dayalı olarak gelecekteki soruları doğru cevaplayıp cevaplayamayacağının tahminini ifade eder. Bu, akıllı önerilerde bulunabilen uyarlanabilir bir öğrenme sistemi oluşturmak için büyük önem taşır ve uyarlanabilir öğrenmenin temel modülüdür.
(Resim, SLAM yarışması için konferans organizatörünün özet raporunu göstermektedir)
SLAM yarışması, dil yeterlilik testi konusunda bir otorite olan ETS ve dünyanın en büyük dil öğrenme uygulaması olan Duolingo tarafından ortaklaşa düzenlenmektedir. Singsound AI ekibi, görevin üç alt görevine de katıldı: İngilizce öğrenimi, İspanyolca öğrenimi ve Fransızca öğrenimi. Simcere Education'ın CLUF modeli, İngilizce öğrenmede birincilik ve İspanyolca öğrenmede ve Fransızca öğrenmede ikinci sırada yer aldı.
AI Araştırma Enstitüsü: Oyun sırasındaki en büyük zorluk nedir?
Qin Long, Simcere Education CTO'su: İki ana zorluk var: Birincisi, dil öğrenimi karmaşık dilbilgisi ve eşdizimlerinin yanı sıra geniş kelime haznesi ve kelime öbekleri ile bilinir. Uyarlanabilir öğrenme için en zor konudur.Ayrıca, bu yarışma birden çok dili inceler. İngilizce, İspanyolca ve Fransızca dahil; ikincisi, öğrenme davranışı verileri 3 aya kadar uzanıyor, veri hacmi son derece büyük, 1 milyondan fazla cümle, 6000'den fazla öğrenciyi kapsıyor ve bu da öğrenme davranışının matematiksel modelini daha karmaşık hale getiriyor.
Son yıllarda internet, yapay zeka ve diğer teknolojilerin eğitimle entegrasyonu ve bilgisayar uygulamalarının artmasıyla eğitim endüstrisi, kişiselleştirilmiş öğrenmeyi yönlendirmek için kullanılabilecek büyük miktarda öğrenci öğrenme verisi biriktirdi.Şu anda matematikte bazı ilerlemeler kaydedildi. Ancak bir dili öğrenmek için, bilgi noktaları daha inceliklidir, kelime dağarcığını içeren etkileşimli bilgi ve morfoloji ve sözdiziminin işlenmesi daha karmaşıktır.Ayrıca, son derece büyük bir veri grubunun analizi matematiksel modellerin eğitimi için son derece zordur.
AI Araştırma Kulübü: Bildiğimiz kadarıyla, mevcut ev içi uyarlamalı öğrenmenin çoğu bilgi grafiği gibi bir sisteme dayanmaktadır.İkinci dil edinim modellemesi gibi bir görev ile bilgi grafiği arasında herhangi bir fark var mı?
Qin Long, Simcere Education CTO'su: Uyarlanabilir öğrenme iki aşamaya ayrılabilir: 1) öneri sistemine dayalı sığ bir uyarlanabilir aşama; 2) öğrenme davranışı modellemesine dayalı derin bir uyarlanabilir aşama. Şu anda, çoğu yerel işletme hala sığ adaptif aşamadadır Bu yarışmadaki ilk İngilizce yarışmasının sonuçlarına bakıldığında, ilk sağlam eğitim uyarlamalı sistem, uyarlanabilir öğrenmenin temel derin aşamasına başarıyla girmiştir.
Simcere ekibimiz tarafından kullanılan CLUF, derin öğrenmeye dayalı bir Kodlayıcı-Kod Çözücü modelidir ve Bağlam Kodlayıcı, Dil Kodlayıcı, Dil Kodlayıcı, Kullanıcı Kodlayıcı ve Kullanıcı Kodlayıcı olmak üzere dört kodlayıcıdan oluşur. Soru tipi bilgi kodlayıcı Biçim Kodlayıcı, son olarak kod çözücü tahminler yapmak için kodlayıcı tarafından çıkarılan yüksek boyutlu özellikleri kullanır.
Bağlam kodlayıcı cümlenin dil ortamını kodlamak için kullanılır ve harf düzeyinde bir kodlayıcı ve bir sözcük düzeyinde kodlayıcıdan oluşur. Harf düzeyinde kodlayıcı, hiyerarşik bir döngüsel sinir ağı yapısıdır ve kelime düzeyinde kodlayıcı, iki yönlü, uzun ve kısa süreli bellek sinir ağı LSTM'dir; Dilsel özellik kodlayıcı, aynı zamanda, esas olarak çıkarılan dil özelliklerini kodlamak için kullanılan bir LSTM yapısıdır. Bağlam kodlayıcı ek bilgi sağlar; kullanıcı kodlayıcı, kullanıcının ikinci dil yeteneğini ve öğrenme geçmişini kaydetmek için kullanılan tamamen bağlantılı bir yapıdır; soru kodlayıcı, soru türleri ve yanıtlama yöntemleri gibi bilgileri kodlamak için kullanılır.
AI Araştırma Enstitüsü: Simcere'nin modeli ile diğer katılan ekipler arasındaki belirli farklılıklar nelerdir ve avantajları nelerdir?
Simcere Education CTO'su Qin Long: CLUF modelimizin en büyük avantajı, farklı türdeki özellikleri gruplandırarak ve verilerin dahili modellerini incelemek için karşılık gelen özellikleri karşılayan bir ağ yapısı ile kodlayarak CLUF'un çok iyi sonuçlar elde etmesidir. Görevde, Singsound AI ekibi Cambridge Üniversitesi, New York Üniversitesi, Tokyo Üniversitesi ve California Üniversitesi'nden takımları mağlup etti.
Katılan diğer takımların yanı sıra New York Üniversitesi de iyi sonuçlar elde etti. Sistemleri, kullanıcılar, kelime bilgisi ve bağlam gibi bilişsel bilime ve dilbilime dayalı özellikleri çıkaracak ve ardından modelleme için gradyan artırıcı karar ağacı GBDT modelini kullanacaktır. İspanyolca ve Fransızca öğrenmede en iyi puanlar İsveç'in SanaLabs'ından alınmıştır. Tahmin yapmak için birden çok farklı model kullanan ve ardından birden çok modelin tahmin sonuçlarının kombinasyonunu ağırlıklandıran topluluk yöntemini kullanırlar. Aslında, benzer yarışma görevleri için, konferansın organizatörü topluluk kullanımını savunmamaktadır çünkü belirli modelin görev için etkili olup olmadığına karar vermek imkansızdır. Bu amaçla, organizatörün özet raporunda, konferans organizatörü bir topluluk modeli füzyon analizi gerçekleştirdi. Açıkçası, tüm ekipleri entegre eden bir sistem daha iyi sonuçlar elde edebilir. Aynı zamanda, bu füzyon sisteminde Simcere'nin CLUF'u en büyük katkıya sahip olup, onu New York Üniversitesi sistemi takip eder ve SanaLabs en düşük sistem ağırlığına sahiptir.
(Resim, doğal dil işleme / hesaplamalı dilbilimde bir lider, Stanford Üniversitesi Bilgisayar Bilimleri Bölümünden Profesör Christopher D. Manning ve CLUF teknolojisinin ayrıntılarını tartışan Simcere Education katılımcı ekibini göstermektedir)
AI Araştırma Enstitüsü: Bu yarışmaya katılan tüm takımların genel performansı ile ilgili olarak, uyarlanabilir öğrenme teknolojisinin geleceği hakkında ne düşünüyorsunuz?
Simcere Education CTO'su Qin Long: Yarışmanın genel sonuçlarına bakıldığında, bu aşamadaki uyarlanabilir öğrenme teknolojisinin sonuçları nispeten iyimser. Doğal dil işleme / hesaplamalı dilbilim ve Stanford Üniversitesi Bilgisayar Bilimleri Bölümü'nde lider olan Profesör Christopher D. Manning ile yapılan görüşmede Profesör Manning, Doğal dil işleme ve hesaplamalı dilbilim alanında son yıllarda yeni yöntemler ortaya çıktı. Akademik ve endüstriyel çevrelerin geniş ilgisini çeken yeni sorunlar gündeme geldi ve ilgili alanlardaki araştırmacılar ekibi de büyüyor. Bu yılki NAACL SLAM yarışmasıyla, uyarlanabilir öğrenme teknolojisinin önemli etkilerini görebilir ve geleceği dört gözle bekliyoruz. Öğrenme teknolojisini uyarlayan ve daha geniş bir alan yelpazesine uygulanan sektörler arası eğitimden geliyor. "
Simcere Education'ın kurucusu ve CEO'su Lu Yongyi, şirketin gelişimi ve vizyonu hakkında bir keresinde şunları söyledi: "Samimi, bir yapay zeka şirketi olarak sektördeki yaklaşık 100 şirkete hizmet etti. Her zaman açık fikirli olduk ve çok istekliyiz Bu aşamanın araştırma sonuçları, AI'nın eğitim endüstrisini yükseltmesine yardımcı olmak için daha fazla yerli ve yabancı şirkete açık. Gelecekte, sınırların ötesinde daha fazla endüstriyi güçlendirmek ve akıllı çağın gelişini teşvik etmek için teknolojinin avantajlarından yararlanmayı umuyoruz. Eğitim, uyarlanabilir öğrenme teknolojisinin geliştirilmesidir.
