Görüş | Jingdong AI Araştırma Enstitüsü'nden Xiaodong: NLP teknolojisi aracılığıyla yapay zekanın insanları anlamasını nasıl sağlayabilirim?
AI Technology Review Press : Son yıllarda derin öğrenmenin gelişmesi yapay zekaya derin bir ivme kazandırdı. Yapay zekadaki bir sonraki büyük atılım, doğal dili anlamada yatıyor.
23 Haziran'da Çin Bilgisayar Topluluğu "İnsan-Makine Diyaloğunun Endüstriyel Uygulaması ve Teknolojik Gelişimi" konulu bir seminer düzenledi.JD AI Araştırma Enstitüsü Başkan Yardımcısı Dr. He Xiaodong, "Doğal Dil Anlayışında Teknik Atılım" üzerine bir rapor sundu.
Bu raporda, Dr. He Xiaodong önce derin öğrenme teknolojisinin konuşma, dil, görme vb. Üzerindeki itici gücünü kısaca gözden geçirdi ve ardından doğal dil işleme (NLP) alanındaki en son araştırmasının iki yönüne odaklandı. Yapay zekanın, niyetleri anlama, anlambilim analizi, duyguları tanımlama ve öneriler arama gibi NLP teknolojisi aracılığıyla insanları anlamasına izin verin; ikincisi, yapay zeka sonuçlarının insanlar tarafından anlaşılır ve kabul edilebilir hale getirilmesi, örneğin metin özetleme, içerik oluşturma, konu geliştirme, duygusal diyalog vb. Son olarak, multimodal zeka, uzun metin oluşturma, duygu ve stil ifadesi ve insan-bilgisayar diyaloğunun en son yönlerindeki en son araştırma ilerlemesi tartışılmaktadır.
AI Technology Review Not: Dr. He Xiaodong bir konuşma yapıyor
Bu yılın Mart ayında, Dr. He Xiaodong, JD.com'a JD AI Araştırma Enstitüsü'nün derin öğrenme ve konuşma ve dil laboratuvarının yönetici başkan yardımcısı ve yöneticisi olarak katıldı. Derin öğrenme, doğal dil işleme, konuşma tanıma, bilgisayarla görme ve bilgi erişiminde önemli katkılarda bulundu. Çalışmaları arasında DSSM (Derin Yapı Anlamsal Model / Derin Anlamsal Eşleştirme Modeli) ve bir görüntü tanımlama robotu olan Caption Bot bulunmaktadır. JD.com'a katılmadan önce, Dr. Xiaodong Amerika Birleşik Devletleri'ndeki Microsoft Redmond Araştırma Enstitüsü'nde Baş Araştırmacı ve Derin Öğrenme Teknoloji Merkezi (DLTC) başkanı olarak çalıştı. Dr. Xiaodong 1996 yılında Tsinghua Üniversitesi'nden lisans derecesi, 1999 yılında Çin Bilimler Akademisi'nden yüksek lisans derecesi ve 2003 yılında Missouri-Columbia Üniversitesi'nden doktora derecesi almıştır.
Aşağıda, Dr. He Xiaodong tarafından hazırlanan raporun özel içeriği yer almaktadır: AI Technology Review, orijinal amacı değiştirmeden düzenlenmiş ve organize edilmiştir.
Derin öğrenme geliştirme geçmişi
O zamanlar "sinir ağı" olarak adlandırılan derin öğrenmenin selefi, 1980'lerde popülerdi. 1990'larda herkesin sinir ağlarına ilişkin beklentileri zirveye ulaştı, ancak bazı konuşma tanıma problemlerini çözmek gibi pek çok sorunu çözemeyeceğini keşfettiler.Nöral ağların etkisi diğer istatistiksel temelli modellerden daha iyi olmayabilir.
2000'lerde derin öğrenme geniş çapta tanınmıyordu. 2008'de Microsoft meslektaşım Deng Li ve ben NIPS'de bir seminer düzenledik ve Geoff Hinton ile diğerlerini derin öğrenmedeki en son gelişmeleri tanıtmaya davet ettik. Yaklaşık 2010 yılına kadar, derin sinir ağı modelleri büyük ölçekli konuşma tanımada büyük atılımlar yapmaya başladı. O zamandan beri, herkesin sinir ağlarına ve derin öğrenmeye yeni bir güveni var. Daha fazla tanıtımın ardından, sinir ağları 2012'de görüntü tanımada büyük atılımlar yaptı. 2014 ve 2015'te, sinir ağları da makine çevirisine ulaştı. Büyük buluş. Bundan sonra, sinir ağı teknolojisi giderek daha fazla AI alanında daha büyük bir etkiye sahip.
Örnek olarak konuşma tanımayı ele alalım: 2000 yılından önce, konuşma tanımanın hata oranının çok bariz bir düşüş eğilimi göstermesine neden olan konuşma tanımanın gelişiminde sürekli ilerleme oldu.
2000 yılından bu yana, konuşma tanıma teknolojisi bir darboğaz dönemine girmiştir.Her yıl, aslında 2000'den 2010'a kadar bazı yeni teknolojik buluşlar olsa da, büyük ölçekli test setindeki hata oranı temelde düşmemektedir. Devam ediyor, teknik olarak konuşursak, bu on yıl temelde durgunlaştı.
2010'dan itibaren Geoff Hinton ve Microsoft, konuşma tanıma teknolojisi araştırma ve geliştirme için derin öğrenmeyi kullanmaya başladı.2011 yılında bazı büyük ölçekli konuşma tanıma veri setlerinde% 20 -% 30 hata oranının görülebildiği bulundu. Daha fazla araştırmacı yatırım yaptıktan sonra, hata oranı hızlı bir şekilde düştü. Santralde, önemli bir telefon ses test seti olan Microsoft'un konuşma tanıma hata oranı geçen yıl sadece% 5'ti, bu da profesyonel bir stenografın seviyesine eşittir. Yani 2017 yılından itibaren santralde makinenin insan seviyesine ulaştığı söylenebilir.
Sadece konuşmada değil, aynı zamanda görüntü tanımada derin öğrenmede de. Muhtemelen 2009'da, Li Feifei'nin ekibi bir ImageNet veri seti önerdi. 2010'dan beri Li Feifei ve ekip üyeleri temelde her yıl bir meydan okuma düzenlediler. 2010 ve 2011'de, bu veri setinde tanınma için en iyi sistemin hata oranı yaklaşık% 25'ti. 2012 yılında Hinton ve öğrencileri ilk kez derin bir evrişimli sinir ağı önermişler, önermemelerine rağmen ağı geniş çaplı hale getirmişler ve bazı yeni teknolojiler eklediler. , Hata oranını tek seferde% 25'ten% 16'ya düşürmek.
2015'te Microsoft'taki meslektaşım Sun Jian ekibi, derin öğrenmeyi yeni bir seviyeye taşımak için yeni bir model önerdi. Ağ katmanlarının sayısı 152 idi ve hata oranı% 3,57'ye düşürüldü. İnsanlar bazen hata yaptıkları için, insan hata oranı yaklaşık% 5'tir, ancak makine% 3,5 yapabilir, bu nedenle o andan itibaren, bu belirli veri setinde görüntü tanıma yapmak için bilgisayarları kullanma yeteneği sıradan insanlardan daha iyi olmuştur. .
Belki de konuşma ve görüntülerde ve bundan sonra doğal dilde daha derin bir atılım elde edip edemeyeceğimiz konusunda net bir ilerleme gördük. Dil insanların benzersiz zekası olduğu için, birçok yüksek hayvan da güçlü bir görme ve işitme duyusuna sahiptir, ancak dil insanların benzersiz zekasıdır. Bu nedenle, bilgisayarların veya yapay zekanın bir gün insanlar gibi dili tam olarak anlayabileceğini umuyoruz.
Doğal Dil İşleme Üzerine Frontier Research
Doğal dil işleme söz konusu olduğunda, temelde iki birime ayrılabilir:
1. AI, insanları anlar.
Niyet tanıma ve arama gibi, insanlar çeşitli niyet ve duyguları kelimelerle ifade ederler. Bu yüzden AI'nın insanları anlaması gerektiğini söyledik.
Dil anlamanın ilk adımı, slot değerini çıkarmaktır.
Bir cümle söylerseniz, bilgisayarın cümlenin amacını anlaması gerekir. Örneğin, bir uçuş bulmak istiyorsanız, şehri ve saati işaretlemelisiniz. 2013 yılında Yoshua Bengio ile işbirliği yaptık ve bu soruna ilk kez başarılı bir şekilde RNN uyguladık.
Diğer bir iş, niyetin nasıl sınıflandırılacağıdır.
İnsanlar çok karmaşık konuşuyor, restoran hakkındaki düşüncenizi anlatan bir paragraf söylüyorsunuz ama biz bu paragraftan sizin gerçek fikrinizi öğrenmek istiyoruz, bunu neden söylüyorsunuz? Bu, böyle bir segmentte hangi cümlelerin daha önemli olduğunu ve hangi cümlelerin o kadar önemli olmadığını bilmek anlamına gelir. Bu yüzden Hierarchical Attention Net adlı iki katmanlı, dikkat tabanlı bir sinir ağı tasarladık. İlk önce cümledeki kelime düzeyinde en önemli bilgileri çıkarmak ve aynı zamanda cümleler arasındaki daha önemli cümleleri çıkarmak, ikisinin birleştirilerek segmentin tam bir ifadesini elde etmektir.
Bu paragrafın kendisi restoranı sevdiğini söylüyor.Önemli kelimeleri veya önemli cümleleri bile işaretleyebiliriz.Renk ne kadar koyu ise paragrafın niyetinin anlaşılması o kadar önemli demektir. Yani sadece tüm cümlenin restoranlar gibi olduğunu açıklamakla kalmaz, aynı zamanda restoranlardan neden hoşlandığınızı da söyler.
Anlamsal temsil, temel bir doğal dil anlama problemidir.
Doğal dil çeşitli olabilir, ancak aslında içinde bir anlambilim vardır. Anlamsal anlama zor bir problemdir İlkel veya görece ilk doğal dil tanımlarından soyut anlamsal özellikler çıkarabilen derin bir sinir ağı tasarlamayı umuyoruz. Bu anlamsal özellik, sonunda bir anlamsal alan oluşturacak ve her cümlenin anlamı bu boşluktaki bir noktaya eşlenecektir. Farklı cümlelerin anlambilimleri benzerdir, ancak gerçek anlamı farklıdır. Bu sinir ağını öğrendikten sonra, bu iki cümlenin uzayda benzer olduğunu bilmesini umuyoruz.
İki cümlenin çakışması çok ilişkilidir, ancak anlamı tamamen farklıdır.Ayrıca, bu sinir ağının, farklı cümlelerin kelimenin tam anlamıyla çok benzer olduğunu ancak anlamın tamamen farklı olduğunu öğrenerek öğreneceğini umuyoruz, bu yüzden bu, dili anlamada temel meseledir. .
Bu sorunu çözmek için, muhtemelen 2013'te Derin Yapısızlaştırma Anlamsal Modeli (DSSM) adı verilen bir model önerdik. Önemli bir sorunu çözer Spor arabalar gibi yarış arabalarına veya koşmaya çevrilebilecek birkaç cümle vardır.Spor arabalar ve koşma kelimenin tam anlamıyla daha yüksek bir örtüşme derecesine sahip olsalar da, bunlar çok farklı iki kavramdır. Öyleyse öğrendikten sonra, spor araba ile yarış arabası arasındaki vektör uzayındaki vektörlerin üst üste binmesinin olabildiğince yüksek olması gerektiğini bilebiliriz; o zaman spor arabanın vektörleri ve çalışan vektörün mümkün olduğunca ayrılması gerekir, böylece spor arabayı ve yarış arabasını anlamsal alanda daha iyi ayırabiliriz. İlişki devam ediyor.
AI Teknolojisi İnceleme Notu: Derin Yapılandırılmış Anlam Modeli (DSSM)
Eğitimin tamamı daha karmaşıktır.Vektörler arasındaki mutlak değeri değil, vektörler ve vektörler arasındaki göreli ilişkiyi önemsiyoruz.Sadece bu göreli ilişki anlambilimini tanımlar. Anlambilimin kendisi sanal bir kavram olduğundan, bu görüntüyü görmüş olabilirsiniz, bu nesneyi görmüş olabilirsiniz, ancak anlambilim her zaman insan zihninde bir kavram olmuştur. Yani tüm anlambilim göreceli bir anlamla ifade edilir A ve B'nin çok benzer olduğunu biliyoruz, bu yüzden bu modeli böyle bir anlamsal model elde etmek için göreceli bir eğitim hedefi ile eğitiyoruz.
Bir diğer önemli konu da bilgi grafiği.
AI Technology Review Not: Bilgi Grafiğinin Şematik Diyagramı
Noktalar önemli nesneleri ve varlıkları temsil eder ve çizgiler genellikle şeyleri ve bunların ilişkilerini tanımlar. Obama'nın birçok ilişkisi var, doğduğu yer Hawaii, partisi Demokrat Parti, karısının ve kızının isimleri neler? Çoğu zaman sürekli bir alanda bilgi hesaplamaları yapmayı umuyoruz Kim kime çok benziyor, kimin kimle yeni ilişkileri var ve daha önce bilmediğimiz şeyler keşfedilebilir. 2015 yılında bilgi grafiğinin sürekli bir alanda nasıl temsil edileceğini öneren bir makalem vardı. Örneğin, her bir varlığı temsil etmek için az önce bahsedilen bir anlamsal vektör ve varlıklar arasındaki ilişkiyi temsil etmek için bir matris kullanabiliriz. Bu durumda, A varlığı ve B varlığının belirli bir M ilişkisine sahip olup olmadığını hesapladığımızda, bu değerin yüksek olup olmadığını görmek ve bir benzerlik ölçümü yapmak için sadece A vektörünü × B vektörünü hesaplamamız gerekir.
Sürekli bir uzayda ifade edilen böyle bir bilgi grafiğiyle, aslında pek çok şey yapılabilir. Örneğin, sürekli uzayda pek çok şey tanıtılabilir Obama'nın Hawaii'de doğduğunu ve Hawaii'nin Amerika Birleşik Devletleri'nde olduğunu biliyoruz, onun uyruğunun Amerika Birleşik Devletleri olduğu sonucuna varabiliriz. Bunların hepsi bilgi alanında hesaplanabilir. Milliyet ve doğum yeri arasındaki ilişkiye göre, iki matris arasındaki mesafe hesaplanabilir.İki matris arasındaki mesafe yeterince küçükse, iki ilişki eşdeğer kabul edilir.
Bilgi grafiği ile bilgi yanıtları vermek, Justin Bieberın kız kardeşinin kim olduğunu sormak gibi pek çok şey yapabilir, semantik analiz ve arama eşleştirme yoluyla cevaplar alabilirsiniz.
2. AI'nın insanların anlayacağı şekilde ifade etmesine izin verin.
Yapay zekanın içerik üretmesine ve insanları anlamasına izin vermektir. Örneğin, hepimiz yapay zekanın şiir yazabileceğini biliyoruz ve bu artık haber değil.Yapay zeka ayrıca resimler çizebilir, bazı metin özetleri yapabilir ve hatta bir tarif bile yapabilir. Dolayısıyla yapay zeka gereksinimlerimiz her geçen gün artıyor ... Umarız yapay zeka sadece söylediklerimizi anlamakla kalmaz, bazı içerikleri de geri bildirir.
Ve doğal dil uygulamalarında pekiştirmeli öğrenmenin nasıl kullanılacağı. AlphaGo gelişmiş öğrenmede iyi bir örnek Doğal dil anlamanın AlphaGo Go oyunundan daha zor bir problem olduğuna inanıyoruz, çünkü dil alanı sonsuz ve Go alanı çok büyük.Aslında dil alanı Go'dan daha büyük. . Dil alanı, özellikle eylem alanı söz konusu olduğunda sonsuzdur ve Go'nun her hareketi yalnızca 361 noktadan herhangi bir noktayı seçebilir.
Bu sorunu çözmek için, doğrudan AlphaGo gibi yargılayamayız.Dil diyalog probleminde, H, makinenin bir cümle söylediği veya makinenin bir cümle seçtiği anlamına gelir, çünkü bu kelimenin ifadesi sürekli değişir ve bu H'nin sınırları yoktur. nın-nin. Yani, makinenin belirli bir H'yi seçmesine izin vermeyiz, ancak tüm H'nin bir sinir ağı aracılığıyla bir semantik uzaya, bu semantik uzayda, ne zaman hangi H'yi seçmeliyim ve son olarak bu H'nin bir dil ortamında olabileceğini İçeride derin öğrenme yapın.
İnsan anlayışı, bilgisayar anlayışı ile aynı şey değildir.Birçok durumda, bilgisayar anlama mantığı, anahtar kelime arama ve anlambilimsel analiz dahil olmak üzere daha çok eşleştirmeye benzer. Her durumda, bu veri setindeki en son modellerin çoğu insan seviyesini aştı. Hatta transfer öğrenmenin nasıl yapılacağına, yani bir modelin bir alandan diğerine nasıl transfer edileceğine, böylece hızlı bir şekilde yüksek bir seviyeye ulaşacağına dair yeni bir model öneriyoruz.
Daha büyük bir yönü de var, makine okuması. Yapay zekanın bir makaleyi okumayı bitirdikten sonra, bu makaleyle ilgili her türlü soruyu yanıtlayabileceğini umuyoruz. Bilgisayar bu bağlamları tam olarak anlamalı ve ardından doğru bir yanıt almalıdır. Stanford bir veri seti oluşturdu ve yakın zamanda 2.0 sürümünü yayınladı; son zamanlarda, Bilim ve Teknoloji Üniversitesi Xunfei, Google, Microsoft, Ali gibi birçok şirket bu alanda başarılı oldu.
Sonraki atılım
1. Çok modlu zeka
Multimodal zeka aynı zamanda kesişen bir kavramdır.İnsanların zeka kazandıklarında, sadece resimlere bakmak ya da sadece dinlemekle kalmayıp birden çok kaynak kullandıklarını biliyoruz.
Obama'nın kim olduğunu ve geçmişini biliyoruz ama kapsamlı değil ... Resmi gördükten sonra Obama'nın böyle göründüğünü biliyoruz. Bu nedenle vizyon, dil bilgisine harika bir tamamlayıcıdır. Duymak da aynı. Obamanın konuşmasını duyuyoruz, kelimeleri nasıl kullandığını biliyoruz ve onu daha iyi anlıyoruz. Tüm bu çeşitli modal şeyler birlikte, tüm bilgiyi derinlemesine anlamamıza yol açabilir. Bu nedenle, derin öğrenme modeline dayanarak, farklı modalitelerin girdilerinin değişmemiş anlamsal sinyallerini ve kavramlarını kademeli olarak çıkarabileceğini ve son olarak çok modlu bir anlamsal alanda birleştirilebileceğini umuyoruz.Bu anlamsal alanda, biz Grafik metin ilişkilendirmeleri hakkında akıl yürütme, hatta grafikler arası işleme ve hatta bir modelden bir kipe içerik oluşturma gibi modalitelerde bazı çalışmalar yapabilirsiniz.
2. Karmaşık içerik oluşturma
Bu, bir başka son çalışma, yani nasıl şiir üretilir. Şiir üretmek aynı zamanda içerik oluşturmaktır. Diyelim ki bu bir algoritma bilimcimizin kızına yazdığı bir şiirdir. Anahtar kelimeleri girdikten sonra bilgisayar ne tür bir duyguyu ifade etmek istediğini anlayacak ve aynı zamanda bu duyguyu ifade etmek için kelimeleri kullanarak bir makale oluşturacaktır. Şiir.
Hala çözülmemiş temel bir sorun var, yani mantık yazma. Yani şu anda mesele böyle bir modelin nasıl kurulacağıyla ilgili, böylece konu ve alt konuların yapısı genişletilebilir ve modele yansıtılabilir ve nihayet mantıksal olarak titiz ve anlamlı bir makale yazabilir.
3. Duygusal zeka
Duygusal diyaloğun nasıl oluşturulacağına dair basit bir örnek verin. Bir bayan bir tişört alırsa, Moments'a gönderirse, bir bayan olduğunu bilebiliriz. Bilgisayar bile bunu tek bir cümleyle tanımlayabilir: mavi tişörtlü bir bayan. Ama aslında, bu bayanın Moments'ta yayınladığı resimler yeni kıyafetlerini gösteriyor olabilir. Bu yüzden şu anda, umarım bilgisayar onun duygusal ihtiyaçlarını biliyordur ve görünüşe göre bu resim onun kıyafetlerine ve davranışlarına odaklanmak yerine bir melek gibi güzeldir. Bu nedenle, bilgisayarın daha iyisini yapabileceğini, kullanıcının duygularını anlayabileceğini, kullanıcının çekiciliğini bileceğini umuyoruz, böylece kullanıcıyı daha derinlemesine anladığımızı söyleyebiliriz. Yapay zekanın, yalnızca duyguları tanımak için değil, aynı zamanda onları buna göre ifade etmek için duyguları daha derin bir şekilde anlamaya başlayacağını umuyoruz.
4. Çok yönlü insan-makine diyaloğu
Akıllı teknoloji nihayet bir soruya geri dönüyor, AI nedir? Turing, 1950'lerde Turing testini önerdi.Bir bilgisayar insanlarla çok konuşursa, uzun bir süre sonra insanlar onun bir insan mı yoksa bilgisayar mı olduğuna karar veremez, testi geçince bilgisayarın akıllı olduğunu düşünür. Başka bir deyişle, Turing, dil ve diyalogun üst düzey zekayı temsil ettiğine inanır ve eğer diyalog Turing testini geçebilirse, bu bilgisayarın gerçekten zeki olduğu anlamına gelir.
O zamandan beri, bilim insanları kuşakları çok fazla araştırma yaptı ve geçtiğimiz 50 yılda akustik tanıma, konuşma tanımadan anlamsal anlamaya kadar birçok diyalog sistemi yayınladılar.
Yakın zamanda JD Araştırma Enstitüsü'nde duygusal bir diyalog hizmet robotu yaptık Müşteri hizmetlerinde en önemli şey duygu, bu yüzden duyguları kesin olarak kavramamız gerekiyor. Müşteri hizmetinin kullanıcıya empatik olması gerekir ve aynı zamanda müşteri hizmetinin yeterli ayrıntılı konuşma becerilerine sahip olması ve aynı zamanda belirli sosyal değerlere uyması gerekir.
Örneğin, bir kişi ararsa, ekspres teslimatının neden henüz gelmediğini sormaya başlar? Şu anda, AI modelinin müşterinin öfkeli olduğunu doğru bir şekilde anlayabileceğini umuyoruz. Ardından robot, duygularının hafifletilebilmesi için özür dileyerek biraz rahatlık verecektir. Sonra ona özel içeriği sordu: "Ne zaman oldu?" "Dün" dedi. Bu sırada akıllı robot, eşyanın ulaşıp ulaşmadığını kontrol edecek ve son olarak ona "Sistem, eşyanın geldiğini gösterdi" diyecektir. Bu sırada müşterinin duyguları kızgınlıktan endişeye dönüştü ve robot, duygusal değişimini çabucak yakaladı ve ona "Merak etme, sigortamız var, lütfen emin ol" dedi.
Bir sonraki adıma geçerken, ekranda "Komşunuz sizin için imzaladı. Kaybolmaz, böylece rahat olabilirsiniz" der. Bu sırada müşterinin ruh hali tekrar değişir. Rahatlamış hissedebilir ve sorunun çözüldüğünü düşünebilir, o da Deyin ki: "Merak etmeyin, teşekkür ederim." Bu sırada robot da mutlu duyguları algıladı, müşteriye mutlu olmasını diliyorum, sonra sorunu çözüyorum.
Şimdi duygusal destekli diyalog robotu JD.com'da başlatıldı ve yaklaşık 1 milyon çevrimiçi danışmaya hizmet etti.
sonuç olarak:
Kişisel olarak tüm doğal dil atılımının yapay zeka teknolojisinin insanlardan daha iyi olduğunu kanıtlamak olmadığını düşünüyorum.Bilgisayarlar satrancı insanlardan daha iyi oynuyor. Bilgisayarların ilerleme derecesinin nihai hedefimiz olmadığını kanıtlıyor. Nihai hedefimiz, insanların dünyaya bağlanmasına yardımcı olmak için yapay zeka.
Fiziksel bir dünyada yaşıyoruz ve bu dünya çoğu zaman içinde çok fazla görsel sinyal gerektirir. Aynı zamanda dijital bir dünyada yaşıyoruz, çeşitli hesaplarımız ve çeşitli numaralarımız var. Buna ek olarak, diğer insanlarla da ilgilenmemiz gerekiyor.WeChat'imiz var, Weibo'yu okuyoruz, çeşitli başlıkları okuyoruz veya çeşitli bilgileri okuyoruz, çevrimiçi alışverişe çıkıyoruz, müşteri hizmetlerini arayarak insanlarla konuşuyoruz Başa çıkmak aynı zamanda bir atılım gerektiren bir noktadır. Bu nedenle, yapay zekanın her kullanıcının ve her tüketicinin kendi üç dünyasındaki insanlarla daha iyi bağlantı kurmasına yardımcı olacağını umuyoruz.
Temel bir teknoloji olarak, dil anlayışı insanlar ve dünya arasında iletişim kurabilir.Turing'in dediği gibi, makinelerin akıllı olduğu ancak diyalog testleri yoluyla kanıtlanabilir, bu nedenle dil anlama ve insan-makine diyalogu her zaman yapay zekanın gelişimini teşvik etmenin temel amacı olmuştur. Makinelerin, otomatik öğrenme ve kendi kendine inovasyon yeteneğine sahip gelişmiş zeka ve genel zekaya daha da evrilebileceğini ve daha sonra bazı belirli alanlarda insanlardan hızla daha iyi performans gösterebileceğini umuyoruz.
( 0 ) Paylaşmaya hoş geldiniz, yarın görüşürüz!
