Muitos de nós pedimos regularmente aos nossos smartphones orientações ou para tocar música sem pensar muito na tecnologia que torna tudo possível - queremos apenas uma rápida, resposta precisa aos nossos comandos de voz.

Com mais empresas usando inteligência artificial para vários aplicativos e para se envolver com os consumidores, a indústria está trabalhando para tornar essas interações mais humanas, disse Zhu "Drew" Zhang, professor associado de sistemas de informação e Kingland Faculty Fellow em Business Analytics no Ivy College of Business da Iowa State University. Zhang está contribuindo para esse esforço, melhorando a forma como as máquinas, como smartphones e computadores, compreender e gerar linguagem.

"Os computadores não foram construídos para lidar com a ambigüidade da linguagem humana, "Disse Zhang." Temos maneiras sutis de dizer coisas com um significado semelhante, usando palavras e estruturas linguísticas diferentes e isso é difícil para os modelos computacionais entenderem e imitarem. "

Zhang diz que em cenários de negócios, por exemplo, os consumidores podem expressar opiniões semelhantes com formas linguísticas muito diferentes:

• Primeira afirmação:Nada nesta câmera é empolgante.
• Segunda afirmação:Não gosto deste produto.

Ajudar as máquinas a detectar a paráfrase é um dos maiores desafios no campo do processamento de linguagem natural. Zhang diz que tentar codificar o grande volume de regras linguísticas e exceções associadas seria assustadoramente irreal. Em vez de, pesquisadores e líderes do setor estão usando métodos de aprendizado de máquina, que utilizam grandes quantidades de dados para ensinar os computadores a reconhecer e compreender os padrões de linguagem em uso real.

Novo modelo bem recebido

Zhang e Amulya Gupta, um estudante de pós-graduação da ISU em ciência da computação, desenvolveu um novo modelo computacional baseado em aprendizado profundo para melhorar a precisão, precisão e lembrança de detecção de declarações semelhantes em significado, mas diferente na redação, estrutura e comprimento. Eles testaram o modelo usando 50, 000 pares de frases de amostra, semelhante ao exemplo acima, e descobri que tem uma precisão de 80 a 85%.

Isso é encorajador, mas Zhang diz que isso trata apenas de "uma pequena fatia de um problema maior" no campo da inteligência artificial. Ele e Gupta apresentaram recentemente um artigo sobre seu trabalho na Reunião Anual da Association for Computational Linguistics na Austrália. Zhang diz que é uma das principais conferências para participantes da indústria, incluindo o Google, Microsoft e Amazon, bem como os principais acadêmicos que trabalham nesta questão.

"Nossa pesquisa foi muito bem recebida, "Disse Zhang." Conversamos com pessoas da Microsoft e da JD, a maior empresa de comércio eletrônico da China, e eles viram potencial em nosso trabalho. "

Fazendo as máquinas parecerem humanas

Zhang diz que o objetivo é continuar melhorando o modelo para torná-lo mais aplicável a uma variedade de cenários de negócios. Os bots de atendimento ao cliente são um bom exemplo. Em vez de pressionar botões de um menu de opções ao ligar para reabastecer uma receita, a maioria dos consumidores ainda prefere falar com uma pessoa. Zhang diz que não é apenas importante que o bot soe humano, mas deve ter flexibilidade para se adaptar a chamadores individuais.

"Esse tipo de capacidade adiciona um toque humano, "Zhang disse." A habilidade de manipular linguagens é o que faz o bot ou outras máquinas parecerem humanos. "