Crédito:Lee et al.
Pesquisadores da Clova AI Research, NAVER e LINE, propuseram recentemente uma nova estrutura chamada AQM + que permite que os sistemas de diálogo gerem perguntas e respostas relevantes para o contexto. O modelo deles, descrito em um artigo pré-publicado no arXiv, será apresentado na 7ª Conferência Internacional sobre Representação de Aprendizagem (ICLR 2019), em Nova Orleans.
"A colaboração intra-máquina e homem-máquina foi considerada um tópico de pesquisa significativo e significativo, em particular, da perspectiva da ética e do interesse público em IA, "Sang-Woo Lee, um dos pesquisadores que realizou o estudo, disse TechXplore. "Focando no diálogo orientado a tarefas (TOD), os pesquisadores obtiveram uma visão considerável dos jogos GO entre humanos e AlphaGo. Mais especificamente, esses pesquisadores pensam que os modelos de diálogo orientados a objetivos podem ser melhorados treinando modelos em interações máquina-máquina em escala gigante, o que permite que a AlphaGo derrote os especialistas humanos. Contudo, Eu não concordo totalmente com essa ideia, porque o diálogo é uma tarefa baseada na colaboração entre dois jogadores e é fundamentalmente diferente de Go, que é um jogo de competição. "
De acordo com Lee, o diálogo orientado por tarefas (TOD) se assemelha ao jogo 20 perguntas, já que o objetivo do sistema de diálogo deve ser restringir as intenções e solicitações do usuário. Em um estudo anterior, Lee e seus colegas introduziram uma estrutura para sistemas de diálogo orientados a tarefas, denominada "respondedor na mente do questionador" (AQM), que se baseia nessa ideia. AQM permite que os sistemas de diálogo façam perguntas que maximizem o ganho de informações, reduzindo a incerteza da intenção do usuário.
Crédito:Lee et al.
Ao contrário de outras abordagens, AQM calcula explicitamente a distribuição posterior e encontra soluções analiticamente. Apesar de suas muitas vantagens, AQM foi encontrada para generalizar mal em tarefas do mundo real, onde o número de objetos, perguntas e respostas normalmente são irrestritas.
Em seu estudo recente, os pesquisadores abordaram essa limitação e propuseram uma nova abordagem, AQM +. Ao contrário de sua abordagem anterior, AQM + pode ser aplicado a problemas de grande escala, gerando perguntas e respostas mais coerentes com o contexto de mudança de um determinado diálogo.
"Semelhante ao diálogo humano, nosso AQM + modela o que o oponente diz e raciocina a estratégia mais eficaz para compreender a mente e a intenção do oponente, usando uma métrica de teoria da informação (ganho de informação), "Lee explicou." Esta abordagem é diferente dos métodos anteriores baseados em rede neural para TOD, que empregou principalmente sequência a sequência (Seq2Seq) para gerar perguntas diretamente, respondendo ao enunciado anterior. "
Crédito:Lee et al.
Lee e seus colegas avaliaram o AQM + em um problema desafiador de diálogo visual orientado para a tarefa chamado GuessWhich. Seu modelo alcançou resultados notáveis, superando as abordagens de última geração por uma margem considerável.
"A abordagem baseada em nosso jogo de 20 perguntas em AQM + para questionar os usuários pode lidar com situações de diálogo complexas onde existem muitas e várias respostas e casos relacionados a perguntas gerais, bem como perguntas sim ou não, "Disse Lee." Isso significa que nosso AQM + pode ser aplicado a diferentes situações TOD no mundo real. "
Em seus testes, Lee e seus colegas Jung-Woo Ha, Tong Gao, Sohee Yang e Jaejun Yoo descobriram que o AQM + reduziu os erros em 60 por cento à medida que o diálogo prossegue, enquanto os algoritmos existentes alcançaram uma redução de erro de menos de 6 por cento. De acordo com os pesquisadores, AQM + pode ser usado para gerar perguntas abertas e fechadas.
Crédito:Lee et al.
"O treinamento eficaz de modelos a partir de dados de diálogo de ponta a ponta continua sendo um grande desafio, particularmente para o desenvolvimento de sistemas TOD, "Jung-Woo Ha, outro pesquisador envolvido no estudo, disse TechXplore. "Embora AQM + se concentre principalmente no questionamento para obter informações úteis do respondente, pode ser naturalmente estendido incluindo respostas às perguntas com base na mesma abordagem. "
Lee, Ha e seus colegas estão agora considerando uma série de direções para pesquisas futuras. Em primeiro lugar, eles gostariam de desenvolver ainda mais sua abordagem, a fim de alcançar uma estrutura geral de aprendizagem para o diálogo. Seu objetivo final é projetar um sistema que possa alcançar a precisão humana na comunicação com os humanos.
"Em última análise, pretendemos desenvolver uma estrutura geral de IA que permite diálogos máquina-máquina e máquina-homem semelhantes aos humanos, "Ha disse." Como cientistas de pesquisa industrial, aplicaremos nossas tecnologias a diversos serviços, como mensageiro e plataforma de assistente de IA, oferecendo, assim, maior valor para usuários globais. "
© 2019 Science X Network
