Muchos de nosotros pedimos regularmente a nuestros teléfonos inteligentes direcciones o que reproduzcan música sin pensar mucho en la tecnología que lo hace posible; solo queremos un rápido, respuesta precisa a nuestros comandos de voz.

Con más empresas que utilizan inteligencia artificial para diversas aplicaciones y para interactuar con los consumidores, la industria está trabajando para que esas interacciones sean más humanas, dijo Zhu "Drew" Zhang, profesor asociado de sistemas de información y miembro de Kingland Faculty Fellow en Business Analytics en Ivy College of Business de la Iowa State University. Zhang está contribuyendo a ese esfuerzo mejorando la forma en que las máquinas, como teléfonos inteligentes y computadoras, comprender y generar lenguaje.

"Las computadoras no fueron construidas para manejar la ambigüedad del lenguaje humano, ", Dijo Zhang." Tenemos formas sutiles de decir las cosas con un significado similar, utilizando diferentes palabras y estructuras lingüísticas y eso es difícil de comprender e imitar para los modelos computacionales ".

Zhang dice en escenarios comerciales, por ejemplo, los consumidores pueden expresar opiniones similares con formas lingüísticas muy diferentes:

• Primera afirmación:nada de esta cámara es emocionante.
• Segunda afirmación:no me gusta este producto.

Ayudar a las máquinas a detectar la paráfrasis es uno de los mayores desafíos en el campo del procesamiento del lenguaje natural. Zhang dice que intentar codificar el abrumador volumen de reglas lingüísticas y las excepciones asociadas sería tremendamente irreal. En lugar de, investigadores y líderes de la industria utilizan métodos de aprendizaje automático, que utilizan grandes cantidades de datos para enseñar a las computadoras a reconocer y comprender patrones de lenguaje en el uso real.

Nuevo modelo bien recibido

Zhang y Amulya Gupta, un estudiante graduado de la ISU en ciencias de la computación, desarrolló un nuevo modelo computacional basado en el aprendizaje profundo para mejorar la precisión, precisión y recuerdo de la detección de declaraciones de significado similar, pero diferente en la redacción, estructura y longitud. Probaron el modelo usando 50, 000 pares de oraciones de muestra, similar al ejemplo anterior, y encontró que tenía una precisión del 80 al 85 por ciento.

Eso es alentador pero Zhang dice que solo aborda "una pequeña porción de un problema mayor" en el campo de la inteligencia artificial. Él y Gupta presentaron recientemente un documento sobre su trabajo en la Reunión Anual de la Asociación de Lingüística Computacional en Australia. Zhang dice que es una de las principales conferencias para los actores de la industria, incluido Google, Microsoft y Amazon, así como destacados académicos que trabajan en este tema.

"Nuestra investigación fue muy bien recibida, ", Dijo Zhang." Hablamos con gente de Microsoft y JD, la empresa de comercio electrónico más grande de China, y vieron potencial en nuestro trabajo ".

Hacer que las máquinas se sientan humanas

Zhang dice que el objetivo es continuar mejorando el modelo para hacerlo más aplicable a una variedad de escenarios comerciales. Los bots de servicio al cliente son un buen ejemplo. En lugar de presionar botones de un menú de opciones al llamar para surtir una receta, la mayoría de los consumidores todavía prefieren hablar con una persona. Zhang dice que no solo es importante que el robot suene humano, pero debe tener la flexibilidad de adaptarse a las personas que llaman.

"Este tipo de capacidad agrega un toque humano, ", Dijo Zhang." La capacidad de manipular idiomas es lo que hace que el robot u otras máquinas se sientan humanos ".