Investigadores de Clova AI Research, NAVER y LINE, Recientemente propusieron un nuevo marco llamado AQM + que permite que los sistemas de diálogo generen preguntas y respuestas relevantes para el contexto. Su modelo, descrito en un artículo publicado previamente en arXiv, será presentado en la 7ma Conferencia Internacional sobre Representación del Aprendizaje (ICLR 2019), en Nueva Orleans.

"La colaboración entre máquinas y hombre-máquina se ha considerado un tema de investigación significativo y significativo, en particular, desde la perspectiva de la ética y el interés público en la IA, "Sang-Woo Lee, uno de los investigadores que realizó el estudio, dijo a TechXplore. "Centrándose en el diálogo orientado a tareas (TOD), Los investigadores han obtenido una visión considerable de los juegos GO entre humanos y AlphaGo. Más específicamente, Estos investigadores piensan que los modelos de diálogo orientados a objetivos pueden mejorarse entrenando modelos en interacciones máquina-máquina a escala gigante, lo que permite a AlphaGo vencer a los expertos humanos. Sin embargo, No estoy totalmente de acuerdo con esta idea, porque el diálogo es una tarea basada en la colaboración entre dos jugadores y es fundamentalmente diferente de Go, que es un juego de competición ".

Según Lee, El diálogo orientado a tareas (TOD) se asemeja al juego de 20 preguntas, ya que el objetivo del sistema de diálogo debería ser el de reducir las intenciones y solicitudes de un usuario. En un estudio anterior, Lee y sus colegas introdujeron un marco para los sistemas de diálogo orientados a tareas llamado "respondedor en la mente del interrogador" (AQM) que se basa en esta idea. AQM permite que los sistemas de diálogo hagan preguntas que maximicen su obtención de información, reduciendo la incertidumbre de la intención del usuario.

A diferencia de otros enfoques, AQM calcula explícitamente la distribución posterior y encuentra soluciones analíticamente. A pesar de sus muchas ventajas, Se descubrió que AQM generalizaba mal en tareas del mundo real, donde el número de objetos, las preguntas y respuestas no suelen estar restringidas.

En su estudio reciente, los investigadores abordaron esta limitación y propusieron un nuevo enfoque, AQM +. A diferencia de su enfoque anterior, AQM + se puede aplicar a problemas a gran escala, generar preguntas y respuestas más coherentes con el contexto cambiante de un diálogo dado.

"Similar al diálogo humano, nuestro AQM + modela lo que dice el oponente y razona la estrategia más efectiva para captar la mente y la intención del oponente, utilizando una métrica de la teoría de la información (ganancia de información), "Lee explicó." Este enfoque es diferente de los métodos anteriores basados ​​en redes neuronales para TOD, que empleó principalmente secuencia a secuencia (Seq2Seq) para generar directamente preguntas respondiendo al enunciado anterior ".

Lee y sus colegas evaluaron AQM + en un desafiante problema de diálogo visual orientado a tareas llamado GuessWhich. Su modelo logró resultados notables, superando los enfoques de vanguardia por un margen considerable.

"El enfoque basado en nuestro juego de 20 preguntas en AQM + para interrogar a los usuarios puede abordar situaciones de diálogo complejas donde existen muchas y diversas respuestas y casos relacionados con preguntas de forma general, así como preguntas de sí o no, "Dijo Lee." Esto significa que nuestro AQM + se puede aplicar a diferentes situaciones de DOT en el mundo real ".

En sus pruebas, Lee y sus colegas Jung-Woo Ha, Tong Gao, Sohee Yang y Jaejun Yoo descubrieron que AQM + redujo los errores en un 60 por ciento a medida que avanza el diálogo. mientras que los algoritmos existentes lograron una reducción de errores de menos del 6 por ciento. Según los investigadores, AQM + podría usarse para generar preguntas abiertas y cerradas.

"El entrenamiento efectivo de modelos a partir de datos de diálogo de una manera integral sigue siendo un gran desafío, particularmente para el desarrollo de sistemas DOT, "Jung-Woo Ha, otro investigador involucrado en el estudio, dijo a TechXplore. "Aunque AQM + se centra principalmente en hacer preguntas para obtener información útil del respondedor, naturalmente, se puede ampliar al incluir respuestas a las preguntas basadas en el mismo enfoque ".

Sotavento, Ha y sus colegas están considerando ahora una serie de direcciones para futuras investigaciones. Primeramente, les gustaría desarrollar más su enfoque para lograr un marco de aprendizaje general para el diálogo. Su objetivo final es diseñar un sistema que pueda lograr una precisión similar a la de los humanos en la comunicación con los humanos.

"Por último, Nuestro objetivo es desarrollar un marco general de inteligencia artificial que permita diálogos máquina-máquina y máquina-humano similares a los humanos, "Ha dicho." Como científicos de investigación industrial, Aplicaremos nuestras tecnologías a diversos servicios como messenger y plataforma asistente de IA, ofreciendo así un mayor valor para los usuarios globales ".

© 2019 Science X Network