Context, taal en redeneren in AI: drie belangrijke uitdagingen

Geleverd door RAGE-frameworks

Tegenwoordig komt kunstmatige intelligentie (AI) snel uit de R&D-labs naar de mainstream. Slimme technologieën veranderen elk aspect van ons leven, van de manier waarop we werken tot gezondheidszorg, onderwijs, reizen en transport. Een voorbeeld: de zelfrijdende auto's van Google en Tesla. Er zijn ook veel succesvolle toepassingen op het gebied van computervisie.

Maar hoe zit het met de niet-zichtbare toepassingen van AI: dat wil zeggen, gebieden met niet-ruimtelijke gegevens, vooral tekst en cijfers? Het IBM Watson-technologieplatform heeft de beroemde menselijke schaakgrootmeesters en een Jeopardy-kampioen verslagen en wordt gekenmerkt door beroemdheden in tv-advertenties die de komst van een slimmere planeet aankondigen. AlphaGo van Google versloeg onlangs een Koreaanse grootmeester in een nog complexere uitdaging, het oude spel Go.

Betekent dit alles dat AI er eindelijk is voor niet-zichtbare toepassingen? Wij geloven dat het antwoord een nadrukkelijk ja is, maar niet met de huidige benaderingen die worden gebruikt door IBM en Google.

Vanwege het revolutionaire potentieel van AI hebben de toepassingen ervan bij niet-zichtproblemen enorme belangstelling getrokken. Er zijn ook pogingen gedaan om te repliceren wat werkte met ruimtelijke gegevens en dit toe te passen op tekst (en getallen). Ik verwijs naar wat lijkt op een blinde stroom van computationele, statistisch gebaseerde benaderingen om natuurlijke taal te verwerken. Dergelijke benaderingen proberen tekst om te zetten in gegevens en zoeken vervolgens naar diepe patronen in die gegevens.

Die situatie doet me denken aan toen natuurkundigen de financiële markt betreden en probeerden voorspellende modellen voor financiële gegevens te creëren. Dergelijke inspanningen zullen onvermijdelijk mislukken, zoals al bij verschillende bedrijven is gebeurd. Uiteindelijk zal de hype en illusie van toepasbaarheid afnemen. Vervolgens pakken we het probleem aan door ons te concentreren op de fundamentele kenmerken van de gegevens en een benadering te bedenken die conceptueel beter is.

Een trio van uitdagingen aangaan

AI-technologieën moeten drie uitdagingen overwinnen om succesvol te zijn in de niet-visiewereld (en misschien zelfs in de visiewereld): taal, context en redeneren.

Een recent MIT Technology Review artikel, AI’s Language Problem , wijst welsprekend op de eerste uitdaging. De huidige AI-technologieën, waaronder die van IBM Watson en Google AlphaGo, hebben moeite om taal te verwerken zoals mensen dat doen. Dat komt omdat de grote meerderheid van de huidige implementaties tekst benaderen als data, niet als taal. Ze passen dezelfde technieken toe die op ruimtelijke gegevens werkten op tekst.

De tweede uitdaging – het begrijpen van de context – houdt verband met het taalprobleem, maar is zo belangrijk dat ik het als een onafhankelijk probleem beschouw. Tekst in natuurlijke taal moet in de juiste context worden verwerkt. De juiste context kan alleen worden ontwikkeld als de technologie zich richt op de taalstructuur, niet alleen op de woorden in de tekst, zoals de meeste huidige technologieën lijken te doen, volgens een 2014 artikel in IEEE Computational Intelligence Magazine . Dan is er de derde uitdaging: de traceerbaarheid van redeneringen die de oplossing gebruikt om tot een conclusie te komen.

Verschillende technologieën proberen tegenwoordig alle drie de uitdagingen aan te pakken. Verschillende succesvolle AI-oplossingen voor ondernemingen gaan effectief om met taal, context en redeneertransparantie.

Omgaan met natuurlijke taal: van verwerking tot begrip

De huidige methoden voor natuurlijke taalverwerking (NLP) worden grotendeels aangedreven door computationele statistieken. Deze methoden proberen niet de tekst te begrijpen, maar zetten de tekst in plaats daarvan om in gegevens en proberen vervolgens te leren van patronen in die gegevens. In het conversieproces verliezen we alle context en betekenis in de tekst. De veronderstelling achter dergelijke benaderingen is duidelijk dat, gegeven voldoende grote tekstverzamelingen, alle mogelijke permutaties en combinaties van betekenis aanwezig moeten zijn. Het ontdekken van op woorden gebaseerde patronen zou dus de intelligentie in de tekst moeten onthullen, waarop vervolgens kan worden gereageerd. Helaas komt die uitkomst niet voor in de meeste situaties in de echte wereld.

Om de taaluitdaging in AI aan te pakken, moeten we overstappen van het mechanisch omzetten van natuurlijke taal in gegevens via bijvoorbeeld op woordvoorvallen gebaseerde logica. We kunnen de taal dan begrijpen door gebruik te maken van de linguïstische structuur en de principes die we hebben geleerd om onze gedachten uit te drukken. Ik zie dit als een overgang van NLP naar Natural Language Understanding (NLU). Naar mijn mening is NLP het symbool geworden van de mechanische benadering van natuurlijke taal door het omzetten van tekst in gegevens. Ons echte doel in AI is het bedenken van mechanismen om de betekenis van de geschreven tekst te begrijpen.

Een diep begrip van de taalkundige structuur in tekst zou inhouden dat verschillende principes uit de computerlinguïstiek worden toegepast om de tekst weer te ontleden in de concepten en woordenschat die worden gebruikt om ze in de tekst te verbinden. Dit is in wezen het reverse-engineeren van de tekst terug naar zijn fundamentele ideeën om te begrijpen hoe die ideeën met elkaar verbonden waren om zinnen en alinea's te vormen.

RAGE AI heeft een dergelijk diepgaand taalkundig leren gedemonstreerd en RAGE Frameworks heeft deze methode gebruikt om verschillende AI-applicaties te creëren en met succes in te zetten in wereldwijde bedrijven.

Context begrijpen

NLU omvat ook het begrijpen van de context waarin de taal wordt gebruikt. Maar het begrijpen van de context brengt meerdere uitdagingen met zich mee.

Ten eerste kunnen in veel talen bepaalde woorden in meerdere betekenissen worden gebruikt. Dat maakt het belangrijk om de dubbelzinnigheid van al dergelijke woorden te elimineren, zodat hun gebruik in een bepaald document nauwkeurig kan worden begrepen. Het ondubbelzinnig maken van woord-zintuigen is een voortdurend probleem in de taalkunde, maar onderzoekers hebben aanzienlijke vooruitgang geboekt om dit probleem aan te pakken.

Ten tweede gebruiken tekstdocumenten vaak domeinspecifieke discoursmodellen zoals juridische contracten, nieuwsartikelen, onderzoeksrapporten en dergelijke. Bepaalde eigenschappen van dergelijke domeindiscoursmodellen moeten worden opgenomen in de AI-technologie om NLU te verbeteren.

Ten derde gebruiken we veel woorden als proxy's in het document voor andere concepten. Meestal zeggen we bijvoorbeeld Xerox voor kopiëren, FedEx voor koeriersdiensten, enzovoort. AI-technologie moet deze proxy's kunnen herkennen en begrijpen.

Ten slotte kan het document verwijzen naar kennis die niet expliciet in de tekst is opgenomen. We kunnen het alleen begrijpen als we die voorkennis hebben.

AI moet een opslagplaats van dergelijke wereldwijde kennis creëren die in context kan worden opgehaald om de tekst in het document aan te vullen om een ​​volledig begrip van de betekenis van de tekst te krijgen. De Automated Knowledge Discoverer in RAGE AI is zo'n voorbeeld van dit idee, zoals ik in mijn recente boek uitgebreider uitleg: De intelligente onderneming in het tijdperk van big data (John Wiley & Zonen, 2016). Deze technologie kan automatisch ideeën ontdekken die verband houden met een begrip en uitdrukkingen met verschillende retorische relaties met het concept van belang.

Gedurende een bepaalde periode moet dergelijke kennis en mondiale context mogelijk worden verfijnd door menselijke experts. Maar in korte tijd hebben we ontdekt dat het mogelijk is om voldoende kennis in de machine te creëren om deze beter te laten presteren dan 90 procent terugroepactie. We hebben bijvoorbeeld een AI-toepassing gemaakt om relevante inhoud te categoriseren voor een wereldwijd adviesbureau in 20 van zijn praktijkgebieden. Het idee was om in realtime gedistilleerde kennis te verstrekken aan al zijn consultants, met behulp van informatie uit elk praktijkgebied. Geautomatiseerde kennisontdekking werd gebruikt om dit uit te breiden tot een meer wereldwijd begrip. Nu categoriseert deze applicatie 40 miljoen artikelen per maand met een nauwkeurigheid van meer dan 90 procent door middel van diepgaand taalonderwijs.

Redenering

De laatste uitdaging die we moeten erkennen, is de zichtbaarheid van de redenering die door AI-technologie wordt ingezet. Bijna alle AI-technologieën die computationele statistieken gebruiken, zijn zwarte dozen. Daar is op zich niets mis mee, behalve dat wanneer we een aanbeveling krijgen van de AI-technologie en het niet intuïtief is, we het niet kunnen begrijpen. We weten ook niet of het echt causaal of onecht is. We moeten er gewoon blindelings op vertrouwen.

Natuurlijk zijn er toepassingen waarbij een dergelijke zichtbaarheid er misschien niet toe doet. In het voorbeeld van het spel Go was het bijvoorbeeld niet belangrijk om de redenering te begrijpen die door de machine werd gebruikt voor zijn bewegingen. Nog een voorbeeld: hoewel we er allemaal de voorkeur aan geven dat zoekopdrachten op internet relevanter zijn, storen de valse positieven ons niet al te veel.

Aan de andere kant zijn we van mening dat voor veel toepassingen een dergelijke zichtbaarheid essentieel zal zijn voor adoptie. In bepaalde bedrijfskritieke toepassingen waar mensen verantwoordelijk worden gehouden, zoals medicijnen en bedrijven, moeten gebruikers het vertrouwen ontwikkelen dat de redenering van de motor klopt. Zichtbaarheid zou het ook gemakkelijker maken om de motor te verbeteren in het geval van valse positieven of valse negatieven. Met een zwarte doos moeten we genoeg gevallen van valse positieven of valse negatieven vinden om de zwarte doos opnieuw op te bouwen. We zullen niet weten of alle variaties of permutaties van die fout zijn aangepakt.

Het goede nieuws: met de adoptie van diep linguïstisch leren, kunnen we volledig en volledig zicht houden op de redenering.

Venkat Srinivasan is de oprichter en CEO van RAGE Frameworks en een succesvolle serie-ondernemer. Hij is ook een voormalig universitair hoofddocent aan het College of Business Administration aan de Northeastern University in Boston. Hij heeft meer dan 30 artikelen gepubliceerd in prestigieuze peer-reviewed tijdschriften en heeft bijgedragen aan nieuwspublicaties zoals: De Wall Street Journal. Hij heeft vijf patenten op het gebied van op kennis gebaseerde automatisering en taalkunde. Hij is de auteur van De intelligente onderneming in het tijdperk van big data (John Wiley & Zonen, 2016).

zich verstoppen