Molti di noi chiedono regolarmente indicazioni ai nostri smartphone o di riprodurre musica senza pensare molto alla tecnologia che rende tutto possibile - vogliamo solo un rapido, risposta precisa ai nostri comandi vocali.

Con più aziende che utilizzano l'intelligenza artificiale per varie applicazioni e per interagire con i consumatori, l'industria sta lavorando per rendere queste interazioni più simili a quelle umane, disse Zhu "Drew" Zhang, professore associato di sistemi informativi e Kingland Faculty Fellow in Business Analytics presso l'Ivy College of Business della Iowa State University. Zhang sta contribuendo a questo sforzo migliorando il modo in cui le macchine, come smartphone e computer, comprendere e generare il linguaggio.

"I computer non sono stati costruiti per gestire l'ambiguità del linguaggio umano, " ha detto Zhang. "Abbiamo modi sottili di dire cose con un significato simile, utilizzando parole e strutture linguistiche diverse e questo è difficile da comprendere e imitare per i modelli computazionali".

Zhang dice negli scenari di business, Per esempio, i consumatori possono esprimere opinioni simili con forme linguistiche molto diverse:

• Prima affermazione:niente di questa fotocamera è eccitante.
• Seconda affermazione:non mi piace questo prodotto.

Aiutare le macchine a rilevare la parafrasi è una delle maggiori sfide nel campo dell'elaborazione del linguaggio naturale. Zhang dice che tentare di codificare l'enorme volume di regole linguistiche e le eccezioni associate sarebbe spaventosamente irrealistico. Anziché, ricercatori e leader del settore utilizzano metodi di apprendimento automatico, che utilizzano grandi quantità di dati per insegnare ai computer a riconoscere e comprendere i modelli linguistici nell'uso reale.

Nuovo modello ben accolto

Zhang e Amulya Gupta, uno studente laureato ISU in informatica, sviluppato un nuovo modello computazionale basato sul deep learning per migliorare la precisione, precisione e ricordo di rilevare affermazioni simili nel significato, ma diverso nella formulazione, struttura e lunghezza. Hanno testato il modello usando 50, 000 coppie di frasi campione, simile all'esempio precedente, e l'ho trovato accurato dall'80 all'85 percento.

Questo è incoraggiante, ma Zhang dice che affronta solo "una piccola fetta di un problema più grande" nel campo dell'intelligenza artificiale. Lui e Gupta hanno recentemente presentato un documento sul loro lavoro all'incontro annuale dell'Associazione per la linguistica computazionale in Australia. Zhang afferma che è una delle migliori conferenze per gli operatori del settore, compreso Google, Microsoft e Amazon, così come i principali accademici che lavorano su questo tema.

"La nostra ricerca è stata accolta molto bene, " ha detto Zhang. "Abbiamo parlato con persone di Microsoft e JD, la più grande azienda di e-commerce in Cina, e hanno visto il potenziale nel nostro lavoro."

Far sembrare le macchine umane

Zhang afferma che l'obiettivo è continuare a migliorare il modello per renderlo più applicabile a una varietà di scenari di business. I bot del servizio clienti sono un buon esempio. Invece di premere i pulsanti da un menu di opzioni quando chiami per ricaricare una prescrizione, la maggior parte dei consumatori preferisce ancora parlare con una persona. Zhang dice che non è solo importante che il bot suoni umano, ma deve avere la flessibilità di adattarsi ai singoli chiamanti.

"Questo tipo di capacità aggiunge un tocco umano, " ha detto Zhang. "La capacità di manipolare i linguaggi è ciò che fa sentire umani il bot o le altre macchine".