Ricercatori presso Clova AI Research, NAVER e LINE, hanno recentemente proposto un nuovo framework chiamato AQM+ che consente ai sistemi di dialogo di generare domande e risposte pertinenti al contesto. Il loro modello, delineato in un documento pre-pubblicato su arXiv, sarà presentato alla 7th International Conference on Learning Representation (ICLR 2019), a New Orleans.

"La collaborazione intra-macchina e uomo-macchina è stata considerata un argomento di ricerca significativo e significativo, in particolare, dal punto di vista dell'etica e dell'interesse pubblico per l'IA, " Sang-Woo Lee, uno dei ricercatori che ha condotto lo studio, ha detto a TechXplore. "Concentrarsi sul dialogo orientato alle attività (TOD), i ricercatori hanno ottenuto notevoli informazioni dai giochi GO tra umani e AlphaGo. Più specificamente, questi ricercatori pensano che i modelli di dialogo orientati agli obiettivi possano essere migliorati addestrando modelli su interazioni macchina-macchina su scala gigante, che consente ad AlphaGo di battere gli esperti umani. Però, Non sono del tutto d'accordo con questa idea, perché il dialogo è un compito basato sulla collaborazione tra due giocatori ed è fondamentalmente diverso da Go, che è un gioco di competizione".

Secondo Lee, il dialogo orientato al compito (TOD) ricorda il gioco 20 Domande, poiché l'obiettivo del sistema di dialogo dovrebbe essere quello di restringere gli intenti e le richieste di un utente. In uno studio precedente, Lee e i suoi colleghi hanno introdotto una struttura per i sistemi di dialogo orientati alle attività chiamato "rispondente nella mente dell'interrogante" (AQM) che si basa su questa idea. AQM consente ai sistemi di dialogo di porre domande che massimizzano il loro guadagno di informazioni, riducendo l'incertezza dell'intento dell'utente.

A differenza di altri approcci, AQM calcola esplicitamente la distribuzione a posteriori e trova soluzioni analiticamente. Nonostante i suoi numerosi vantaggi, È stato riscontrato che AQM generalizza male nelle attività del mondo reale, dove il numero di oggetti, le domande e le risposte sono generalmente illimitate.

Nel loro recente studio, i ricercatori hanno affrontato questa limitazione e hanno proposto un nuovo approccio, AQM+. A differenza del loro approccio precedente, AQM+ può essere applicato a problemi su larga scala, generare domande e risposte più coerenti con il contesto mutevole di un determinato dialogo.

"Simile al dialogo umano, il nostro AQM+ modella ciò che dice l'avversario e ragiona sulla strategia più efficace per afferrare la mente e l'intento dell'avversario, utilizzando una metrica della teoria dell'informazione (guadagno di informazioni), " ha spiegato Lee. "Questo approccio è diverso dai precedenti metodi basati su reti neurali per TOD, che utilizzava principalmente sequenza a sequenza (Seq2Seq) per generare direttamente domande rispondendo all'espressione precedente."

Lee e i suoi colleghi hanno valutato AQM+ su un impegnativo problema di dialogo visivo orientato alle attività chiamato GuessWhich. Il loro modello ha ottenuto risultati notevoli, superando gli approcci allo stato dell'arte con un margine considerevole.

"L'approccio basato sul nostro gioco delle 20 domande in AQM+ per interrogare gli utenti può affrontare situazioni di dialogo complesse in cui esistono molte e varie risposte e casi relativi a domande di forma generale, così come domande sì o no, "Ha detto Lee. "Ciò significa che il nostro AQM+ può essere applicato a diverse situazioni TOD nel mondo reale".

Nei loro test, Lee e i suoi colleghi Jung-Woo Ha, Tong Gao, Sohee Yang e Jaejun Yoo hanno scoperto che AQM+ ha ridotto gli errori del 60 percento man mano che il dialogo procede, mentre gli algoritmi esistenti hanno ottenuto una riduzione degli errori inferiore al 6%. Secondo i ricercatori, AQM+ può essere utilizzato per generare domande aperte e chiuse.

"Formare efficacemente i modelli dai dati di dialogo in modo end-to-end rimane molto impegnativo, in particolare per lo sviluppo di sistemi TOD, "Jung-Woo Ha, un altro ricercatore coinvolto nello studio, ha detto a TechXplore. "Sebbene AQM+ si concentri principalmente sulle domande per ottenere informazioni utili da chi risponde, può essere naturalmente esteso includendo risposte alle domande basate sullo stesso approccio."

Lee, Ha e i suoi colleghi stanno ora valutando una serie di direzioni per la ricerca futura. in primo luogo, vorrebbero sviluppare ulteriormente il loro approccio al fine di ottenere un quadro generale di apprendimento per il dialogo. Il loro obiettivo finale è progettare un sistema in grado di raggiungere un'accuratezza simile a quella umana nella comunicazione con gli umani.

"In definitiva, miriamo a sviluppare un quadro generale di intelligenza artificiale che consenta dialoghi macchina-macchina e macchina-uomo simili all'uomo, " Ha detto. "Come scienziati della ricerca industriale, applicheremo le nostre tecnologie a diversi servizi come la piattaforma di messaggistica e assistente AI, offrendo così un valore maggiore per gli utenti globali."

© 2019 Science X Network