Contesto, linguaggio e ragionamento nell'IA: tre sfide chiave

Fornito da Quadri RAGE

Oggi, l'intelligenza artificiale (AI) sta emergendo rapidamente dai laboratori di ricerca e sviluppo e nel mainstream. Le tecnologie intelligenti stanno cambiando ogni aspetto della nostra vita, dal modo in cui lavoriamo, all'assistenza sanitaria, all'istruzione, ai viaggi e ai trasporti. Un esempio: le auto a guida autonoma prodotte da Google e Tesla. Ci sono anche molte applicazioni di successo nello spazio della visione artificiale.

Ma che dire delle applicazioni non visive dell'IA: ovvero, aree che includono dati non spaziali, soprattutto testo e numeri? La piattaforma tecnologica IBM Watson ha notoriamente battuto grandi maestri di scacchi umani e un campione di Jeopardy ed è presente con celebrità negli spot televisivi che annunciano l'arrivo di un pianeta più intelligente. AlphaGo di Google ha recentemente battuto un grande maestro coreano in una sfida ancora più complessa, l'antico gioco del Go.

Tutto ciò significa che l'IA è finalmente arrivata per le applicazioni non di visione? Crediamo che la risposta sia un deciso sì, ma non con gli attuali approcci utilizzati da IBM e Google.

A causa del potenziale rivoluzionario dell'IA, le sue applicazioni nei problemi non visivi hanno suscitato un enorme interesse. Ci sono stati anche tentativi di replicare ciò che funzionava con i dati spaziali e applicarlo al testo (e ai numeri). Mi riferisco a quella che sembra una corsa cieca di approcci computazionali e statisticamente basati per elaborare il linguaggio naturale. Tali approcci tentano di trasformare il testo in dati e quindi cercano schemi profondi in quei dati.

Questa situazione mi ricorda quando i fisici sono entrati nello spazio dei mercati finanziari e hanno tentato di creare modelli predittivi per i dati finanziari. Tali sforzi sono destinati a fallire, come è già successo a diverse aziende. Alla fine, il clamore e l'illusione dell'applicabilità svaniranno. Quindi affronteremo il problema concentrandoci sulle caratteristiche fondamentali dei dati e ideando un approccio concettualmente più valido.

Affrontare un trio di sfide

Le tecnologie di intelligenza artificiale devono superare tre sfide per avere successo nel mondo della non visione (e forse anche nel mondo della visione): linguaggio, contesto e ragionamento.

Un recente Revisione della tecnologia del MIT articolo, AI's Language Problem , indica eloquentemente la prima sfida. Le odierne tecnologie di intelligenza artificiale, comprese quelle IBM Watson e Google AlphaGo, faticano a elaborare il linguaggio come fanno gli esseri umani. Questo perché la grande maggioranza delle attuali implementazioni considera il testo come dati, non come linguaggio. Applicano al testo le stesse tecniche che hanno lavorato sui dati spaziali.

La seconda sfida, la comprensione del contesto, è legata al problema della lingua, ma è sufficientemente significativa da considerarla una questione indipendente. Il testo in linguaggio naturale deve essere elaborato nel giusto contesto. Il giusto contesto può essere sviluppato solo se la tecnologia si concentra sulla struttura del linguaggio, non solo sulle parole nel testo, come sembra fare la maggior parte delle tecnologie attuali, secondo un articolo 2014 in Rivista di intelligenza computazionale IEEE . Poi c'è la terza sfida: la tracciabilità del ragionamento che la soluzione mette in atto per giungere alla sua conclusione.

Varie tecnologie stanno tentando di affrontare tutte e tre le sfide oggi. Diverse soluzioni di intelligenza artificiale aziendale di successo si occupano in modo efficace della trasparenza del linguaggio, del contesto e del ragionamento.

Gestire il linguaggio naturale: dall'elaborazione alla comprensione

Gli attuali metodi per l'elaborazione del linguaggio naturale (NLP) sono in gran parte guidati dalle statistiche computazionali. Questi metodi non tentano di comprendere il testo, ma invece convertono il testo in dati, quindi tentano di imparare dai modelli in quei dati. Nel processo di conversione, perdiamo ogni contesto e significato nel testo. L'assunto alla base di tali approcci è chiaramente che, date le raccolte di testi sufficientemente ampie, devono essere presenti tutte le possibili permutazioni e combinazioni di significato. Pertanto, la scoperta di modelli basati sulle parole dovrebbe rivelare l'intelligenza nel testo, su cui si può quindi agire. Sfortunatamente, quel risultato non si verifica nella maggior parte delle situazioni del mondo reale.

Per affrontare la sfida del linguaggio nell'IA, dobbiamo passare dalla conversione meccanica del linguaggio naturale ai dati attraverso, ad esempio, la logica basata sulle occorrenze delle parole. Possiamo quindi comprendere la lingua utilizzando la sua struttura linguistica e i principi che abbiamo imparato per esprimere i nostri pensieri. Considero questo come un passaggio dalla PNL alla comprensione del linguaggio naturale (NLU). A mio avviso, la PNL è diventata il simbolo dell'approccio meccanico al linguaggio naturale attraverso la conversione del testo in dati. Il nostro vero obiettivo nell'IA è escogitare meccanismi per comprendere il significato del testo scritto.

Una profonda comprensione della struttura linguistica nel testo comporterebbe l'applicazione di diversi principi della linguistica computazionale per scomporre il testo nei concetti e nella verbosità utilizzati per collegarli nel testo. Questo è essenzialmente un reverse engineering del testo alle sue idee fondamentali per capire come quelle idee erano collegate tra loro per formare frasi e paragrafi.

RAGE AI ha dimostrato un apprendimento linguistico così profondo e RAGE Frameworks ha utilizzato questo metodo per creare e distribuire con successo diverse applicazioni di intelligenza artificiale nelle aziende globali.

Comprendere il contesto

NLU implica anche la comprensione del contesto in cui viene utilizzata la lingua. Ma la comprensione del contesto comporta molteplici sfide.

Primo, in molte lingue alcune parole possono essere usate in più sensi. Ciò rende importante eliminare l'ambiguità di tutte queste parole in modo che il loro utilizzo in un particolare documento possa essere compreso accuratamente. La disambiguazione del senso delle parole è un problema in corso in linguistica, ma i ricercatori hanno compiuto progressi significativi nell'affrontarlo.

In secondo luogo, i documenti di testo utilizzano spesso modelli discorsivi specifici del dominio come contratti legali, articoli di notizie, rapporti di ricerca e simili. Alcune proprietà di tali modelli di discorso di dominio dovrebbero essere incorporate nella tecnologia di intelligenza artificiale per migliorare la NLU.

Terzo, usiamo molte parole come proxy nel documento per altri concetti. Ad esempio, più comunemente, diciamo Xerox per copia, FedEx per corriere notturno e così via. La tecnologia AI deve essere in grado di riconoscere e comprendere questi proxy.

Infine, il documento può fare riferimento a conoscenze che non sono esplicitamente incluse nel testo. Possiamo capirlo solo se abbiamo quella conoscenza preliminare.

L'IA deve creare un repository di tale conoscenza globale che possa essere recuperata, nel contesto, per integrare il testo nel documento per ottenere una piena comprensione del significato del testo. L'Automated Knowledge Discoverer in RAGE AI è uno di questi esempi di questa idea, come spiego in modo più approfondito nel mio recente libro, L'impresa intelligente nell'era dei big data (John Wiley & Figli, 2016). Questa tecnologia può scoprire automaticamente idee relative a una nozione ed espressioni con varie relazioni retoriche al concetto di interesse.

Per un periodo di tempo, tale conoscenza e il contesto globale potrebbero dover essere affinati da esperti umani. Ma in un breve periodo, abbiamo scoperto che è possibile creare una conoscenza sufficiente nella macchina per funzionare con un richiamo migliore del 90%. Ad esempio, abbiamo creato un'applicazione di intelligenza artificiale per classificare i contenuti rilevanti per una società di consulenza globale in 20 delle sue aree di attività. L'idea era quella di fornire, in tempo reale, conoscenze distillate a tutti i suoi consulenti, utilizzando le informazioni raccolte da ciascuna area di pratica. La scoperta automatizzata della conoscenza è stata utilizzata per espanderla a una comprensione più globale. Ora, questa applicazione classifica 40 milioni di articoli al mese con una precisione superiore al 90 percento attraverso l'apprendimento linguistico approfondito.

Ragionamento

L'ultima sfida che dobbiamo riconoscere è la visibilità del ragionamento implementato dalla tecnologia di intelligenza artificiale. Quasi tutte le tecnologie di intelligenza artificiale che utilizzano statistiche computazionali sono scatole nere. Non c'è niente di sbagliato in questo di per sé, tranne che quando riceviamo una raccomandazione dalla tecnologia di intelligenza artificiale e non è intuitiva, non abbiamo modo di capirla. Inoltre non sappiamo se sia veramente causale o spurio. Dobbiamo solo fidarci ciecamente.

Naturalmente, ci sono applicazioni in cui tale visibilità potrebbe non avere importanza. Ad esempio, nell'esempio che riguarda il gioco Go, non era importante capire il ragionamento utilizzato dalla macchina per le sue mosse. Un altro esempio: mentre tutti preferiremmo che le ricerche su Internet fossero più pertinenti, i falsi positivi non ci infastidiscono troppo.

D'altra parte, riteniamo che per molte applicazioni tale visibilità sarà essenziale per l'adozione. In alcune applicazioni mission-critical in cui le persone sono ritenute responsabili, come medicina e affari, gli utenti devono sviluppare la fiducia che il ragionamento del motore sia valido. La visibilità renderebbe anche più facile migliorare il motore in caso di falsi positivi o falsi negativi. Con una scatola nera, dobbiamo trovare un numero sufficiente di casi di falsi positivi o falsi negativi per ricostruire la scatola nera. Non avremo modo di sapere se tutte le variazioni o le permutazioni di quell'errore sono state risolte.

La buona notizia: con l'adozione dell'apprendimento linguistico profondo, possiamo mantenere la piena e completa visibilità del ragionamento.

Venkat Srinivasan è il CEO fondatore di RAGE Frameworks e un imprenditore seriale di successo. È anche professore associato al College of Business Administration della Northeastern University di Boston. Ha pubblicato più di 30 articoli su prestigiose riviste peer-reviewed e ha contribuito a testate giornalistiche come Il giornale di Wall Street. È titolare di cinque brevetti nell'area dell'automazione e della linguistica basate sulla conoscenza. È l'autore di L'impresa intelligente nell'era dei big data (John Wiley & Figli, 2016).

nascondere