Software che legge Harry Potter potrebbe eseguire alcune magie

Insegnare a un computer a giocare a Go a un livello sovrumano è bello, ma non particolarmente utile per te o per me. Ma cosa accadrebbe se un computer potesse leggere alcune dozzine di pagine di testo, come il manuale di un nuovo forno a microonde, e poi rispondere a domande su come funziona? Iscrivimi.

Leggere e comprendere il testo è incredibilmente difficile per i computer, ma una società canadese ha chiamato Maluba ha fatto progressi con un algoritmo in grado di leggere il testo e rispondere a domande al riguardo con una precisione impressionante. Soprattutto, a differenza di altri approcci, funziona solo con piccole quantità di testo. Alla fine potrebbe aiutare i computer a comprendere i documenti.

I ricercatori di Maluuba hanno pubblicato a carta descrivendo i loro ultimi progressi la scorsa settimana. Descrive un algoritmo in grado di leggere diverse centinaia di storie per bambini combinate con domande e risposte su ogni testo. Dopo l'addestramento, l'algoritmo potrebbe rispondere correttamente a domande a scelta multipla su un testo sconosciuto con una precisione superiore al 70%. I ricercatori hanno anche testato l'algoritmo sul testo di Harry Potter e la pietra filosofale e ha scoperto che potrebbe rispondere a domande su quel testo con una precisione simile.

Al di là dei progressi accademici, Maluuba spera di creare alla fine un sistema in grado di occuparsi della lettura banale per tuo conto. Siamo interessati a casi d'uso come manuali utente, cartelle cliniche o documenti del servizio clienti, afferma Mohamed Musbah, vicepresidente del prodotto per l'azienda, che ha sede a Waterloo, in Canada. In quelle aree, non hai davvero un eccesso di dati.

Il team di Maluuba ha utilizzato un popolare approccio di apprendimento della rete neurale noto come deep learning per addestrare il proprio sistema. Ma i ricercatori hanno progettato la loro rete per considerare il testo a diversi livelli di astrazione, dalle parole alle frasi alle frasi, e hanno anche preparato la rete per essere bravi ad apprendere in questo modo prima dell'allenamento. Di solito le reti di deep learning vengono configurate in modo casuale prima della formazione. Ciò ha consentito alla rete di apprendere molto rapidamente e ha portato a risposte alle domande migliori del 15% rispetto a quanto ottenuto prima dell'utilizzo di un approccio di apprendimento profondo. Era anche il 2% migliore rispetto alla migliore soluzione codificata a mano.

Sulla faccia dei numeri, è un grande salto, dice Yoshua Bengio , professore all'Università di Montreal e consulente scientifico di Maluuba. Ma Bengio, che è uno dei pochi guru del deep learning che ora lavorano con le aziende sugli sforzi di intelligenza artificiale commerciale, avverte che ci vorrà del tempo prima che gli esperti analizzino il significato dell'approccio.

L'idea di insegnare alle macchine a leggere e comunicare in modo efficace usando la lingua è sicuramente allettante. Potrebbe aprire nuovi potenti modi per interagire con i computer e estrarre informazioni. Ma la comprensione del testo è una delle maggiori sfide dell'intelligenza artificiale; i computer di solito sono inciampati dal fatto che il linguaggio richiede una profonda comprensione del modo in cui funziona il mondo reale.

Nonostante le sfide, alcune delle più grandi aziende tecnologiche stanno cercando di sviluppare IA in grado di comprendere il testo. Facebook sta raccogliendo dati di conversazione attraverso un servizio di assistenza chiamato M nel tentativo di addestrare i suoi algoritmi a conversare in modo naturale (vedi Macchine per insegnarci a capirci). Google DeepMind, una sussidiaria di Alphabet focalizzata sulla ricerca sull'intelligenza artificiale, sta svolgendo un lavoro simile, formando sistemi di deep learning per leggere i riepiloghi degli articoli di notizie (vedi Google DeepMind insegna a leggere le macchine di intelligenza artificiale).

Finora, tuttavia, non ci sono state grandi scoperte e non è chiaro quanto possa essere difficile dotare le macchine di sofisticate capacità di comprensione della lettura. I ricercatori stanno facendo progressi in gran parte modificando e migliorando le tecniche chiave di apprendimento automatico e fornendo ai computer grandi quantità di testo annotato.

Il tipo di approccio di apprendimento automatico impiegato dai ricercatori di Maluuba normalmente richiede enormi porzioni di testo per poter apprendere. In effetti, la quantità di testo richiesta per far funzionare il deep learning è stata spesso considerata uno dei suoi principali fattori limitanti (vedi Can This Man Make AI More Human?). Una sfida fondamentale con il linguaggio è che le parole usate per rappresentare concetti diversi sono arbitrarie, quindi è più difficile tracciare connessioni tra loro che per le immagini.

Maluuba, avviato da diversi laureati dell'Università di Waterloo nel 2010, ha precedentemente sviluppato un assistente personale intelligente per smartphone e ha concentrato le sue ricerche sull'elaborazione del linguaggio naturale o sulla comprensione automatica.

Penso che sia certamente un passo avanti, dice Riccardo Socher , cofondatore di una società di intelligenza artificiale chiamata MetaMind, che sta anche lavorando sull'elaborazione del linguaggio. È un sistema molto ben progettato che combina caratteristiche di elaborazione del linguaggio naturale tradizionali ben note e consolidate con idee provenienti da reti neurali.

Chris Dyer , un ricercatore della Carnegie Mellon University specializzato nell'elaborazione del linguaggio naturale, concorda sul fatto che i risultati di Maluuba siano impressionanti, ma ritiene che le macchine dovranno acquisire una comprensione genuina del mondo per poter conversare correttamente, al contrario della capacità di disegnare statistiche conclusioni dal testo. Questo probabilmente significherà andare oltre l'apprendimento puramente dal testo annotato.

I computer sono troppo limitati in termini di percezione e comprensione del mondo, dice Dyer.

nascondere