不但语言技术的新突破,NLP来说仍然是一个挑战

语言是人类独有的技能,是人类智慧的体现。在人工智能时代,自然语言处理(NLP)技术赋予机器这样的语言功能,使机器具备自然语言识别能力,为用户体验开辟了新路径。

在最近的Cloud Next 18大会上,我们推出了第一款(行业解决方案产品)——AI,它集成了虚拟助手、智能信息挖掘和情感分析等功能,不仅帮助员工有效解决问题,而且提高了用户体验,展示了人工智能语言技术的新突破。看起来科幻小说中的场景已经成为现实,但为了维系人与机器的关系,机器必须能够实现直观自然的语言交流人工智能与传统计算机程序的区别,这对于 NLP 技术来说仍然是一个挑战。许多公司已经开始研究 NLP,该技术几乎与人工智能一样早出现,但仍处于起步阶段。

语言是人们交流信息的主要工具。如果机器要具有相同的机制,就必须了解人类语言的复杂性以及人类使用语言的行为习惯。其中,情感分析、问答和多任务学习对于机器人来说逐渐成熟。重要途径。

情绪分析

语言本质上是复杂的,一个普通人需要数年时间才能掌握一门陌生的语言。对于机器人来说,如果我们想用人工智能来解析一个给定的陈述,我们首先需要实现情感分析,例如,判断一个电影评论是正面还是负面,或者分析说话者是高兴、生气还是惊讶或悲伤等。从客户服务到在线社区审核再到算法交易,分析数千条推文或数百条产品评论以了解公众对产品的看法的能力非常有价值。

研发人员早就开始在自然语言处理中使用情感分析,随着NLP的进步,情感分析也在不断进步。例如,CRM解决方案提供商推出的产品AI(爱因斯坦人工智能服务)可以帮助客户对电子邮件、社交媒体聊天文本进行情绪分析,进而了解用户信息,从而帮助确定下一个层次的企业客户。一站式产品规划。

首席科学家表示,机器人仅仅实现简单的语义理解是不够的。有时需要一定的上下文,需要通过连接上下文来判断。例如,您是一家生产肥皂的公司,用户说“这款肥皂真的很适合婴儿!” 在产品评论中。从表面语义看,可能是对产品的正面评价,但如果上下文关系到整个语言环境就是对产品的负面评价,那么这句话的意思也可以理解为“这个产品是真的很糟糕!不要在婴儿身上使用!”。因此,NLP 真正的挑战在于理解语言在特定语言上下文中的细微差别,即需要通过简单的标记数据来改进模型训练,

问题答案

NLP的发展加快了信息化的速度,Siri等应用的出现解决了很多常见的自然语言处理问题,但是对于很多棘手的问题,机器仍然没有给我们想要的答案。

为了让计算机达到预期的效果,我们还需要确保计算机能够理解问题。如果你问“我的飞机什么时候到达?” 计算机需要知道您是在谈论飞机的飞行还是您从城外订购的模型飞机,并且它需要使用上下文来猜测我们的话的真正含义。借助 NLP,我们可以让机器学习如何通过上下文分析句子,从而让 AI 一次处理所有上下文,而不会遗漏重要信息。

多任务学习

在 IT 领域,企业更擅长为单个任务构建 AI 模型,但更直观、更细致和上下文相关的对话界面需要不断学习的 AI 模型——将新任务与集成的旧任务结合起来,以学习执行更复杂的任务。对于其他领域,人工智能可能达到这样的标准人工智能与传统计算机程序的区别,但在语言方面,需要很大的灵活性。

这里我们举个例子:“谁是我的客户?”,这是一个足够简单的任务。但是“谁是我的产品在西方的最佳客户?” 现在,我们添加一些复杂的条件,我们需要一系列的集成任务来回答这个问题,例如:“最佳”是如何定义的?西部地区的客户在哪里?什么因素让客户对产品感兴趣?这里我们在查询条件中增加了一项,问题的复杂度显着增加。

最近创建了自然语言十项全能,利用问答的力量在一个模块中解决 NLP 中最棘手的 10 个任务:问答、机器翻译、摘要、自然语言推理、情感分析、语义角色标签、关系提取、目标定向对话,语义分析,常识代词解析。使用多任务问答模型,每个任务作为问答的一种形式,单个模型共同处理不同的任务,无需特定的参数或模块,这不仅意味着开发者无需为每个任务构建、训练和优化模型,但也意味着该模型将具有零样本(zero-shot )能力,也就是说,该模型也可以处理它在没有任何训练的情况下从未执行过的任务。

解释问题的答案实际上非常广泛——你可以问任何你想问的问题——这项研究相当于提供了一个可以解决多个任务的模型。

虽然目前的 NLP 还处于起步阶段,但我们可以看到其巨大的发展潜力。随着人工智能的发展,我们期待全新的自然语言处理技术体验。

关键词:人工智能NLP机器学习编辑器:什么鱼参考地址:

文章来源:http://news.eeworld.com.cn/qrs/2018/ic-news081250579.html

------本页内容已结束,喜欢请分享------

感谢您的来访,获取更多精彩文章请收藏本站。

© 版权声明
THE END
喜欢就支持一下吧
点赞12 分享