本篇文章1870字,读完约5分钟
雷锋。在iclr 2017之际,fair Lab写了一篇文章,展示了团队在理解对话方面所做的研究和贡献,这篇文章是由雷锋编辑的。(公开号码:雷锋。未经许可不得复制。
在facebook的人工智能研究中心(fair)建立一个有效的对话系统,理解对话一直被认为是一个宏伟而长期的人工智能研究目标。
一个真正有效的对话系统应该是一种辅助技术,它可能包括一个类似聊天机器人的系统,可以用自然语言与人类交流。它可以帮助人们更好地了解周围的世界,更有效地与周围的人交流,消除交流障碍。随着数字内容数量的增加,开发这样的技术将变得越来越重要。
试图理解和解释对话并不是一个新奇的想法。早在20年前,一些人就试图制造一种机器,人类可以用它来交流并教它如何说话。它们结合了技术和工程,但是使用预编程的脚本响应非常有限。
由于近年来机器学习技术的发展,人工智能代理用自然语言与人类交流已经成为一个更加现实的想法,引起了学术界和工业界的广泛关注。
然而,大多数对话系统仍然是脚本化的:它们的自然语言理解模块可能基于机器学习,但是它们的响应内容通常由if/then语句或规则引擎决定。尽管与几十年前相比有所进步,但它仍然在很大程度上基于其庞大的文本数据库来创建他们的答案。
迎接两端的挑战仍然是一个挑战,这将需要在研究方面取得一系列突破。Fair选择从两个方向来解决这个问题:一般人工智能和机器推理,通过交流和研究现有的对话系统。从聊天机器人的实际使用中学习。公平的优势在于它跨越了两种方法所遇到的多样性。从类似于commai的长期基础研究到类似于fasttext和Facebook M的短期面向应用的尝试。通过这些努力和团队在人工智能领域的专业知识,从深度学习自然语言处理到强化学习、计算机视觉和工程,fair希望在自然语言对话方面取得有意义的进展。
fair对话工作的一个要点是团队如何将其建立在清晰的基础上:
坚实的基础:针对自然语言处理问题的高级学习系统应该比传统方法表现出更好的性能。为了实现这个目标,fair建立了fasttext,它提供了最好的结果,并且具有相对简单易懂的技巧。
清晰的评价:评价一个对话系统是一个难题。费尔为此提出了一个更好的工具。在iclr 2017中,facebook与学术界分享了他们的发现和工具。这些包括commai环境,它训练和评估推理模型,以及babi,它可以用来测试端到端的对话模型。由于fair和facebook m的合作,这些工具已经在实际生产条件下进行了测试。
公开研究:博览会通过会议或预印本公布了几乎所有的研究工作。同样,代码和数据,包括上面提到的两个评估方法,也作为开放源代码发布。就像集市上有多种工作一样,人工智能社区也有很大的多样性。费尔认为,公开对话、共享工具和研究将带来更大的进步。
通过分享知识取得进步。在iclr中,fair提供了七篇论文来说明fair对话研究的质量、创新和广度。Lazaridou等人[6]和commai团队[1]提出了使系统能够发现和使用基本通信技能的方向,这是走向强大人工智能的第一步。李等人提出了两篇关于如何利用实时会话提高端到端会话系统性能的论文[2,5]。Bordes等人在面向目标的场景中将babi引入端到端会话系统的测试中。Fair还展示了grave等人和henaff等人关于机器阅读的两篇论文,他们的研究认识到了机器对文本阅读的限制。
[1] commai:评估迈向有用将军的第一步ai,m . baroni,a . jolin,a . jabri,g . kruszewski,a . lazaridou,k . simonic,t . miko lov
[2]回路中人的对话学习,j . Li,ah miller,s . Chopra,ma ranzato,j . Weston
[3]用连续缓存改进神经语言模型
[4]学习端对端目标导向对话,a bordes,yl boureau,j weston
[5]通过对话互动学习,j . Li,ah miller,s chopra,ma ranzato,j . Weston
[6]多主体合作与(自然)语言的出现,a lazaridou,a peysakhovich,m baroni
[7]用循环实体网络跟踪世界状态,m . he naff,j . Weston,a . szlam,a . bordes,y . le Cun
雷锋编辑的《生活研究》
雷锋文章版权所有。严禁擅自转载。详情请参考转载说明。
来源:搜狐微门户
标题:FAIR 实验室的 ICLR 2017:理解对话是一场漫长的博弈
地址:http://www.shwmhw.com/shxw/60074.html