Pochopení a zpracování řečových referencí je velkou výzvou pro směr zpracování přirozeného jazyka v kontextu asistentů AI, jako je Amazon Alexa. Tento problém obvykle zahrnuje správné přiřazování zájmen v uživatelských dotazech k implikovaným pojmům, například porovnání zájmena „oni“ ve výroku „hrát jejich nejnovější album“ s nějakým hudebním umělcem. Odborníci na umělou inteligenci z Amazonu aktivně pracují na technologii, která by mohla pomoci umělé inteligenci zpracovat takové požadavky prostřednictvím automatického přeformulování a nahrazení. Požadavek „Přehrát jejich nejnovější album“ bude tedy automaticky nahrazen „Přehrát nejnovější album Imagine Dragons“. V tomto případě je slovo potřebné pro nahrazení vybráno v souladu s pravděpodobnostním přístupem vypočítaným pomocí strojového učení.
Vědci předběžný výsledek jeho práce v předtisku s poměrně obtížným názvem – „Scaling state tracking of multi-domain dialog using query reformulation“. V blízké budoucnosti se plánuje prezentace tohoto výzkumu na severoamerické pobočce Association for Computational Linguistics.
„Protože náš modul pro přeformulování dotazů používá obecné principy pro aplikaci hlasových odkazů, nezávisí na žádných konkrétních informacích o aplikaci, kde bude použit, takže nevyžaduje přeškolení, když jej používáme k rozšíření schopností Alexy,“ vysvětlil. Arit Gupta (Arit Gupta), odborník na lingvistiku ve společnosti Amazon Alexa AI. Poznamenal, že jejich nová technologie, nazvaná CQR (contextual query rewriting), zcela osvobozuje kód interního hlasového asistenta od jakýchkoli obav z řečových odkazů v dotazech.
Za prvé, AI určuje obecný kontext požadavku: jaké informace chce uživatel obdržet nebo jakou akci provést. Během dialogu s uživatelem AI klasifikuje klíčová slova a ukládá je do speciálních proměnných pro další použití. Pokud další požadavek obsahuje nějakou referenci, AI se ji pokusí nahradit nejpravděpodobnějším z uložených a sémanticky vhodných slov, a pokud tato není v paměti, přejde do interního slovníku nejčastěji používaných hodnot. a poté znovu sestavit požadavek s použitou náhradou, aby jej předal hlasovému asistentovi k provedení.
Jak zdůrazňuje Gupta a kolegové, CQR funguje jako vrstva předběžného zpracování pro hlasové příkazy a zaměřuje se pouze na syntaktické a sémantické významy slov. V experimentech se speciálně vyškoleným souborem dat zlepšilo CQR přesnost dotazu o 22 %, když odkaz v aktuálním dotazu odkazuje na slovo, které bylo použito v poslední odpovědi, a o 25 %, když odkaz v aktuálním výroku odkazuje na slovo. z předchozího výroku.
Zdroj: 3dnews.ru