Kompreni kaj prilabori parolreferencojn estas granda defio por la direkto de naturlingva prilaborado en la kunteksto de AI-asistantoj kiel Amazon Alexa. Ĉi tiu problemo kutime implikas ĝuste asocii pronomojn en uzantdemandoj kun implicitaj konceptoj, ekzemple, kompari la pronomon "ili" en la deklaro "ludu ilian lastan albumon" kun iu muzika artisto. Fakuloj pri AI ĉe Amazon aktive laboras pri teknologio, kiu povus helpi AI prilabori tiajn petojn per aŭtomata reformulo kaj anstataŭigo. Do, la peto "Ludu ilian lastan albumon" estos aŭtomate anstataŭigita per "Ludu la plej novan albumon de Imagine Dragons". En ĉi tiu kazo, la vorto necesa por anstataŭigo estas elektita laŭ probabilisma aliro kalkulita per maŝinlernado.
Sciencistoj prepara rezulto de lia laboro en antaŭpresaĵo kun sufiĉe malfacila titolo - "Skalado de ŝtatspurado de plurdomajna dialogo uzante demandreformulon." Baldaŭ oni planas prezenti ĉi tiun esploron ĉe la nordamerika filio de la Asocio por Komputila Lingvistiko.
"Ĉar nia motoro pri reformulado de demandoj uzas ĝeneralajn principojn por apliki parolajn ligilojn, ĝi ne dependas de ajna specifa informo pri la aplikaĵo, kie ĝi estos uzata, do ĝi ne postulas retrejnadon kiam ni uzas ĝin por etendi la kapablojn de Alexa," klarigis. Arit Gupta (Arit Gupta), lingvistiko fakulo ĉe Amazon Alexa AI. Li rimarkis, ke ilia nova teknologio, nomita CQR (kunteksta demanda reverkado), tute liberigas la internan voĉasistantan kodon de ajna zorgo pri paroladreferencoj en demandoj.
Unue, la AI determinas la ĝeneralan kuntekston de la peto: kiajn informojn la uzanto volas ricevi aŭ kian agon fari. Dum la dialogo kun la uzanto, la AI klasifikas ŝlosilvortojn, stokante ilin en specialaj variabloj por plua uzo. Se la sekva peto enhavas iun referencon, la AI provos anstataŭigi ĝin per la plej verŝajna el la konservitaj kaj semantike taŭgaj vortoj, kaj se ĉi tio ne estas en memoro, ĝi turnos sin al la interna vortaro de la plej ofte uzataj valoroj. , kaj poste rekonstruu la peton kun la anstataŭaĵo aplikita, por transdoni ĝin al la voĉa asistanto por ekzekuto.
Kiel Gupta kaj kolegoj notas, CQR funkcias kiel antaŭpretiga tavolo por voĉaj komandoj kaj temigas nur la sintaksajn kaj semantikajn signifojn de vortoj. En eksperimentoj kun speciale trejnita datumaro, CQR plibonigis demandprecizecon je 22% kiam la ligo en la nuna demando rilatas al vorto kiu estis uzita en la plej lastatempa respondo, kaj je 25% kiam la ligo en la nuna eldiro rilatas al vorto. el antaŭa eldiro.
fonto: 3dnews.ru