Beslutsvetenskapen, AI och Natural Language Processing-teamet vid IBM Research-Ireland presenterade nyligen ett konferensbidrag som heter "Decision Conversations Decoded" vid den 16:e årliga konferensen för North American Chapter av Association for Computational Linguistics:Human Language Technologies (NAACL HLT). Teamet presenterade också en demo av vår virtuella assistentprototyp, som analyserar samverkande beslutsdiskussioner för att identifiera alternativ och kriterier. Utvecklingen av detta konversationsanalysverktyg är en del av en stor mängd forskning inom naturlig språkbehandling vid IBM Research AI, en nyckelfaktor i vårt uppdrag att utveckla bred AI som lär sig över olika discipliner för att öka mänsklig intelligens. Naturlig språkbehandling är en central komponent i IBM Project Debater, som debuterade förra veckan. Project Debater är det första AI-systemet som kan debattera människor om komplexa ämnen och representerar ett stort steg mot att behärska språk, en av de stora gränserna inom AI.

Under loppet av en dag, vi fattar tusentals beslut medvetet eller omedvetet, sammanställa valen för att hjälpa till att fatta ett beslut. När vi samlar in information bedömer vi också alternativa lösningar. Vissa av dessa beslut är enkla medan andra kan vara mer komplicerade att lösa. I företagsinställningar, beslutsprocessen kan ofta vara mer utmanande eller utdragen och involvera flera parter. Under sådana samarbetsmöten, det kan vara svårt att aktivt delta i en diskussion, samtidigt som man spelar in, spåra och identifiera vem som sa vad, varför sa de något till vem, eller utvärdera lösningsprocessen.

Med spridningen av inspelningsenheter i våra professionella och privata liv (t.ex. telefonkonferenser, intelligenta personliga assistenter eller gruppchattutbyten som Slack), det skulle vara till hjälp att utveckla naturliga språkbehandlingsbaserade motorer för att automatiskt extrahera beslutsrelaterade begrepp som alternativ och kriterier från beslutssamtal och använda den informationen för att underlätta beslutsdiskussionerna. Som utgångspunkt, en sådan teknik skulle kunna ge input för att generera en visualisering av beslutsdiskussionen så att en grupp kan konsultera den för att identifiera underutvecklade idéer eller alternativ, och att påminna om punkter av konsensus och oliktänkande. Det skulle fungera som en sammanfattning, göra det möjligt för personer som har missat en beslutsdiskussion att komma ikapp eller mer enkelt påminna en beslutsfattare om de argument som togs upp så att hon kan fatta sitt beslut vid ett senare tillfälle.

Systemutdata kan också användas för att dokumentera beslutsprocessen på ett strukturerat sätt. Denna information är i sin tur nyckeln till att bättre förstå maktspel och förhandlingar i gruppbeslutsfattande. Mer praktiskt, det kan vara viktigt att bevisa överensstämmelse med processer, till exempel en finansiell rådgivare som visar att hon har presenterat rimliga investeringsalternativ för sina kunder.

På IBM Research-Ireland tittar vi på hur beslutsprocessen kan utökas genom att automatiskt spåra en beslutsdiskussion genom en virtuell facilitator – en som analyserar en diskussion, extraherar alla beslutselement (t.ex. alternativen, kriterier, begränsningar, och avvägningar), och grupperar dessa element efter ämne, samtidigt som man associerar alla alternativ till beslutsstödskriterierna.

Vi har skapat och utvecklat en uppsättning informationsextraktionsalgoritmer, och kombinerat dessa med ett webbgränssnitt för att underlätta beslutsdiskussioner. Den håller reda på vilka affärsalternativ som övervägs i diskussionen och registrerar vad som föreslås av mötesbidragsgivarna. Den organiserar gruppens samlade tankar i en övergripande sammanfattning av deras fattade beslut. Den belyser också hur ett visst beslut togs och underlättar vidare diskussioner.

För att identifiera beslutselement inom ett möte, vi kommenterade en mängd hämtad datamängd känd som AMI Meeting Corpus, en multimodal datamängd bestående av 100 timmars mötesinspelningar. Vi märkte sedan beslutselement från utskrifterna som alternativ (alternativ som övervägs som lösningar på beslutet) och kriterier (faktorer som styr alternativen). Denna kommenterade korpus användes sedan för att träna en uppsättning övervakade klassificerare för att automatiskt extrahera beslutsfattande element. En annan algoritm behandlar sedan det extraherade beslutet och kriterierna för att identifiera den uttryckta känslan mot de extraherade elementen. I huvudsak, om en deltagare nämner ett specifikt alternativ, det är viktigt att skilja på om han eller hon stöder eller snarare motsätter sig det specifika alternativet. Till sist, en klustringsmetod används på varje klass av extraherade element (alternativ och kriterier) för att gruppera dem semantiskt. Till exempel, omnämnanden av trendiga, fashionabla eller stilfulla som kriterier skulle grupperas tillsammans eftersom de representerar samma koncept överlag.

Som virtuell facilitator, Systemets mål är att förstärka beslutsfattandet i samarbete, ge alla involverade intressenter möjlighet att bidra med sitt perspektiv och göra beslutsprocessen effektiv och transparent. Vi föreställer oss vårt verktyg som ett API för utvecklare för att förbättra tal-till-text-applikationer, och integrera den i ett smart mötesrum eller stödfunktioner för inspelning av konferenssamtal. Potentialen för vårt algoritmiska tillvägagångssätt är omfattande för gruppmötesdiskussioner, till exempel, inom finans, design, personalavdelning, teknik eller i operativa beslutsprocesser över företag och branscher.