Forskare på Clova AI Research, NAVER och LINE, har nyligen föreslagit ett nytt ramverk som kallas AQM+ som gör att dialogsystem kan skapa sammanhangsrelevanta frågor och svar. Deras modell, beskrivs i ett papper som för publicerats på arXiv, kommer att presenteras vid den 7:e internationella konferensen om läranderepresentation (ICLR 2019), i New Orleans.

"Samarbete inom maskin och människa-maskin har betraktats som ett betydelsefullt och meningsfullt forskningsämne, särskilt, ur etik och allmänhetens intresse för AI, "Sang-Woo Lee, en av forskarna som genomförde studien, berättade TechXplore. "Med fokus på uppgiftsorienterad dialog (TOD), forskare har fått betydande insikter från GO-spel mellan människor och AlphaGo. Mer specifikt, dessa forskare tror att målinriktade dialogmodeller kan förbättras genom att träna modeller på maskin-maskin-interaktioner i jätteskala, vilket gör att AlphaGo kan slå mänskliga experter. Dock, Jag håller inte helt med om denna idé, eftersom dialog är en uppgift baserad på samarbete mellan två spelare och är fundamentalt annorlunda än Go, vilket är ett tävlingsspel. "

Enligt Lee, uppgiftsorienterad dialog (TOD) liknar spelet 20 frågor, eftersom dialogsystemets mål bör vara att begränsa användarens avsikter och önskemål. I en tidigare studie, Lee och hans kollegor introducerade ett ramverk för uppgiftsorienterade dialogsystem som kallas "svarare i frågeställarens sinne" (AQM) som bygger på denna idé. AQM tillåter dialogsystem att ställa frågor som maximerar deras informationsvinst, minskar osäkerheten om användarens avsikt.

Till skillnad från andra tillvägagångssätt, AQM beräknar explicit den bakre fördelningen och hittar lösningar analytiskt. Trots många fördelar, AQM visade sig generalisera dåligt i verkliga uppgifter, där antalet objekt, frågor och svar är vanligtvis obegränsade.

I deras senaste studie, forskarna tog upp denna begränsning och föreslog ett nytt tillvägagångssätt, AQM+. Till skillnad från deras tidigare tillvägagångssätt, AQM+ kan tillämpas på storskaliga problem, generera frågor och svar som är mer överensstämmande med det föränderliga sammanhanget i en given dialog.

"I likhet med mänsklig dialog, vår AQM+ modellerar vad motståndaren säger och resonerar den mest effektiva strategin för att förstå motståndarens sinne och avsikt, med hjälp av ett informationsteorimått (informationsvinst), " Lee förklarade. "Detta tillvägagångssätt skiljer sig från tidigare neurala nätverksbaserade metoder för TOD, som huvudsakligen använde sekvens-till-sekvens (Seq2Seq) för att direkt generera frågor genom att svara på föregående yttrande. "

Lee och hans kollegor utvärderade AQM+ på ett utmanande uppgiftsorienterat visuellt dialogproblem som heter GuessWhich. Deras modell uppnådde anmärkningsvärda resultat, överträffar de senaste tillvägagångssätten med avsevärd marginal.

"Tillvägagångssättet baserat på vårt 20 frågor-spel i AQM+ för att ifrågasätta användare kan hantera komplexa dialogsituationer där det finns många och olika svar och fall relaterade till generella frågor, samt ja eller nej frågor, " sa Lee. "Detta betyder att vår AQM+ kan tillämpas på olika TOD-situationer i den verkliga världen."

I sina tester, Lee och hans kollegor Jung-Woo Ha, Tong Gao, Sohee Yang och Jaejun Yoo fann att AQM+ minskade felen med 60 procent när en dialog fortskrider, medan befintliga algoritmer uppnådde en felminskning på mindre än 6 procent. Enligt forskarna, AQM+ skulle kunna användas för att generera både öppna och slutna frågor.

"Att effektivt träna modeller från dialogdata på ett end-to-end-sätt är fortfarande mycket utmanande, särskilt för utveckling av TOD -system, "Jung-Woo Ha, en annan forskare involverad i studien, berättade TechXplore. "Även om AQM+ främst fokuserar på förhör för att få användbar information från den som svarat, det kan naturligtvis förlängas genom att inkludera besvara frågor baserade på samma tillvägagångssätt. "

Lä, Ha och deras kollegor överväger nu ett antal riktningar för framtida forskning. För det första, de skulle vilja utveckla sitt tillvägagångssätt ytterligare för att uppnå en allmän inlärningsram för dialog. Deras slutmål är att designa ett system som kan uppnå mänsklig precision i kommunikation med människor.

"I sista hand, vi strävar efter att utveckla ett allmänt AI-ramverk som möjliggör människoliknande maskin-maskin och maskin-mänsklig dialog, " Ha sa. "Som industriforskare, vi kommer att tillämpa vår teknologi på olika tjänster som messenger och AI-assistentplattform, vilket ger större värde för globala användare."

© 2019 Science X Network