Wir reden die ganze Zeit über Computer, die uns verstehen. Wir sagen, dass Google "wüsste", wonach wir gesucht haben, oder dass Cortana das "verstanden" hat, was wir gesagt haben, aber "Verständnis" ist ein sehr schwieriges Konzept. Vor allem, wenn es um Computer geht.
Ein Bereich der Computerlinguistik, genannt Natural Language Processing (NLP), arbeitet an diesem besonders schwierigen Problem. Es ist ein faszinierendes Feld, und sobald Sie eine Vorstellung davon haben, wie es funktioniert, werden Sie seine Auswirkungen überall sehen.
Eine kurze Anmerkung: Dieser Artikel enthält einige Beispiele für einen Computer, der auf Sprache reagiert, etwa wenn Sie Siri um etwas bitten. Die Umwandlung von hörbarer Sprache in ein computerverständliches Format wird Spracherkennung genannt. NLP kümmert sich nicht darum (zumindest in der Kapazität, die wir hier diskutieren). NLP kommt erst zum Einsatz, wenn der Text fertig ist. Beide Prozesse sind für viele Anwendungen notwendig, aber sie sind zwei sehr unterschiedliche Probleme.
Verständnis definieren
Bevor wir uns damit befassen, wie Computer mit natürlicher Sprache umgehen, müssen wir einige Dinge definieren.
Zuallererst müssen wir die natürliche Sprache definieren. Das ist einfach: Jede Sprache, die von Menschen regelmäßig benutzt wird, fällt in diese Kategorie. Es enthält keine Dinge wie konstruierte Sprachen (Klingonisch, Esperanto) oder Programmiersprachen. Sie verwenden natürliche Sprache, wenn Sie mit Ihren Freunden sprechen. Sie verwenden es wahrscheinlich auch, um mit Ihrem digitalen persönlichen Assistenten zu sprechen.
Was meinen wir damit, wenn wir Verständnis sagen? Nun, es ist komplex. Was bedeutet es, einen Satz zu verstehen? Vielleicht würden Sie sagen, dass dies bedeutet, dass Sie nun den beabsichtigten Inhalt der Nachricht in Ihrem Gehirn haben. Das Verständnis eines Konzepts könnte bedeuten, dass Sie dieses Konzept auf andere Gedanken anwenden können.
Wörterbuchdefinitionen sind nebulös. Es gibt keine intuitive Antwort. Philosophen haben über solche Dinge seit Jahrhunderten gestritten.
Für unsere Zwecke werden wir sagen, dass Verstehen die Fähigkeit ist, die Bedeutung der natürlichen Sprache genau zu extrahieren . Damit ein Computer dies versteht, muss er einen eingehenden Sprachfluss genau verarbeiten, diesen Stream in Bedeutungseinheiten umwandeln und in der Lage sein, auf die Eingabe mit etwas zu reagieren, das nützlich ist.
Offensichtlich ist das alles sehr vage. Aber es ist das Beste, was wir mit begrenztem Raum (und ohne Neurophilosophie-Grad) tun können. Wenn ein Computer eine menschenähnliche oder zumindest nützliche Antwort auf einen Strom natürlicher Spracheingaben bieten kann, können wir sagen, dass er versteht. Dies ist die Definition, die wir in Zukunft verwenden werden.
Ein komplexes Problem
Natürliche Sprache ist für einen Computer sehr schwierig zu handhaben. Man könnte sagen: "Siri, gib mir eine Wegbeschreibung zu Punch Pizza", während ich vielleicht sagen könnte: "Siri, Punch Pizza Route, bitte."
In Ihrer Aussage könnte Siri das Schlüsselwort "Geben Sie mir Anweisungen" auswählen und dann einen Befehl ausführen, der sich auf den Suchbegriff "Punsch-Pizza" bezieht. In meinem muss Siri jedoch "Route" als Schlüsselwort auswählen und weiß " Punch Pizza "ist, wo ich hin will, nicht" bitte ". Und das ist nur ein simples Beispiel.
Denken Sie an eine künstliche Intelligenz, die E-Mails liest und entscheidet, ob sie Betrügereien sind oder nicht. Oder eines, das Social-Media-Beiträge überwacht, um das Interesse an einem bestimmten Unternehmen zu messen. Ich habe einmal an einem Projekt gearbeitet, bei dem wir einen Computer unterrichten mussten, um medizinische Notizen (die alle möglichen seltsamen Konventionen enthalten) zu lesen und Informationen von ihnen zu erhalten.
Dies bedeutet, dass das System in der Lage sein musste, mit Abkürzungen, seltsamer Syntax, gelegentlichen Rechtschreibfehlern und einer großen Vielfalt anderer Unterschiede in den Notizen umzugehen. Es ist eine sehr komplexe Aufgabe, die selbst für erfahrene Menschen, geschweige denn für Maschinen, schwierig sein kann.
Ein Beispiel setzen
In diesem speziellen Projekt war ich Teil des Teams, das dem Computer beibrachte, bestimmte Wörter und die Beziehungen zwischen Wörtern zu erkennen. Der erste Schritt des Prozesses bestand darin, dem Computer die Informationen zu zeigen, die jede Note enthielt, also notierten wir die Notizen.
Es gab eine große Anzahl verschiedener Kategorien von Entitäten und Beziehungen. Nehmen Sie den Satz "Frau" Grüne Kopfschmerzen wurden beispielsweise mit Ibuprofen behandelt. Frau Green wurde als PERSON markiert, Kopfschmerzen wurden als SIGN OR SYMPTOM markiert, Ibuprofen wurde als MEDICATION getaggt. Dann wurde Frau Green mit einer PRÄSENTS-Beziehung mit Kopfschmerzen verbunden. Schließlich wurde Ibuprofen mit Kopfschmerzen in Verbindung gebracht.
Wir haben Tausende von Notizen auf diese Weise markiert. Wir kodierten Diagnosen, Behandlungen, Symptome, zugrundeliegende Ursachen, Komorbiditäten, Dosierungen und alles, was Sie sonst noch von Medikamenten halten könnten. Andere Anmerkungsteams codierten andere Informationen wie Syntax. Am Ende hatten wir ein Korpus voller medizinischer Notizen, die die KI "lesen" konnte.
Lesen ist ebenso schwer zu definieren wie Verstehen. Der Computer kann leicht erkennen, dass Ibuprofen Kopfschmerzen behandelt, aber wenn er diese Informationen lernt, wird er in sinnlose (für uns) Einsen und Nullen umgewandelt. Es kann sicherlich Informationen zurückgeben, die menschenähnlich und nützlich sind, aber stellt das Verständnis dar, was künstliche Intelligenz nicht ist, was künstliche Intelligenz nicht ist. Sind intelligente, empfindungsfähige Roboter dabei, die Welt zu übernehmen? Nicht heute - und vielleicht auch nie. Weiterlesen ? Auch hier handelt es sich weitgehend um eine philosophische Frage.
Das echte Lernen
An diesem Punkt ging der Computer durch die Notizen und wandte eine Reihe von maschinellen Lernalgorithmen an. 4 Maschinelle Lernalgorithmen, die Ihr Leben formen 4 Maschinelle Lernalgorithmen, die Ihr Leben formen Sie werden es vielleicht nicht erkennen, aber maschinelles Lernen ist schon überall Es kann einen überraschenden Einfluss auf Ihr Leben ausüben. Glaub mir nicht? Sie könnten überrascht sein. Weiterlesen . Programmierer entwickelten verschiedene Routinen zum Markieren von Sprachteilen, Analysieren von Abhängigkeiten und Wahlkreisen und Benennen semantischer Rollen. Im Wesentlichen lernte die KI, die Notizen "zu lesen".
Forscher könnten es schließlich testen, indem sie ihm eine medizinische Note geben und sie bitten, jede Entität und Beziehung zu beschriften. Wenn der Computer menschliche Anmerkungen akkurat reproduziert, könnte man sagen, dass er gelernt hat, die medizinischen Notizen zu lesen.
Danach ging es nur darum, eine große Menge an Statistiken darüber zu sammeln, was es gelesen hatte: Welche Medikamente werden verwendet, um welche Störungen zu behandeln, welche Behandlungen am effektivsten sind, die zugrunde liegenden Ursachen bestimmter Symptome und so weiter. Am Ende des Prozesses wäre die KI in der Lage, medizinische Fragen basierend auf Beweisen aus tatsächlichen medizinischen Notizen zu beantworten. Es muss nicht auf Lehrbücher, Pharmaunternehmen oder Intuition angewiesen sein.
Tiefes Lernen
Schauen wir uns ein anderes Beispiel an. Googles neuronales Netzwerk DeepMind lernt, Nachrichtenartikel zu lesen. Wie die oben erwähnte biomedizinische KI wollten die Forscher relevante und nützliche Informationen aus größeren Textteilen herausholen.
Das Training einer KI für medizinische Informationen war hart genug, sodass Sie sich vorstellen können, wie viele annotierte Daten Sie benötigen, um eine KI in die Lage zu versetzen, allgemeine Nachrichtenartikel zu lesen. Es wäre unerschwinglich teuer und zeitraubend, genügend Annotatoren anzuheuern und genügend Informationen zu erhalten.
Also wandte sich das DeepMind-Team an eine andere Quelle: Nachrichten-Websites. Insbesondere CNN und die Daily Mail.
Warum diese Seiten? Weil sie Aufzählungen ihrer Artikel liefern, die nicht einfach nur Sätze aus dem Artikel ziehen. Das bedeutet, dass die KI etwas zu lernen hat. Die Forscher sagten der KI im Grunde: "Hier ist ein Artikel und hier ist die wichtigste Information drin." Dann fragten sie ihn, ob er die gleiche Art von Informationen aus einem Artikel ohne hervorgehobene Hervorhebungen herausholen könnte.
Dieses Komplexitätsniveau kann durch ein tiefes neuronales Netzwerk bewältigt werden, das eine besonders komplizierte Art von maschinellem Lernsystem darstellt. (Das DeepMind-Team macht bei diesem Projekt einige erstaunliche Dinge. Um die Einzelheiten zu erfahren, schauen Sie sich diesen tollen Überblick im MIT Technology Review an.)
Was kann eine Lese-KI tun?
Wir haben jetzt ein allgemeines Verständnis davon, wie Computer lesen lernen. Du nimmst eine riesige Menge an Text, erzählst dem Computer, was wichtig ist, und wenden einige maschinelle Lernalgorithmen an. Aber was können wir mit einer KI machen, die Informationen aus dem Text zieht?
Wir wissen bereits, dass Sie bestimmte verwertbare Informationen aus medizinischen Notizen ziehen und allgemeine Nachrichtenartikel zusammenfassen können. Es gibt ein Open-Source-Programm namens PAN, das Poesie analysiert, indem es Themen und Bilder herauszieht. Forscher nutzen häufig maschinelles Lernen, um große Körperschaften von Social-Media-Daten zu analysieren, die von Unternehmen verwendet werden, um Nutzermeinungen zu verstehen, zu sehen, worüber Leute sprechen und nützliche Muster für das Marketing zu finden.
Die Forscher nutzten maschinelles Lernen, um Einblicke in das E-Mail-Verhalten und die Auswirkungen von E-Mail-Überlastung zu erhalten. E-Mail-Provider können damit Spam aus Ihrem Posteingang herausfiltern und einige Nachrichten mit hoher Priorität klassifizieren. Das Lesen von AIs ist entscheidend für die Erstellung effektiver Chatbots für den Kundenservice 8 Bots, die Sie Ihrer Facebook Messenger App hinzufügen sollten 8 Bots, die Sie Ihrer Facebook Messenger App hinzufügen sollten Facebook Messenger hat sich für Chat-Bots geöffnet, sodass Unternehmen Kundenservice, Nachrichten und mehr direkt anbieten können zu dir über die App. Hier sind einige der besten verfügbaren. Weiterlesen . Überall dort, wo Text ist, arbeitet ein Forscher an der Verarbeitung natürlicher Sprache.
Und wenn sich diese Art des maschinellen Lernens verbessert, erhöhen sich die Möglichkeiten nur. Computer sind jetzt besser als Menschen bei Schach, Go und Videospielen. Bald sind sie vielleicht besser darin zu lesen und zu lernen. Ist dies der erste Schritt in Richtung starke künstliche Intelligenz? Hier ist, warum Wissenschaftler denken, dass Sie sich über künstliche Intelligenz Gedanken machen sollten. Warum Wissenschaftler denken, dass Sie sich wegen künstlicher Intelligenz Sorgen machen sollten Denken Sie, dass künstliche Intelligenz gefährlich ist? Kann AI eine ernsthafte Gefahr für die menschliche Rasse darstellen? Dies sind einige Gründe, warum Sie sich Sorgen machen sollten. Weiterlesen ? Wir müssen abwarten, aber es kann sein.
Welche Arten von Anwendungen sehen Sie für eine Textlese- und Lern-KI? Welche Arten von maschinellem Lernen werden Sie in naher Zukunft sehen? Teilen Sie Ihre Gedanken in den Kommentaren unten!
Bildnachweis: Vasilyev Alexandr / Shutterstock