Beaucoup d'entre nous demandent régulièrement à nos smartphones des directions ou de jouer de la musique sans trop penser à la technologie qui rend tout cela possible - nous voulons juste un rapide, réponse précise à nos commandes vocales.

Avec de plus en plus d'entreprises utilisant l'intelligence artificielle pour diverses applications et pour interagir avec les consommateurs, l'industrie s'efforce de rendre ces interactions plus humaines, dit Zhu "Drew" Zhang, professeur agrégé de systèmes d'information et membre de la faculté Kingland en analyse d'affaires au Ivy College of Business de l'Iowa State University. Zhang contribue à cet effort en améliorant la façon dont les machines, comme les smartphones et les ordinateurs, comprendre et générer le langage.

"Les ordinateurs n'ont pas été construits pour gérer l'ambiguïté du langage humain, " a déclaré Zhang. "Nous avons des manières subtiles de dire des choses avec un sens similaire, utilisant des mots et des structures linguistiques différents, ce qui est difficile à comprendre et à imiter pour les modèles informatiques."

Zhang dit dans les scénarios commerciaux, par exemple, les consommateurs peuvent exprimer des opinions similaires avec des formes linguistiques très différentes :

• Première déclaration :rien dans cet appareil photo n'est excitant.
• Deuxième affirmation :je n'aime pas ce produit.

Aider les machines à détecter la paraphrase est l'un des plus grands défis dans le domaine du traitement du langage naturel. Zhang dit qu'essayer de coder le volume écrasant de règles linguistiques et d'exceptions associées serait extrêmement irréaliste. Au lieu, les chercheurs et les leaders de l'industrie utilisent des méthodes d'apprentissage automatique, qui utilisent de grandes quantités de données pour apprendre aux ordinateurs à reconnaître et à comprendre les modèles de langage en usage réel.

Nouveau modèle bien reçu

Zhang et Amulya Gupta, un étudiant diplômé de l'ISU en informatique, développé un nouveau modèle de calcul basé sur l'apprentissage en profondeur pour améliorer la précision, précision et rappel de la détection d'énoncés de sens similaire, mais différent dans la formulation, structure et longueur. Ils ont testé le modèle en utilisant 50, 000 exemples de paires de phrases, similaire à l'exemple ci-dessus, et a trouvé qu'il était précis de 80 à 85 pour cent.

C'est encourageant, mais Zhang dit qu'il ne traite qu'"une petite tranche d'un problème plus vaste" dans le domaine de l'intelligence artificielle. Lui et Gupta ont récemment présenté un article sur leur travail lors de la réunion annuelle de l'Association for Computational Linguistics en Australie. Zhang dit que c'est l'une des meilleures conférences pour les acteurs de l'industrie, y compris Google, Microsoft et Amazon, ainsi que d'éminents universitaires travaillant sur cette question.

"Notre recherche a été très bien reçue, " a déclaré Zhang. "Nous avons parlé avec des gens de Microsoft et JD, la plus grande entreprise de commerce électronique en Chine, et ils ont vu le potentiel dans notre travail."

Faire en sorte que les machines se sentent humaines

Zhang dit que l'objectif est de continuer à améliorer le modèle pour le rendre plus applicable à une variété de scénarios commerciaux. Les robots du service client en sont un bon exemple. Au lieu d'appuyer sur les boutons d'un menu d'options lorsque vous appelez pour renouveler une ordonnance, la plupart des consommateurs préfèrent encore parler à une personne. Zhang dit qu'il n'est pas seulement important que le bot soit humain, mais il doit avoir la flexibilité de s'adapter aux appelants individuels.

"Ce genre de capacité ajoute une touche humaine, " a déclaré Zhang. " La capacité de manipuler les langues est ce qui fait que le bot ou d'autres machines se sentent humains. "