Crédit :Lee et al.
Chercheurs de Clova AI Research, NAVER et LINE, ont récemment proposé un nouveau cadre appelé AQM+ qui permet aux systèmes de dialogue de générer des questions et des réponses pertinentes au contexte. Leur modèle, décrit dans un article prépublié sur arXiv, sera présenté à la 7e Conférence internationale sur la représentation de l'apprentissage (ICLR 2019), à la Nouvelle-Orléans.
« La collaboration intra-machine et homme-machine a été considérée comme un sujet de recherche important et significatif, en particulier, du point de vue de l'éthique et de l'intérêt public pour l'IA, " Sang Woo Lee, l'un des chercheurs qui a mené l'étude, a déclaré TechXplore. "Se concentrer sur le dialogue orienté tâche (TOD), les chercheurs ont acquis une connaissance considérable des jeux GO entre les humains et AlphaGo. Plus précisement, ces chercheurs pensent que les modèles de dialogue orientés objectifs peuvent être améliorés en entraînant des modèles sur des interactions machine-machine à grande échelle, ce qui permet à AlphaGo de battre les experts humains. Cependant, Je ne suis pas tout à fait d'accord avec cette idée, parce que le dialogue est une tâche basée sur la collaboration entre deux acteurs et est fondamentalement différent du Go, qui est un jeu de compétition."
Selon Lee, le dialogue orienté tâche (TOD) ressemble au jeu 20 Questions, car l'objectif du système de dialogue devrait être de réduire les intentions et les demandes d'un utilisateur. Dans une étude précédente, Lee et ses collègues ont introduit un cadre pour les systèmes de dialogue axés sur les tâches appelé « répondeur dans l'esprit du questionneur » (AQM) qui est basé sur cette idée. L'AQM permet aux systèmes de dialogue de poser des questions qui maximisent leur gain d'informations, réduire l'incertitude de l'intention de l'utilisateur.
Crédit :Lee et al.
Contrairement à d'autres approches, AQM calcule explicitement la distribution a posteriori et trouve des solutions analytiquement. Malgré ses nombreux avantages, AQM s'est avéré mal généraliser dans les tâches du monde réel, où le nombre d'objets, les questions et les réponses sont généralement sans restriction.
Dans leur étude récente, les chercheurs ont abordé cette limitation et proposé une nouvelle approche, AQM+. Contrairement à leur approche précédente, AQM+ peut être appliqué à des problèmes à grande échelle, générer des questions et des réponses plus cohérentes avec le contexte changeant d'un dialogue donné.
"Semblable au dialogue humain, notre AQM+ modélise ce que dit l'adversaire et raisonne la stratégie la plus efficace pour saisir l'esprit et l'intention de l'adversaire, en utilisant une métrique de théorie de l'information (gain d'information), " Lee a expliqué. " Cette approche est différente des précédentes méthodes basées sur les réseaux de neurones pour TOD, qui utilisait principalement séquence à séquence (Seq2Seq) pour générer directement des questions en répondant à l'énoncé précédent."
Crédit :Lee et al.
Lee et ses collègues ont évalué AQM+ sur un problème de dialogue visuel orienté tâche difficile appelé GuessWhich. Leur modèle a obtenu des résultats remarquables, surpassant les approches de pointe par une marge considérable.
"L'approche basée sur notre jeu 20 Questions en AQM+ pour questionner les utilisateurs permet d'aborder des situations de dialogue complexes où existent des réponses et des cas nombreux et variés liés à des questions de forme générale, ainsi que des questions oui ou non, " a déclaré Lee. " Cela signifie que notre AQM + peut être appliqué à différentes situations TOD dans le monde réel. "
Dans leurs tests, Lee et ses collègues Jung-Woo Ha, Tong Gao, Sohee Yang et Jaejun Yoo ont découvert qu'AQM+ réduisait les erreurs de 60 % au fur et à mesure du dialogue, tandis que les algorithmes existants ont atteint une réduction d'erreur de moins de 6 pour cent. Selon les chercheurs, AQM+ pourrait être utilisé pour générer des questions ouvertes et fermées.
Crédit :Lee et al.
« La formation efficace de modèles à partir de données de dialogue de bout en bout reste très difficile, notamment pour le développement de systèmes TOD, " Jung Woo Ha, un autre chercheur impliqué dans l'étude, a déclaré TechXplore. "Bien qu'AQM+ se concentre principalement sur le questionnement pour obtenir des informations utiles du répondeur, il peut être naturellement étendu en incluant des réponses aux questions basées sur la même approche. »
Lee, Ha et leurs collègues envisagent maintenant un certain nombre de directions pour de futures recherches. Premièrement, ils souhaitent développer davantage leur approche afin d'aboutir à un cadre général d'apprentissage du dialogue. Leur objectif ultime est de concevoir un système capable d'atteindre une précision semblable à celle d'un humain dans la communication avec les humains.
"Finalement, nous visons à développer un cadre d'IA général qui permet des dialogues machine-machine et machine-humain de type humain, " Ha dit. " En tant que scientifiques de la recherche industrielle, nous appliquerons nos technologies à divers services tels que la plate-forme de messagerie et d'assistant d'IA, offrant ainsi une plus grande valeur aux utilisateurs mondiaux."
© 2019 Réseau Science X
