Comment les robots apprennent à lire et à penser

Nous parlons tout le temps des ordinateurs qui nous comprennent. Nous disons que Google “a connu” ce que nous recherchions, ou que Cortana “eu” ce que nous disions, mais “compréhension” est un concept très difficile. Surtout quand il s'agit d'ordinateurs.

Un domaine de linguistique computationnelle, appelé traitement du langage naturel (NLP), travaille sur ce problème particulièrement difficile. C'est un domaine fascinant en ce moment, et une fois que vous avez une idée de son fonctionnement, vous commencez à en voir les effets partout..

Un petit mot: Cet article contient quelques exemples d'ordinateur répondant à la parole, par exemple lorsque vous demandez quelque chose à Siri. La transformation de la parole audible en un format compréhensible par ordinateur est appelée reconnaissance vocale. La PNL n'est pas concernée par cela (au moins dans la capacité dont nous discutons ici). La PNL n'entre en jeu que lorsque le texte est prêt. Les deux processus sont nécessaires pour de nombreuses applications, mais ce sont deux problèmes très différents..

Définir la compréhension

Avant de comprendre comment les ordinateurs traitent le langage naturel, nous devons définir quelques éléments..

Tout d’abord, nous devons définir le langage naturel. C’est facile: toutes les langues utilisées régulièrement par les gens entrent dans cette catégorie. Cela n'inclut pas des choses comme les langages construits (klingon, espéranto) ou les langages de programmation informatique. Vous utilisez un langage naturel lorsque vous parlez à vos amis. Vous l'utilisez probablement aussi pour parler à votre assistant personnel numérique..

Alors qu'est-ce qu'on veut dire quand on dit comprendre? Eh bien, c'est complexe. Qu'est-ce que cela signifie pour comprendre une phrase? Peut-être que vous diriez que cela signifie que vous avez maintenant le contenu prévu du message dans votre cerveau. Comprendre un concept peut vouloir dire que vous pouvez appliquer ce concept à d’autres pensées..

Les définitions du dictionnaire sont nébuleuses. Il n'y a pas de réponse intuitive. Les philosophes se disputent depuis des siècles.

Pour nos besoins, nous allons dire que la compréhension est la capacité d'extraire avec précision le sens du langage naturel. Pour qu'un ordinateur comprenne, il doit traiter avec précision un flux de parole entrant, convertir ce flux en unités de signification et pouvoir réagir à l'entrée avec quelque chose d'utile..

Évidemment, tout cela est très vague. Mais c'est le mieux que nous puissions faire avec un espace limité (et sans diplôme en neurophilosophie). Si un ordinateur peut offrir une réponse humaine, ou du moins utile, à un flux de saisie en langage naturel, nous pouvons dire qu'il comprend. C'est la définition que nous utiliserons à l'avenir.

Un problème complexe

Le langage naturel est très difficile à gérer pour un ordinateur. Tu pourrais dire, “Siri, donnez-moi les indications pour Punch Pizza,” alors que je pourrais dire, “Siri, itinéraire Punch Pizza, s'il vous plaît.”

Dans votre déclaration, Siri pourrait choisir la phrase clé “donne moi des indications,” puis exécutez une commande liée au terme de recherche “Punch Pizza.” Dans le mien, cependant, Siri doit choisir “route” comme mot clé et sachez que “Punch Pizza” est l'endroit où je veux aller, pas “S'il vous plaît.” Et ce n'est qu'un exemple simpliste.

Pensez à une intelligence artificielle qui lit les emails et décide s’ils peuvent être des escroqueries. Ou un système qui surveille les publications sur les médias sociaux pour mesurer l'intérêt pour une entreprise donnée. J'ai déjà travaillé sur un projet où il fallait apprendre à un ordinateur à lire des notes médicales (qui ont toutes sortes de conventions étranges) et à en tirer des informations..

Cela signifie que le système devait pouvoir traiter les abréviations, la syntaxe étrange, les fautes d'orthographe occasionnelles et une grande variété d'autres différences dans les notes. C'est une tâche très complexe qui peut être difficile même pour des humains expérimentés, encore moins des machines.

Donner l'exemple

Dans ce projet particulier, je faisais partie de l'équipe qui enseignait à l'ordinateur à reconnaître des mots spécifiques et les relations entre les mots. La première étape du processus a été de montrer à l'ordinateur les informations contenues dans chaque note. Nous avons donc annoté les notes..

Il y avait un très grand nombre de catégories différentes d'entités et de relations. Prendre la phrase “Le mal de tête de Mme Green a été traité avec de l'ibuprofène,” par exemple. Mme Green a été étiqueté comme une personne, mal de tête a été marqué comme SIGN OU SYMPTOME, ibuprofène a été étiqueté comme MEDICAMENT. Ensuite, Mme Green a été associée à un mal de tête avec une relation PRESENTS. Enfin, l'ibuprofène était associé à des maux de tête et à une relation avec TREATS..

Nous avons étiqueté des milliers de notes de cette façon. Nous avons codé des diagnostics, des traitements, des symptômes, des causes sous-jacentes, des comorbidités, des dosages et tout ce que vous pourriez penser en relation avec la médecine. D'autres équipes d'annotation ont codé d'autres informations, telles que la syntaxe. À la fin, nous avons eu un corpus plein de notes médicales que l’IA pourrait “lis.”

La lecture est aussi difficile à définir que comprendre. L'ordinateur peut facilement voir que l'ibuprofène traite les maux de tête, mais lorsqu'il apprend cette information, il est converti en valeurs vides de sens (pour nous) et en zéros. Il peut certainement renvoyer des informations qui semblent humaines et utiles, mais cela constitue-t-il une compréhension? Qu'est-ce que l'intelligence artificielle n'est pas ce qu'est l'intelligence artificielle? Des robots intelligents et sensibles vont-ils envahir le monde? Pas aujourd'hui - et peut-être jamais. Lire la suite ? Encore une fois, c'est en grande partie une question philosophique.

Le véritable apprentissage

À ce stade, l’ordinateur a parcouru les notes et a appliqué un certain nombre d’algorithmes d’apprentissage automatique. 4 Algorithmes d’apprentissage automatique qui façonnent votre vie 4 Algorithmes d’apprentissage automatique qui façonnent votre vie Vous ne le réalisez peut-être pas, mais l’apprentissage automatique vous entoure déjà il peut exercer une influence surprenante sur votre vie. Ne me crois pas? Vous pourriez être surpris. Lire la suite . Les programmeurs ont mis au point différentes routines pour baliser des parties du discours, analyser des dépendances et des circonscriptions, et étiqueter des rôles sémantiques. Essentiellement, l'IA apprenait à “lis” les notes.

Les chercheurs pourraient éventuellement le tester en lui donnant une note médicale et en lui demandant d'étiqueter chaque entité et relation. Lorsque l'ordinateur reproduit fidèlement les annotations humaines, vous pouvez dire qu'il a appris à lire lesdites notes médicales..

Après cela, il suffisait de rassembler une quantité énorme de statistiques sur ce qu’il avait lu: quels médicaments étaient utilisés pour traiter quels troubles, quels traitements étaient les plus efficaces, les causes sous-jacentes de groupes de symptômes spécifiques, etc. À la fin du processus, l'IA serait en mesure de répondre aux questions médicales sur la base de preuves tirées de notes médicales réelles. Il n’a pas besoin de manuels scolaires, de sociétés pharmaceutiques ou d’intuition.

L'apprentissage en profondeur

Regardons un autre exemple. Le réseau de neurones DeepMind de Google apprend à lire des articles de presse. Comme dans l'IA biomédicale décrite ci-dessus, les chercheurs souhaitaient extraire des informations pertinentes et utiles de textes plus volumineux.

Il était déjà assez difficile de former un IA à des informations médicales. Vous pouvez donc imaginer combien de données annotées il vous faudrait pour créer un AI capable de lire des articles de presse généraux. Embaucher suffisamment d'annotateurs et consulter suffisamment d'informations serait extrêmement coûteux et prendrait beaucoup de temps.

L’équipe DeepMind s’est donc tournée vers une autre source: les sites d’information. Plus précisément, CNN et le Daily Mail.

Pourquoi ces sites? Parce qu'ils fournissent des résumés pointus de leurs articles qui ne tirent pas simplement des phrases de l'article lui-même. Cela signifie que l'IA a quelque chose à apprendre. Les chercheurs ont essentiellement dit à l'IA, “Voici un article et voici les informations les plus importantes qu'il contient.” Ensuite, ils lui ont demandé d'extraire le même type d'informations d'un article sans les points saillants..

Ce niveau de complexité peut être géré par un réseau de neurones profonds, qui est un type particulièrement complexe de système d’apprentissage automatique. (L'équipe DeepMind fait des choses incroyables sur ce projet. Pour en savoir plus, consultez cet aperçu du MIT Technology Review.)

Que peut faire une lecture AI?

Nous avons maintenant une compréhension générale de la façon dont les ordinateurs apprennent à lire. Vous prenez une énorme quantité de texte, dites à l'ordinateur ce qui est important et appliquez des algorithmes d'apprentissage automatique. Mais que pouvons-nous faire avec une IA qui extrait des informations d'un texte?

Nous savons déjà que vous pouvez extraire des informations spécifiques exploitables à partir de notes médicales et résumer des articles de presse généraux. Il y a un programme open-source appelé P.A.N. qui analyse la poésie en dégageant des thèmes et des images. Les chercheurs ont souvent recours à l'apprentissage automatique pour analyser de grandes quantités de données de médias sociaux, qui sont utilisées par les entreprises pour comprendre les sentiments des utilisateurs, voir de quoi les gens parlent et trouver des modèles utiles de marketing..

Les chercheurs ont utilisé l'apprentissage automatique pour mieux comprendre les comportements de messagerie et les effets de la surcharge de messagerie. Les fournisseurs de messagerie peuvent l'utiliser pour filtrer le courrier indésirable de votre boîte de réception et classer certains messages comme hautement prioritaires. La lecture des IA est essentielle pour créer des chatbots efficaces pour le service client. 8 Bots à ajouter à votre application Facebook Messenger 8 Bots à ajouter à votre application Facebook Messenger Facebook Messenger s'est ouvert au chat pour permettre aux entreprises de fournir directement des services, des actualités et plus encore. à vous via l'application. Voici quelques-uns des meilleurs disponibles. Lire la suite . Partout où il y a du texte, un chercheur travaille sur le traitement du langage naturel.

Et à mesure que ce type d'apprentissage automatique s'améliore, les possibilités ne font qu'augmenter. Les ordinateurs sont meilleurs que les humains aux échecs, au Go et aux jeux vidéo. Bientôt, ils seront peut-être mieux à lire et à apprendre. C’est là le premier pas vers une IA forte Voici pourquoi les scientifiques pensent que vous devriez être inquiet pour l’intelligence artificielle Voici pourquoi les scientifiques pensent que vous devriez être inquiet pour l’intelligence artificielle Pensez-vous que l’intelligence artificielle est dangereuse? L'IA peut-elle poser un risque grave pour la race humaine? Voici quelques raisons pour lesquelles vous voudrez peut-être vous inquiéter. Lire la suite ? Nous devrons attendre et voir, mais il se peut que.

Quels types d'utilisations voyez-vous pour une IA qui lit et apprend le texte? Quelles sortes d'apprentissage machine pensez-vous que nous verrons dans un avenir proche? Partagez votre opinion dans les commentaires ci-dessous!

Crédits d'image: Vasilyev Alexandr / Shutterstock

Explorez plus sur: Intelligence Artificielle, Futurologie.