Contexte, langage et raisonnement en IA : trois défis clés

Fourni par Cadres RAGE

Aujourd'hui, l'intelligence artificielle (IA) émerge rapidement des laboratoires de R&D et se généralise. Les technologies intelligentes changent tous les aspects de nos vies, de la façon dont nous travaillons aux soins de santé, à l'éducation, aux voyages et aux transports. Un exemple : les voitures autonomes produites par Google et Tesla. Il existe également de nombreuses applications réussies dans le domaine de la vision par ordinateur.

Mais qu'en est-il des applications non visuelles de l'IA ? La plate-forme technologique IBM Watson a battu des grands maîtres d'échecs humains et un champion de Jeopardy et est présentée avec des célébrités dans des publicités télévisées annonçant l'arrivée d'une planète plus intelligente. AlphaGo de Google a récemment battu un grand maître coréen dans un défi encore plus complexe, l'ancien jeu de Go.

Tout cela signifie-t-il que l'IA est enfin là pour les applications non visuelles ? Nous pensons que la réponse est un oui catégorique, mais pas avec les approches actuelles utilisées par IBM et Google.

En raison du potentiel révolutionnaire de l'IA, ses applications dans les problèmes non visuels ont suscité un énorme intérêt. Il y a également eu des tentatives pour reproduire ce qui fonctionnait avec les données spatiales et l'appliquer au texte (et aux nombres). Je fais référence à ce qui semble être une ruée aveugle d'approches informatiques et statistiques pour traiter le langage naturel. Ces approches tentent de transformer le texte en données, puis recherchent des modèles profonds dans ces données.

Cette situation me rappelle l'époque où les physiciens sont entrés dans l'espace des marchés financiers et ont tenté de créer des modèles prédictifs pour les données financières. De tels efforts sont voués à l'échec, comme cela s'est déjà produit pour plusieurs entreprises. Finalement, le battage médiatique et l'illusion d'applicabilité s'estomperont. Ensuite, nous aborderons le problème en nous concentrant sur les caractéristiques fondamentales des données et en concevant une approche plus solide sur le plan conceptuel.

Relever un trio de défis

Les technologies d'intelligence artificielle doivent surmonter trois défis pour réussir dans le monde de la non-vision (et peut-être même dans le monde de la vision) : le langage, le contexte et le raisonnement.

Une récente Examen de la technologie MIT article, AI’s Language Problem , souligne avec éloquence le premier défi. Les technologies d'intelligence artificielle d'aujourd'hui, y compris celles d'IBM Watson et de Google AlphaGo, ont du mal à traiter le langage comme le font les humains. En effet, la grande majorité des implémentations actuelles abordent le texte comme des données, et non comme un langage. Ils appliquent les mêmes techniques qui ont travaillé sur les données spatiales au texte.

Le deuxième défi - comprendre le contexte - est lié au problème de la langue, mais il est suffisamment important pour que je le considère comme une question indépendante. Le texte en langage naturel doit être traité dans le bon contexte. Le bon contexte ne peut être développé que si la technologie se concentre sur la structure de la langue, et pas seulement sur les mots du texte, comme la plupart des technologies actuelles semblent le faire, selon un articles de 2014 dans Magazine IEEE sur l'intelligence computationnelle . Vient ensuite le troisième défi : la traçabilité du raisonnement que la solution déploie pour arriver à sa conclusion.

Diverses technologies tentent aujourd'hui de relever ces trois défis. Plusieurs solutions d'IA d'entreprise performantes gèrent efficacement la transparence du langage, du contexte et du raisonnement.

Gestion du langage naturel : du traitement à la compréhension

Les méthodes actuelles de traitement du langage naturel (TLN) reposent en grande partie sur des statistiques computationnelles. Ces méthodes ne tentent pas de comprendre le texte, mais convertissent plutôt le texte en données, puis tentent d'apprendre à partir de modèles dans ces données. Dans le processus de conversion, nous perdons tout contexte et toute signification dans le texte. L'hypothèse sous-jacente à de telles approches est clairement que, étant donné des collections de textes suffisamment grandes, toutes les permutations et combinaisons de sens possibles doivent être présentes. Ainsi, la découverte de modèles basés sur des mots devrait révéler l'intelligence du texte, sur laquelle on peut ensuite agir. Malheureusement, ce résultat ne se produit pas dans la plupart des situations du monde réel.

Pour relever le défi du langage dans l'IA, nous devons passer de la conversion mécanique du langage naturel aux données via, par exemple, une logique basée sur l'occurrence des mots. Nous pouvons alors comprendre la langue en utilisant sa structure linguistique et les principes que nous avons appris pour exprimer nos pensées. Je considère cela comme le passage de la PNL à la compréhension du langage naturel (NLU). À mon avis, la PNL en est venue à symboliser l'approche mécanique du langage naturel par la conversion du texte en données. Notre véritable objectif en IA est de concevoir des mécanismes pour comprendre le sens du texte écrit.

Une compréhension approfondie de la structure linguistique du texte impliquerait l'application de plusieurs principes de la linguistique computationnelle pour décomposer le texte en concepts et en verbiage utilisés pour les relier dans le texte. Il s'agit essentiellement de rétro-ingénierie du texte vers ses idées fondamentales pour comprendre comment ces idées ont été reliées entre elles pour former des phrases et des paragraphes.

RAGE AI a démontré un tel apprentissage linguistique approfondi, et RAGE Frameworks a utilisé cette méthode pour créer et déployer avec succès plusieurs applications d'IA dans des entreprises mondiales.

Comprendre le contexte

NLU implique également de comprendre le contexte dans lequel la langue est utilisée. Mais la compréhension du contexte implique de multiples défis.

Premièrement, dans de nombreuses langues, certains mots peuvent être utilisés dans plusieurs sens. Il est donc important d'éliminer l'ambiguïté de tous ces mots afin que leur utilisation dans un document particulier puisse être comprise avec précision. La désambiguïsation du sens des mots est un problème permanent en linguistique, mais les chercheurs ont fait des progrès significatifs pour y remédier.

Deuxièmement, les documents textuels utilisent souvent des modèles de discours spécifiques à un domaine, tels que des contrats juridiques, des articles de presse, des rapports de recherche, etc. Certaines propriétés de ces modèles de discours de domaine devraient être incorporées dans la technologie de l'IA pour améliorer la NLU.

Troisièmement, nous utilisons de nombreux mots comme substituts dans le document pour d'autres concepts. Par exemple, le plus souvent, nous disons Xerox pour la copie, FedEx pour le coursier de nuit, etc. La technologie de l'IA doit être capable de reconnaître et de comprendre ces procurations.

Enfin, le document peut faire référence à des connaissances qui ne sont pas explicitement incluses dans le texte. Nous ne pouvons le comprendre que si nous avons cette connaissance préalable.

L'IA doit créer un référentiel de ces connaissances globales qui peuvent être récupérées, en contexte, pour compléter le texte du document afin d'acquérir une compréhension complète de la signification du texte. Le découvreur de connaissances automatisé dans RAGE AI est un exemple de cette idée, comme je l'explique plus en détail dans mon livre récent, L'entreprise intelligente à l'ère du Big Data (John Wiley & Fils, 2016). Cette technologie peut découvrir automatiquement des idées liées à une notion et des expressions ayant diverses relations rhétoriques avec le concept d'intérêt.

Pendant un certain temps, ces connaissances et ce contexte global devront peut-être être affinés par des experts humains. Mais en peu de temps, nous avons trouvé qu'il était possible de créer suffisamment de connaissances dans la machine pour qu'elle fonctionne à plus de 90 % de rappel. Par exemple, nous avons créé une application d'intelligence artificielle pour classer le contenu pertinent pour une société de conseil mondiale dans 20 de ses domaines de pratique. L'idée était de fournir, en temps réel, des connaissances distillées à tous ses consultants, en utilisant des informations glanées dans chaque domaine de pratique. La découverte automatisée des connaissances a été utilisée pour étendre cela à une compréhension plus globale. Désormais, cette application catégorise 40 millions d'articles par mois avec une précision supérieure à 90 % grâce à un apprentissage linguistique approfondi.

Raisonnement

Le dernier défi que nous devons reconnaître est la visibilité du raisonnement déployé par la technologie de l'IA. Presque toutes les technologies d'IA utilisant des statistiques informatiques sont des boîtes noires. Il n'y a rien de mal à cela en soi, sauf que lorsque nous recevons une recommandation de la technologie de l'IA et qu'elle n'est pas intuitive, nous n'avons aucun moyen de la comprendre. Nous ne savons pas non plus si c'est vraiment causal ou faux. Nous devons juste lui faire aveuglément confiance.

Bien sûr, il existe des applications où une telle visibilité peut ne pas avoir d'importance. Par exemple, dans l'exemple du jeu de Go, il n'était pas important de comprendre le raisonnement déployé par la machine pour ses coups. Autre exemple : alors que nous préférerions tous que les recherches sur Internet soient plus pertinentes, les faux positifs ne nous dérangent pas trop.

En revanche, nous pensons que pour de nombreuses applications, une telle visibilité sera essentielle à l'adoption. Dans certaines applications critiques où les gens sont tenus responsables, comme la médecine et les entreprises, les utilisateurs doivent développer la confiance que le raisonnement du moteur est solide. La visibilité permettrait également d'améliorer plus facilement le moteur en cas de faux positifs ou de faux négatifs. Avec une boîte noire, nous devons trouver suffisamment d'instances de faux positifs ou de faux négatifs pour reconstruire la boîte noire. Nous n'aurons aucun moyen de savoir si toutes les variations ou permutations de cette erreur ont été corrigées.

La bonne nouvelle : avec l'adoption de l'apprentissage linguistique en profondeur, nous pouvons conserver une visibilité pleine et entière sur le raisonnement.

Venkat Srinivasan est le PDG fondateur de RAGE Frameworks et un entrepreneur en série prospère. Il est également ancien professeur associé au College of Business Administration de la Northeastern University de Boston. Il a publié plus de 30 articles dans de prestigieuses revues à comité de lecture et a contribué à des publications telles que Le journal de Wall Street. Il détient cinq brevets dans le domaine de l'automatisation basée sur la connaissance et de la linguistique. Il est l'auteur de L'entreprise intelligente à l'ère du Big Data (John Wiley & Fils, 2016).

cacher