Le débat sur l'IA d'IBM vient de devenir un outil utile

Système IBM Debater à Cambridge Recherche IBM

Les ordinateurs nous ont guidés vers la lune et retour, mais ne peuvent pas nous aider avec les décisions les plus importantes auxquelles nous sommes confrontés aujourd'hui. Doit-on destituer et destituer Donald Trump de ses fonctions ? La Grande-Bretagne doit-elle quitter l'UE ? L'Australie doit-elle arrêter d'exporter des énergies fossiles ? Des questions comme celles-ci n'ont pas de réponses faciles par oui ou par non, même s'il est tentant de penser le contraire.

Nous prenons des décisions en pesant le pour et le contre. L'intelligence artificielle a le potentiel de nous y aider en passant au crible des tas de données sans cesse croissantes. Mais pour être vraiment utile, il doit raisonner davantage comme un humain. Nous utilisons un langage persuasif et toutes sortes de connaissances de base qui sont très difficiles à modéliser en IA, explique Jacky Visser du Centre for Argument Technology de l'Université de Dundee, au Royaume-Uni. C'est l'un des Saint Graal depuis que les gens ont commencé à penser à l'IA.

Une technique de base utilisée pour aider les machines à raisonner, connue sous le nom d'extraction d'arguments, consiste à créer un logiciel pour analyser des documents écrits et extraire des phrases clés qui fournissent des preuves pour ou contre une affirmation donnée. Ceux-ci peuvent ensuite être assemblés dans un argument. En plus de nous aider à prendre de meilleures décisions, ces outils pourraient être utilisés pour détecter les fausses nouvelles, saper les affirmations douteuses et sauvegarder les informations factuelles, ou pour filtrer les résultats de recherche en ligne, en renvoyant des déclarations pertinentes plutôt que des documents entiers.

Le travail d'autres groupes sur l'exploration d'arguments s'est concentré sur des types de textes spécifiques, tels que des documents juridiques ou des essais d'étudiants, qui ont tendance à contenir beaucoup d'arguments structurés pour commencer. C'est utile si vous voulez un résumé de toutes les preuves dans de nombreux documents différents dans une affaire judiciaire, par exemple. Mais le but ultime est de construire un système capable de parcourir autant de sources d'informations que possible et de construire un argument en utilisant chaque élément de preuve qu'il peut trouver.

IBM vient de faire un grand pas dans cette direction. L’équipe Project Debater de l’entreprise a passé plusieurs années à développer une IA capable de construire des arguments. L'année dernière, IBM a démontré sa technologie en cours de développement lors d'un débat en direct contre un débatteur humain champion du monde, l'équivalent de Watson Péril! épreuve de force. De telles cascades sont amusantes et ont fourni une preuve de concept. IBM transforme maintenant son jouet en un outil véritablement utile.

La version de Project Debater utilisée dans les débats en direct comprenait les graines du dernier système, comme la capacité de rechercher des centaines de millions de nouveaux articles. Mais au cours des mois qui ont suivi, l'équipe a considérablement modifié les réseaux de neurones qu'elle utilise, améliorant ainsi la qualité des preuves que le système peut découvrir. Un ajout important est BERT , un réseau de neurones conçu par Google pour le traitement du langage naturel, qui peut répondre aux requêtes. Le travail sera présenté lors de la conférence de l'Association pour l'avancement de l'intelligence artificielle à New York le mois prochain.

Pour former leur IA, le chercheur principal Noam Slonim et ses collègues d'IBM Research à Haïfa, en Israël, se sont appuyés sur 400 millions de documents extraits de la base de données LexisNexis d'articles de journaux et de revues. Cela leur a donné quelque 10 milliards de phrases, un corpus en langage naturel environ 50 fois plus grand que Wikipédia. Ils ont associé ce vaste pool de preuves à des affirmations sur plusieurs centaines de sujets différents, tels que le don de sang devrait être obligatoire ou Nous devrions abandonner la Saint-Valentin.

Ils ont ensuite demandé aux travailleurs de la foule sur la plate-forme Figure Eight d'étiqueter les phrases selon qu'ils fournissaient ou non des preuves pour ou contre des allégations particulières. Les données étiquetées ont été introduites dans un algorithme d'apprentissage supervisé.

le réseau neuronal résultant peut traiter des requêtes sur une grande variété de sujets, renvoyant des phrases plus pertinentes que celles identifiées par les systèmes précédents. Il classe les phrases qu'il trouve en fonction de leur qualité en tant que preuve. Par exemple, compte tenu de l'affirmation que le don de sang devrait être obligatoire, le logiciel a trouvé la phrase Une étude publiée dans l'American Journal of Epidemiology a révélé que les donneurs de sang avaient 88 % de risques en moins de souffrir d'une crise cardiaque et d'un accident vasculaire cérébral.

Un grand défi consiste à distinguer les phrases qui fournissent des preuves de celles qui ne le font pas, même si elles contiennent les mêmes termes. Project Debater a également trouvé cette phrase pour la demande de don de sang, par exemple, mais a pu dire qu'elle ne la soutenait ni ne la sapait : les statistiques de la Nakasero Blood Bank montrent que les étudiants sont les principaux donneurs de sang, contribuant à environ 80 % de le sang collecté dans le monde.

Ce qu'il en est exactement de ces phrases que le réseau neuronal reprend pour faire sa classification n'est pas clair, dit Slonim. Pourtant, lorsqu'il a été testé, Project Debater a atteint une précision de 95 % pour les 50 premières phrases sur 100 sujets différents, dit-il, ajoutant : Ces chiffres sont sans précédent. D'autres systèmes n'ont traité que quelques dizaines de sujets. C'est aussi une grande amélioration par rapport au système de débat en direct que Slonim a présenté l'année dernière.

D'autres chercheurs à qui j'ai parlé, dont Visser et Oana Cocarascu, qui étudient les logiciels d'argumentation et le traitement du langage naturel à l'Imperial College de Londres, ont également été impressionnés par le nouveau système. Pour Cocarascu, c'est le potentiel d'applications réelles qui est le plus excitant. Un système formé sur les documents juridiques ne fera pas face aux nombreux types de preuves trouvés en ligne. L'équipe de Slonim a montré que Project Debater peut gérer ce large éventail de sources. C'est ce qui le rend génial, dit Cocarascu.

L'équipe publie maintenant ses données d'entraînement pour que d'autres puissent travailler avec. Visser veut créer des outils d'exploration d'arguments comme Project Debater qui peuvent évaluer la qualité des arguments, en recherchant des choses comme les biais cognitifs. Lui et ses collègues ont utilisé l'IA pour évaluer la qualité des arguments lors des débats présidentiels américains de 2016, par exemple.

IBM fait quelque chose de similaire lui-même. Via un module complémentaire, appelé Speech by Crowd, Project Debater peut recueillir des arguments pour et contre une proposition, puis évaluer automatiquement la qualité des arguments soumis en utilisant un réseau de neurones formé sur un ensemble de données d'environ 30 000 arguments préalablement évalués pour la qualité par des humains.

IBM prévoit de proposer Project Debater en tant que plate-forme aux entreprises et aux gouvernements. Nous voyons l'avenir de Project Debater en tant que service cloud d'IA, déclare Christopher Sciacca, porte-parole de l'entreprise. Dans un exemple d'application, IBM a recueilli 3 500 avis de citoyens à Lugano, en Suisse, sur la question de savoir si la ville devrait investir dans des véhicules autonomes et a utilisé l'IA pour extraire et évaluer les arguments pour et contre la proposition. Le gouvernement local pourrait utiliser les résultats pour aider à prendre une décision politique.

Mais pour Slonim, il s'agit d'améliorer notre interaction avec l'IA à un niveau personnel. L'argumentation joue un rôle important dans la façon dont les gens communiquent : on liste les raisons de nos choix, on demande des conseils, on persuade et on cajole. Parler à des assistants virtuels capables de converser à ce niveau semblerait beaucoup plus naturel. Ce que nous faisons touche à quelque chose de fondamental dans nos vies, dit-il. Nous essayons de relier les technologies de compréhension du langage pour aider les gens à prendre de meilleures décisions.

cacher