Contexto, lenguaje y razonamiento en IA: tres desafíos clave

Proporcionado por Marcos RAGE

Hoy en día, la inteligencia artificial (IA) está emergiendo rápidamente de los laboratorios de I+D y se está convirtiendo en la corriente principal. Las tecnologías inteligentes están cambiando todos los aspectos de nuestras vidas, desde la forma en que trabajamos hasta la atención médica, la educación, los viajes y el transporte. Un ejemplo: los coches autónomos producidos por Google y Tesla. También hay muchas aplicaciones exitosas en el espacio de la visión artificial.

Pero, ¿qué pasa con las aplicaciones de IA que no son de visión: es decir, áreas que incluyen datos no espaciales, lo más importante, texto y números? La plataforma de tecnología IBM Watson ha vencido a grandes maestros de ajedrez humanos y a un campeón de Jeopardy y aparece con celebridades en anuncios de televisión que anuncian la llegada de un planeta más inteligente. AlphaGo de Google venció recientemente a un gran maestro coreano en un desafío aún más complejo, el antiguo juego de Go.

¿Todo eso significa que la IA finalmente está aquí para aplicaciones que no son de visión? Creemos que la respuesta es un rotundo sí, pero no con los enfoques actuales que utilizan IBM y Google.

Debido al potencial revolucionario de la IA, sus aplicaciones en problemas no relacionados con la visión han atraído un gran interés. También ha habido intentos de replicar lo que funcionó con datos espaciales y aplicarlo a texto (y números). Me refiero a lo que parece una avalancha ciega de enfoques computacionales basados ​​en estadísticas para procesar el lenguaje natural. Dichos enfoques intentan convertir el texto en datos y luego buscan patrones profundos en esos datos.

Esa situación me recuerda cuando los físicos ingresaron al espacio del mercado financiero e intentaron crear modelos predictivos para datos financieros. Tales esfuerzos están condenados al fracaso, como ya les ha ocurrido a varias empresas. Eventualmente, la exageración y la ilusión de aplicabilidad desaparecerán. Luego abordaremos el problema enfocándonos en las características fundamentales de los datos e ideando un enfoque que sea conceptualmente más sólido.

Abordar un trío de desafíos

Las tecnologías de IA deben superar tres desafíos para tener éxito en el mundo sin visión (y quizás incluso en el mundo de la visión): lenguaje, contexto y razonamiento.

Un reciente Revisión de tecnología del MIT artículo, AI’s Language Problem, señala elocuentemente el primer desafío. Las tecnologías de IA actuales, incluidas IBM Watson y Google AlphaGo, luchan por procesar el lenguaje de la misma manera que lo hacen los humanos. Esto se debe a que la gran mayoría de las implementaciones actuales abordan el texto como datos, no como lenguaje. Aplican las mismas técnicas que trabajaron con datos espaciales al texto.

El segundo desafío, comprender el contexto, está relacionado con el problema del idioma, pero es lo suficientemente importante como para pensar en él como un problema independiente. El texto en lenguaje natural debe procesarse en el contexto correcto. El contexto correcto solo se puede desarrollar si la tecnología se enfoca en la estructura del lenguaje, no solo en las palabras del texto, como parece estar haciendo la mayoría de las tecnologías actuales, según un artículo de 2014 en Revista de inteligencia computacional IEEE . Luego está el tercer desafío: la trazabilidad del razonamiento que la solución despliega para llegar a su conclusión.

Varias tecnologías están tratando de abordar los tres desafíos en la actualidad. Varias soluciones exitosas de IA empresarial se ocupan del lenguaje, el contexto y la transparencia del razonamiento de manera efectiva.

Manejo del lenguaje natural: del procesamiento a la comprensión

Los métodos actuales para el procesamiento del lenguaje natural (PNL) se basan en gran medida en estadísticas computacionales. Estos métodos no intentan comprender el texto, sino convertir el texto en datos y luego intentar aprender de los patrones en esos datos. En el proceso de conversión, perdemos todo contexto y significado en el texto. La suposición detrás de tales enfoques es claramente que, dadas colecciones de texto suficientemente grandes, deben estar presentes todas las permutaciones y combinaciones posibles de significado. Por lo tanto, descubrir patrones basados ​​en palabras debería revelar la inteligencia en el texto, que luego se puede actuar. Desafortunadamente, ese resultado no ocurre en la mayoría de las situaciones del mundo real.

Para abordar el desafío del lenguaje en la IA, tenemos que pasar de convertir mecánicamente el lenguaje natural en datos a través, por ejemplo, de la lógica basada en la ocurrencia de palabras. Entonces podemos entender el idioma usando su estructura lingüística y los principios que hemos aprendido para expresar nuestros pensamientos. Veo esto como pasar de la PNL a la comprensión del lenguaje natural (NLU). Desde mi punto de vista, la PNL ha llegado a simbolizar el enfoque mecánico del lenguaje natural a través de la conversión de texto en datos. Nuestro verdadero objetivo en IA es idear mecanismos para comprender el significado del texto escrito.

Una comprensión profunda de la estructura lingüística en el texto implicaría aplicar varios principios de la lingüística computacional para descomponer el texto en los conceptos y verborrea utilizados para conectarlos en el texto. Esto es esencialmente hacer ingeniería inversa del texto de regreso a sus ideas fundamentales para comprender cómo esas ideas se conectaron entre sí para formar oraciones y párrafos.

RAGE AI ha demostrado un aprendizaje lingüístico tan profundo, y RAGE Frameworks ha utilizado este método para crear e implementar con éxito varias aplicaciones de IA en corporaciones globales.

Comprender el contexto

NLU también implica comprender el contexto en el que se usa el idioma. Pero comprender el contexto implica múltiples desafíos.

Primero, en muchos idiomas, ciertas palabras se pueden usar en múltiples sentidos. Eso hace que sea importante eliminar la ambigüedad de todas esas palabras para que su uso en un documento en particular pueda entenderse con precisión. La desambiguación del sentido de las palabras es un problema continuo en la lingüística, pero los investigadores han logrado un progreso significativo para abordarlo.

En segundo lugar, los documentos de texto a menudo utilizan modelos de discurso de dominio específico, como contratos legales, artículos de noticias, informes de investigación y similares. Ciertas propiedades de dichos modelos de discurso de dominio deben incorporarse a la tecnología de IA para mejorar la NLU.

Tercero, usamos muchas palabras como sustitutos en el documento para otros conceptos. Por ejemplo, más comúnmente, decimos Xerox para copia, FedEx para servicio de mensajería al día siguiente, etc. La tecnología de IA debe ser capaz de reconocer y comprender estos proxies.

Finalmente, el documento puede referirse a conocimientos que no están incluidos explícitamente en el texto. Podemos entenderlo sólo si tenemos ese conocimiento previo.

La IA tiene que crear un depósito de dicho conocimiento global que se pueda recuperar, en contexto, para complementar el texto del documento y obtener una comprensión completa del significado del texto. El Descubridor de conocimiento automatizado en RAGE AI es un ejemplo de esta idea, como explico con más profundidad en mi libro reciente, La empresa inteligente en la era del Big Data (John Wiley & Sons, 2016). Esta tecnología puede descubrir automáticamente ideas relacionadas con una noción y expresiones con diversas relaciones retóricas con el concepto de interés.

Durante un período de tiempo, tal conocimiento y contexto global pueden tener que ser refinados por expertos humanos. Pero en un período corto, hemos descubierto que es posible crear suficiente conocimiento en la máquina para que funcione con más del 90 por ciento de recuperación. Por ejemplo, creamos una aplicación de IA para categorizar contenido relevante para una empresa de consultoría global en 20 de sus áreas de práctica. La idea era proporcionar, en tiempo real, conocimiento destilado a todos sus consultores, utilizando información obtenida de cada área de práctica. Se utilizó el descubrimiento de conocimiento automatizado para expandir esto a una comprensión más global. Ahora, esta aplicación clasifica 40 millones de artículos al mes con más del 90 por ciento de precisión a través del aprendizaje lingüístico profundo.

Razonamiento

El desafío final que debemos reconocer es la visibilidad del razonamiento desplegado por la tecnología de IA. Casi todas las tecnologías de IA que utilizan estadísticas computacionales son cajas negras. No hay nada de malo en eso per se, excepto que cuando recibimos una recomendación de la tecnología de IA y no es intuitiva, no tenemos forma de entenderla. Tampoco sabemos si es verdaderamente causal o espuria. Sólo tenemos que confiar ciegamente en él.

Por supuesto, hay aplicaciones en las que tal visibilidad puede no importar. Por ejemplo, en el ejemplo del juego Go, no era importante comprender el razonamiento desplegado por la máquina para sus movimientos. Otro ejemplo: si bien todos preferiríamos que las búsquedas en Internet fueran más relevantes, los falsos positivos no nos molestan demasiado.

Por otro lado, creemos que para muchas aplicaciones, dicha visibilidad será esencial para su adopción. En ciertas aplicaciones de misión crítica donde las personas son responsables, como la medicina y los negocios, los usuarios deben desarrollar la confianza de que el razonamiento del motor es sólido. La visibilidad también facilitaría la mejora del motor en caso de falsos positivos o falsos negativos. Con una caja negra, tenemos que encontrar suficientes instancias de falsos positivos o falsos negativos para reconstruir la caja negra. No tendremos forma de saber si se han solucionado todas las variaciones o permutaciones de ese error.

La buena noticia: con la adopción del aprendizaje lingüístico profundo, podemos mantener una visibilidad total y completa del razonamiento.

Venkat Srinivasan es el CEO fundador de RAGE Frameworks y un exitoso emprendedor en serie. También es ex profesor asociado en la Facultad de Administración de Empresas de la Universidad Northeastern en Boston. Ha publicado más de 30 artículos en prestigiosas revistas revisadas por pares y ha contribuido a publicaciones de noticias como El periodico de Wall Street. Es titular de cinco patentes en el área de la automatización y la lingüística basadas en el conocimiento. Él es el autor de La empresa inteligente en la era del Big Data (John Wiley & Sons, 2016).

esconder