211service.com
El chatbot perfecto e imposible de Facebook
Tim Liedtke
Alexa de Amazon puede llamar a un Uber y satisfacer la demanda de ruidos de pedos de un niño de cuatro años. Siri puede controlar su termostato conectado a Internet. Cada uno sirve a millones de usuarios cada día. Pero un grupo afortunado de unas 10.000 personas, la mayoría en California, sabe que el asistente de Facebook, llamado M, es el más inteligente del grupo.
¿Recomendar y reservar un hotel romántico en Marruecos que también sea adecuado para niños pequeños? No hay problema. ¿Obtener cotizaciones de contratistas locales para el paisajismo de su patio delantero? Considérelo hecho. El asistente experimental de Facebook, que se ofrece dentro de la aplicación Messenger de la empresa, muestra el valor de tener un verdadero mayordomo digital en el bolsillo. En lugar de simplemente recuperar piezas simples de información de las bases de datos, M puede comprender órdenes complejas y tomar medidas como reservar entradas para el teatro o ponerse en contacto con empresas para obtener información.
M es tan inteligente porque hace trampa. Funciona como Siri en el sentido de que cuando le envías un mensaje a M, los algoritmos intentan descubrir lo que quieres. Sin embargo, cuando no pueden, M no recurre a buscar en la Web oa decir lo siento, no entiendo la pregunta. En cambio, un ser humano se hace cargo de manera invisible y responde a su solicitud como si los algoritmos todavía estuvieran al mando. (Facebook se negó a decir cuántos de esos trabajadores tiene, o a hacer que M esté disponible para intentarlo).
Ese diseño es demasiado costoso para escalarlo a los 1200 millones de personas que usan Facebook Messenger, por lo que Facebook ofreció M a unos pocos miles de usuarios en 2015 como una especie de proyecto de I+D semipúblico. La intención de entrelazar trabajadores humanos y algoritmos era revelar cómo reaccionaría la gente ante un asistente virtual omnisciente y proporcionar datos que permitieran que los algoritmos aprendieran a hacerse cargo del trabajo de sus entrenadores humanos.
Todo el mundo en este campo sueña con crear el asistente que finalmente será muy, muy, muy inteligente, dice Alex Lebrun, quien inició el proyecto. Se supone que M abre un camino para hacerlo de verdad.
Ahora, dos años después de ese camino, el proyecto de investigación de Facebook puede considerarse exitoso. Usuarios como M, y se ha confirmado la teoría de que el software podría aprender a hacerse cargo de parte del trabajo de los entrenadores humanos. Sin embargo, M todavía está lejos del punto en el que podría ser un producto real ofrecido al otro 99,9 por ciento de los usuarios de Messenger, y el progreso ha sido más difícil de lo esperado.
Sabíamos que era un gran desafío, pero es aún más grande de lo que pensaba, dice Lebrun. La tasa de aprendizaje, el crecimiento de la automatización: hemos visto que sería más lento de lo que esperábamos. La historia de M es un recordatorio de lo lejos que ha llegado la inteligencia artificial en los últimos años y de lo lejos que tiene que llegar.
M es para Moonshot
La gente está sorprendentemente dispuesta a hablar con máquinas tontas. El primer chatbot fue creado en 1964 por el profesor del MIT Joseph Weizenbaum. Soltó líneas enlatadas en respuesta a palabras clave específicas, con más éxito cuando desempeñaba el papel de terapeuta. Para disgusto de Weizenbaum, muchas personas que lo intentaron, incluida su propia secretaria, se enamoraron a pesar de saber que el bot, llamado Eliza, no sabía nada. No me había dado cuenta de que exposiciones extremadamente cortas a un programa de computadora relativamente simple podían inducir pensamientos delirantes poderosos en personas bastante normales, escribió más tarde.
Hacer un chatbot que lo ayude a hacer las cosas, no solo actuando como caja de resonancia o confesor, es mucho más difícil. Cuando se le pide a un sirviente virtual que haga algo, una respuesta vaga o desviada no será suficiente. El software de hoy en día es deficiente para comprender el lenguaje y el mundo, por lo que los asistentes virtuales, como Siri o Alexa, deben programarse explícitamente para manejar cualquier tarea determinada.
Es por eso que los bots en el mercado tienen repertorios restringidos. Y probablemente explique por qué las sugerencias del año pasado de que los chatbots se configuraron para transformar la forma en que usamos las computadoras tanto como lo hicieron las aplicaciones móviles, impulsadas por Microsoft, Facebook y algunos inversores en tecnología, no parecen haber llegado a mucho. En este momento, los bots están desesperados, dice Greg Cohn, director ejecutivo de Burner, una empresa de privacidad móvil que comenzó a ayudar a los anfitriones de Airbnb a crear un bot simple para responder preguntas comunes de los huéspedes. Para los observadores de la industria, se siente como si estuvieran sobrevalorados y con un rendimiento insuficiente.
Lebrun construyó M porque había pasado más de una década construyendo chatbots estrechos y convencionales y soñaba con ofrecer mucho más. Se unió a Facebook a principios de 2015 cuando la red social adquirió Wit.ai, una empresa que cofundó para ayudar a las empresas a crear chatbots para funciones como atención al cliente. Lebrun había vendido previamente una empresa de chatbots al gigante del reconocimiento de voz Nuance.
Todos los bots del mercado, incluido el mío, se basaban en reglas, y sabes que un día alcanzarás un techo y nunca lo superarás, dice Lebrun. Nuestros hijos no funcionan con reglas ni guiones, y un día se vuelven más inteligentes que tú.
M se ofreció inicialmente solo a los empleados de Facebook y luego a algunos usuarios intensivos de Messenger en California. Y no tomó mucho tiempo demostrar que los algoritmos podrían aprender a hacer parte del trabajo que realizan los humanos que impulsan al asistente.
Tim Liedtke
El grupo de investigación de inteligencia artificial de Facebook usó M para probar un nuevo tipo de software de aprendizaje llamado red de memoria, que había demostrado aptitud para responder preguntas sobre historias simples. El software utiliza una especie de memoria de trabajo para almacenar información importante para su uso posterior, un diseño que Google también está probando para mejorar las habilidades de razonamiento del software.
Weizenbaum había sugerido en 1964 que algo como esto podría hacer que Eliza fuera más inteligente, y en cuestión de semanas funcionó para M. Lebrun recuerda haberse sorprendido después de agradecer al asistente por pedir entradas para el cine. Automáticamente generó la respuesta De nada. Disfruta la pelicula. M había aprendido a recordar y usar el contexto de la tarea en la que estaba ayudando. Quedamos realmente impresionados, dice Lebrun. Nadie escribió un programa para hacer eso.
Las redes de memoria continuaron haciendo más. Ahora se activan si alguien le pide a M que envíe flores, por ejemplo, utilizando automáticamente información clave de la solicitud, como el presupuesto o la dirección, para generar sugerencias de floristas en línea. El entrenador humano luego elige cuál ofrecer al usuario.
Otros descubrimientos han sido menos alentadores. Uno es el gran apetito que M abre en sus usuarios. Con asistentes limitados y completamente automatizados como Siri o Alexa, las personas tienden a acostumbrarse a usar algunas funciones que encuentran que funcionan de manera confiable. Con M, no lo hacen.
La gente trata primero de preguntar por el tiempo mañana; luego preguntan '¿Hay algún restaurante italiano disponible?' Luego tienen una pregunta sobre inmigración, y después de un tiempo le piden a M que organice su boda, dice Lebrun. Sabíamos que sería peligroso, y es más amplio que nuestras expectativas.
Los entrenadores humanos hacen lo mejor que pueden cuando reciben consultas difíciles como Haga arreglos para que un loro visite a mi amigo , pero a veces se niegan a ayudar por completo. Sin embargo, incluso si M rechazara automáticamente las consultas más complejas de los usuarios, la gran variedad de sus solicitudes hace que el objetivo de que los algoritmos tomen el relevo de los entrenadores humanos sea más difícil de alcanzar. Una técnica llamada aprendizaje profundo recientemente ha hecho que el aprendizaje automático sea más poderoso (las redes de memoria son un ejemplo). Pero aprender a manejar una amplia variedad de escenarios complejos, con pocos datos sobre cada uno porque no surgen con frecuencia, no es el tipo de problema en el que sobresale el aprendizaje profundo. Es mucho más inteligente y puede aprender tareas muy complejas, pero necesita muchos datos, dice Lebrun.
Largo plazo
El progreso más lento de lo esperado ha llevado a Facebook a reimaginar su proyecto. La semana pasada apareció una función llamada Sugerencias M en Messenger, similar en función a los tipos de bots limitados que M pretende desplazar. Examina tus chats con amigos en busca de pistas de que tal vez quieras hacer cosas como pedir un viaje con Uber o enviar dinero a alguien, y ofrece un botón para lograr esos objetivos con un solo toque.
Decidimos buscar un caso de uso en el que podamos acelerar la entrega de valor a los usuarios, dice Laurent Landowski, quien se unió a Facebook con Lebrun como cofundador de Wit.ai y ahora supervisa M. (Lebrun regresó a su Francia natal en enero y se unió a la investigación de IA de Facebook laboratorio en París.)
El M original, dependiente de humanos, todavía está disponible, brindando un valor mucho mayor a sus pocos afortunados usuarios. Facebook dice que está comprometido con el proyecto, y el momento actual de la inteligencia artificial es bueno para las apuestas a largo plazo. En los últimos años, el aprendizaje profundo ha superado las técnicas y expectativas establecidas para el software que procesa el lenguaje, dice justine cassell , profesor de Carnegie Mellon. Estamos en los días de gloria de estos nuevos algoritmos de aprendizaje automático, dice. De hecho, la precisión de la traducción de Google saltó recientemente a un nivel casi humano.
Eso no significa que sea una conclusión inevitable que el software pueda aprender a jugar al mayordomo al ver a los humanos hacerlo. No creo que lo sepamos todavía, dice Cassell. Pero los investigadores de Facebook dicen que tienen muchas ideas para explorar.
Uno es hacer que el lado automatizado de M aprenda de los comentarios positivos o negativos en los mensajes que envían los usuarios, usando una técnica inspirada en el proceso de entrenamiento de animales con recompensas (ver 10 Tecnologías innovadoras 2017: Aprendizaje por refuerzo). M podría avanzar más rápido si no depende únicamente de imitar lo que hacen sus contratistas humanos. Para generar ideas en la comunidad de investigación más amplia, el equipo de Facebook ha lanzado herramientas para ayudar a otros a probar y comparar bots asistentes sin guión. Y ahora también se pueden probar nuevas técnicas prometedoras a mayor escala, en M Sugerencias.
Lebrun y Landowski creen que todavía están en camino de llevar finalmente la M real a las masas. A veces decimos que son tres o cinco años, pero tal vez sean 10 años o más, dice Landowski.
Lebrun agrega: Es muy difícil y avanzamos lentamente, pero creo que tenemos todo lo que necesitamos. Podría tener razón, pero también puedes imaginar a alguien que conoció a Eliza en 1964 diciendo casi lo mismo.