211service.com
Libros de cocina, Wikipedia y spanglish generado automáticamente: las formas peculiares en que los investigadores de inteligencia artificial recopilan datos
Imágenes de Joe Raedle/Getty
Los datos son el aceite que alimenta el desarrollo de la IA y nos brinda muchos de los avances que damos por sentado: subtítulos de YouTube, recomendaciones de música de Spotify, esos anuncios espeluznantes que lo siguen por Internet.
Pero cuando se trata de recopilar datos útiles, los expertos en IA a menudo tienen que ser creativos. Tomemos como ejemplo el procesamiento del lenguaje natural (NLP), un subcampo de la IA que se enfoca en enseñar a las computadoras cómo analizar el lenguaje humano. En la Conferencia anual sobre métodos empíricos en PNL, los expertos presentaron una amplia gama de investigaciones que se basaron en información recopilada de formas ingeniosas. A continuación, resumimos cuatro de nuestros proyectos favoritos.
ESPANGLISH
Entre los artículos sobre PNL multilingüe de este año, Microsoft presentado uno que se centró en el procesamiento de lenguaje mixto de código: texto o voz que cambia fluidamente entre dos idiomas. Teniendo en cuenta que más de la mitad de la población mundial es multilingüe, esta área poco estudiada es importante.
Los investigadores comenzaron con Spanglish (español e inglés), pero carecían de suficiente texto en Spanglish para entrenar la máquina. Tan común como la combinación de códigos es en una conversación multilingüe, rara vez se encuentra en el texto. Para superar ese desafío, los investigadores escribieron un programa para incluir el inglés en el traductor Microsoft Bing y entretejer algunas frases de la traducción al español en el texto original. El programa se aseguró de que las palabras y frases intercambiadas tuvieran el mismo significado. Así de simple, pudieron crear todo el spanglish que necesitaban.
El modelo de PNL resultante superó a los modelos anteriores que se entrenaron solo en español e inglés por separado. Los investigadores esperan que su trabajo eventualmente ayude a desarrollar chatbots multilingües que puedan hablar de forma natural en un lenguaje de código mixto.
LIBROS DE COCINA
Las recetas son geniales para hacer comida, pero también pueden alimentar a las máquinas. Todos siguen un patrón paso a paso similar y, a menudo, incluyen imágenes que se corresponden con el texto, una excelente fuente de datos estructurados para enseñar a las máquinas a comprender texto e imágenes al mismo tiempo. Por eso, investigadores de la Universidad Hacettepe de Turquía compiló un conjunto de datos gigante de unas 20.000 recetas de cocina ilustradas. Esperan que sea un nuevo recurso para evaluar comparativamente el rendimiento de la comprensión conjunta de imagen y texto.
Lo que llaman RecipeQA se basará en investigaciones anteriores que se han centrado en la comprensión de lectura automática y la comprensión visual por separado. En el primero, la máquina debe comprender una pregunta y un pasaje relacionado para encontrar la respuesta; en el segundo, busca la respuesta en una foto relacionada. Tener texto y fotos uno al lado del otro aumenta la complejidad de la tarea porque las fotos y el texto pueden compartir información complementaria o redundante.
ORACIONES CORTAS
Google quiere que la IA mejore tu prosa. Con este fin, los investigadores crearon allí el el mayor conjunto de datos de la historia para dividir oraciones largas en otras más pequeñas con el significado equivalente. ¿Dónde encontraría grandes cantidades de datos de edición? Wikipedia, por supuesto.
Del rico historial de edición de Wikipedia, el equipo de investigación extrajo instancias en las que las personas dividieron oraciones largas. El resultado: 60 veces más ejemplos distintos de división de oraciones y 90 veces más palabras de vocabulario que las que se encontraron en el conjunto de datos de referencia anterior para esta tarea. El conjunto de datos también abarca varios idiomas.
Cuando entrenaron un modelo de aprendizaje automático con sus nuevos datos, logró un 91 % de precisión. (Aquí, el porcentaje refleja la proporción de oraciones que mantuvieron su significado y corrección gramatical después de ser reescritas). En comparación, un modelo entrenado con datos previos alcanzó solo un 32 % de precisión. Cuando combinaron ambos conjuntos de datos y entrenaron otro modelo, lograron una precisión del 95 %. Los investigadores concluyeron que se podrían realizar mejoras futuras encontrando aún más fuentes de datos.
SESGO DE MEDIOS SOCIALES
Los estudios han demostrado que el lenguaje que generamos puede ser un gran predictor de nuestra raza, género y edad, incluso si esa información nunca se menciona explícitamente. Con eso en mente, los investigadores de la Universidad Bar-Ilan en Israel y el Instituto Allen de Inteligencia Artificial intentaron usar IA para eliminar el sesgo del texto. eliminando esos indicadores incrustados .
Para adquirir suficientes datos que pudieran representar los patrones lingüísticos en diferentes grupos demográficos, recurrieron a Twitter. Recopilaron un montón de tuits de usuarios que se distribuyeron uniformemente entre blancos no hispanos y negros no hispanos; entre hombres y mujeres; y entre personas en los grupos de edad de 18 a 34 años y mayores de 35 años.
Luego utilizaron un enfoque contradictorio, enfrentando dos redes neuronales entre sí, para ver si podían eliminar automáticamente los indicadores demográficos inherentes dentro de los tweets. Una red neuronal trató de predecir la demografía, mientras que la otra trató de modificar el texto para que fuera completamente neutral, con el objetivo de reducir la precisión de predicción del primer modelo al 50 % (o probabilidad). En última instancia, el enfoque mitigó los indicadores de raza, género y edad de manera significativa, pero no total.