Google EAE är en AI som kan svara på frågor snabbt med mindre text

Google Research, Googles forskargrupp för artificiell intelligens, är författare till en studie som beskriver en ny modell av artificiell intelligens (AI) som kan komma åt en enhets minne via text och svar på frågor på kortare tid.

Sök efter Google Research med titeln Enheten är expert: Få tillgång till minne sparsamt med enhetsövervakning (Enheten är expert: mindre minnesåtkomst med enhetsövervakning), Detta är en kraftfull teknik som implementerar djupinlärning i en ny neural nätverksmodell som kan returnera ett fullständigt svar på kortare tid när den kommer åt minnet från enheter som definieras i en enda textbit.

Google förklarar att EaE (entities like experts) är en ny inlärningsmodell, men istället för att lära sig av liknande eller återkommande situationer genom ett sammanhang, kan den lära sig av minnen kasta nyckelord (entiteter) som människor, objekt, platser ännu och en textåsikt.

Vi fokuserar på problemet med att fånga deklarativ kunskap i parametrar som lärs in av en språkmodell. Vi presenterar en ny modell: Enhet som expert (EAE): få tillgång till olika minnen av enheter som nämns i ett textstycke.

Experter påpekar att Google EaE kan övervinna störande inlärningsmodeller med lite data att bearbeta, och förklarar att det kan lösa konflikter som liknar naturliga språkinlärningsmodeller som modeller som används i Google Translate.

EAE-modellen, som presenteras av forskarna, kan lära sig att komma åt minnet av dessa enheter som finns i texten, vilket hjälper till att lösa problem eller frågor utan att behöva träna ett nätverk. Andra neuroner lär sig om enheter (människor, föremål, platser eller element) närvarande i meningar.

Modellen lär sig kunskap direkt från texten, tillsammans med andra modellparametrar (d.v.s. konfigurationsvariabler uppskattade från data och som krävs av modellen när man gör förutsägelser), och associationsminnen med specifika enheter eller typer av data såsom titlar och numeriska uttryck.

Hur får man svar med lite information?

Författarna förklarar funktionen av EAE med Charles Darwin som sökexempel, vid analys av egennamn kommer en traditionell modell att ta alla möjligheter som har referenser till namnet i texten, medan EAE “Du kan komma åt en dedikerad representation av ‘Charles Darwin’, som är en påminnelse om alla sammanhang där denna enhet nämndes ovan.”

Och som ett resultat kan du komma åt andra omnämnanden av Darwinf efter att minnet har hämtats, så att EAE kommer att svara mer effektivt.

För att verifiera detta tränade forskarna EAE-modellen med Wikipedia-artiklar och Google Cloud Natural Language API för totalt 32 miljoner sammanhang associerade med över 17 miljoner enhetsomnämnanden.

TriviaQA-system, inklusive ett läsförståelsesystem och frågesporter kombinerade med material enligt forskarna: Från TriviaQA har 77% av träningsexemplen sparats; de som inte är ett företag har eliminerats.

Experter påpekar att denna nya teknik kan distribueras på företagsnivå, till exempel för att distribuera en chatbotbas som bearbetar oändlig information och svarar på frågor om ett ämne eller funktion. .