Μπορεί η συνομιλητική τεχνητή νοημοσύνη να παραλείψει την εκπαίδευση NLP;  Το Yellow AI έχει ένα σχέδιο

Μπορεί η συνομιλητική τεχνητή νοημοσύνη να παραλείψει την εκπαίδευση NLP; Το Yellow AI έχει ένα σχέδιο

Dezember 5, 2022 0 Von admin

Ρίξτε μια ματιά στις συνεδρίες κατ‘ απαίτηση από τη Σύνοδο Κορυφής Low-Code/No-Code για να μάθετε πώς να καινοτομείτε με επιτυχία και να επιτύχετε αποτελεσματικότητα, αναβαθμίζοντας και κλιμακώνοντας τους πολίτες προγραμματιστές. Παρακολουθήσετε τώρα.


Μία από τις μεγαλύτερες προκλήσεις εγκατάστασης που αντιμετωπίζουν οι ομάδες τεχνητής νοημοσύνης (AI) είναι η μη αυτόματη εκπαίδευση πρακτόρων. Οι τρέχουσες εποπτευόμενες μέθοδοι είναι χρονοβόρες και δαπανηρές, απαιτώντας δεδομένα εκπαίδευσης με μη αυτόματο τρόπο για όλες τις τάξεις. Σε έρευνα του Διαστατική Έρευνα και ΑΙΕΓΙΟΝτο 96% των ερωτηθέντων λένε ότι έχουν αντιμετωπίσει ζητήματα που σχετίζονται με την εκπαίδευση, όπως η ποιότητα των δεδομένων, η επισήμανση που απαιτείται για την εκπαίδευση του μοντέλου και η οικοδόμηση εμπιστοσύνης του μοντέλου.

Καθώς ο τομέας της επεξεργασίας φυσικής γλώσσας (NLP) αναπτύσσεται σταθερά μέσω των εξελίξεων στα βαθιά νευρωνικά δίκτυα και στα μεγάλα σύνολα δεδομένων εκπαίδευσης, αυτό το ζήτημα έχει μπει στο επίκεντρο μιας σειράς περιπτώσεων χρήσης που βασίζονται στη γλώσσα. Για την αντιμετώπισή του, πλατφόρμα συνομιλίας AI Κίτρινο AI πρόσφατα ανακοίνωσε την κυκλοφορία του DynamicNLP, μιας λύσης που έχει σχεδιαστεί για να εξαλείψει την ανάγκη για εκπαίδευση μοντέλων NLP.

Το DynamicNLP είναι ένα προεκπαιδευμένο μοντέλο NLP, το οποίο προσφέρει το πλεονέκτημα ότι οι εταιρείες δεν χρειάζεται να σπαταλούν χρόνο στην εκπαίδευση του μοντέλου NLP συνεχώς. Το εργαλείο βασίζεται σε μηδενική μάθηση (ZSL), η οποία εξαλείφει την ανάγκη των επιχειρήσεων να περάσουν από τη χρονοβόρα διαδικασία της μη αυτόματης επισήμανσης δεδομένων για την εκπαίδευση του bot AI. Αντίθετα, αυτό επιτρέπει στους δυναμικούς πράκτορες τεχνητής νοημοσύνης να μαθαίνουν εν κινήσει, ρυθμίζοντας ροές τεχνητής νοημοσύνης συνομιλίας μέσα σε λίγα λεπτά, μειώνοντας παράλληλα τα δεδομένα εκπαίδευσης, το κόστος και τις προσπάθειες.

«Η μάθηση μηδενικής λήψης προσφέρει έναν τρόπο παράκαμψης αυτού του ζητήματος επιτρέποντας στο μοντέλο να μάθει από το όνομα πρόθεσης», δήλωσε ο Raghu Ravinutala, Διευθύνων Σύμβουλος και συνιδρυτής της Yellow AI. „Αυτό σημαίνει ότι το μοντέλο μπορεί να μάθει χωρίς να χρειάζεται να εκπαιδευτεί σε κάθε νέο τομέα.“

Εκδήλωση

Ευφυής Σύνοδος Ασφάλειας

Μάθετε τον κρίσιμο ρόλο του AI & ML στην ασφάλεια στον κυβερνοχώρο και τις ειδικές περιπτωσιολογικές μελέτες του κλάδου στις 8 Δεκεμβρίου. Εγγραφείτε για το δωρεάν πάσο σας σήμερα.

Κάνε εγγραφή τώρα

Επιπλέον, το μοντέλο zero-shot μπορεί επίσης να μετριάσει την ανάγκη συλλογής και σχολιασμού δεδομένων για αύξηση της ακρίβειας, είπε.

Εμπόδια εκπαίδευσης συνομιλίας AI

Οι πλατφόρμες τεχνητής νοημοσύνης συνομιλίας απαιτούν εκτενή εκπαίδευση για την αποτελεσματική παροχή συνομιλιών που μοιάζουν με τον άνθρωπο. Αν δεν προστίθενται και ενημερώνονται συνεχώς οι δηλώσεις, το μοντέλο chatbot αποτυγχάνει να κατανοήσει την πρόθεση του χρήστη, επομένως δεν μπορεί να προσφέρει τη σωστή απάντηση. Επιπλέον, η διαδικασία πρέπει να διατηρηθεί για πολλές περιπτώσεις χρήσης, κάτι που απαιτεί χειροκίνητη εκπαίδευση NLP με εκατοντάδες έως χιλιάδες διαφορετικά σημεία δεδομένων.

Όταν χρησιμοποιείτε μεθόδους εποπτευόμενης εκμάθησης για να προσθέσετε εκφωνήσεις (εισαγωγή χρήστη chatbot), είναι σημαντικό να παρακολουθείτε συνεχώς τον τρόπο με τον οποίο οι χρήστες πληκτρολογούν τις εκφράσεις, προσθέτοντας σταδιακά και επαναληπτικά αυτές που δεν αναγνωρίστηκαν. Αφού επισημανθούν, οι λέξεις που λείπουν πρέπει να επανεισαχθούν στην εκπαίδευση. Πολλά ερωτήματα ενδέχεται να μην αναγνωριστούν κατά τη διάρκεια της διαδικασίας.

Μια άλλη σημαντική πρόκληση είναι πώς μπορούν να προστεθούν εκφράσεις. Ακόμα κι αν ληφθούν υπόψη όλοι οι τρόποι με τους οποίους καταχωρούνται τα στοιχεία χρήστη, εξακολουθεί να τίθεται το ερώτημα πόσους θα μπορεί να εντοπίσει το chatbot.

Για το σκοπό αυτό, η πλατφόρμα DynamicNLP του Yellow AI έχει σχεδιαστεί για να βελτιώνει την ακρίβεια των ορατών και αόρατων προθέσεων στις εκφωνήσεις. Η κατάργηση της μη αυτόματης επισήμανσης βοηθά επίσης στην εξάλειψη σφαλμάτων, με αποτέλεσμα ένα ισχυρότερο, πιο ισχυρό NLP με καλύτερη κάλυψη για όλους τους τύπους συνομιλιών.

Σύμφωνα με την Yellow AI, η ευελιξία του μοντέλου του DynamicNLP επιτρέπει στις επιχειρήσεις να μεγιστοποιήσουν με επιτυχία την αποδοτικότητα και την αποτελεσματικότητα σε ένα ευρύτερο φάσμα περιπτώσεων χρήσης, όπως η υποστήριξη πελατών, η δέσμευση πελατών, το εμπόριο συνομιλίας, η αυτοματοποίηση HR και ITSM.

Σύμφωνα με την Yellow AI, η ευελιξία του μοντέλου του DynamicNLP επιτρέπει στις επιχειρήσεις να μεγιστοποιήσουν με επιτυχία την αποδοτικότητα και την αποτελεσματικότητα σε ένα ευρύτερο φάσμα περιπτώσεων χρήσης, όπως η υποστήριξη πελατών, η δέσμευση πελατών, το εμπόριο συνομιλίας, η αυτοματοποίηση HR και ITSM. Πηγή: Yellow AI

«Η πλατφόρμα μας συνοδεύεται από ένα προεκπαιδευμένο μοντέλο με μάθηση χωρίς επίβλεψη που επιτρέπει στις επιχειρήσεις να παρακάμψουν την κουραστική, περίπλοκη και επιρρεπή σε σφάλματα διαδικασία εκπαίδευσης μοντέλων», δήλωσε ο Ravinutala.

Το προεκπαιδευμένο μοντέλο έχει κατασκευαστεί χρησιμοποιώντας δισεκατομμύρια ανώνυμες συνομιλίες, για τις οποίες ο Ravinutala ισχυρίστηκε ότι συμβάλλουν στη μείωση των αγνώστων δηλώσεων έως και 60%, καθιστώντας τους πράκτορες AI πιο ανθρώπινες και επεκτάσιμους σε κλάδους με ευρύτερες περιπτώσεις χρήσης.

«Η πλατφόρμα έχει επίσης εκτεθεί σε πολλές δηλώσεις που σχετίζονται με τον τομέα», είπε. „Αυτό σημαίνει ότι οι επόμενες ενσωματώσεις προτάσεων που δημιουργούνται είναι πολύ ισχυρότερες, με 97%+ ακρίβεια πρόθεσης.“

Ο Ravintula είπε ότι η χρήση προεκπαιδευμένων μοντέλων για τη βελτίωση της ανάπτυξης συνομιλίας AI αναμφισβήτητα θα αυξηθεί, περιλαμβάνοντας διαφορετικούς τρόπους, όπως κείμενο, φωνή, βίντεο και εικόνες.

«Οι επιχειρήσεις σε όλες τις βιομηχανίες θα απαιτούσαν ακόμη λιγότερες προσπάθειες για να συντονίσουν και να δημιουργήσουν τις μοναδικές τους περιπτώσεις χρήσης, καθώς θα έχουν πρόσβαση σε μεγαλύτερα προεκπαιδευμένα μοντέλα που θα προσφέρουν μια αυξημένη εμπειρία πελατών και εργαζομένων», είπε.

Μια τρέχουσα πρόκληση, επεσήμανε, είναι να γίνουν τα μοντέλα περισσότερο ενήμερα για το περιβάλλον, καθώς η γλώσσα, από τη φύση της, είναι διφορούμενη.

«Τα μοντέλα που είναι σε θέση να κατανοούν εισόδους ήχου που περιλαμβάνουν πολλαπλά ηχεία, θόρυβο φόντου, προφορά, τόνο κ.λπ., θα απαιτούσαν μια διαφορετική προσέγγιση για την αποτελεσματική παροχή ανθρώπινων φυσικών συνομιλιών με τους χρήστες», είπε.

Η αποστολή του VentureBeat πρόκειται να αποτελέσει μια ψηφιακή πλατεία της πόλης για τους τεχνικούς λήπτες αποφάσεων ώστε να αποκτήσουν γνώσεις σχετικά με τη μετασχηματιστική επιχειρηματική τεχνολογία και να πραγματοποιήσουν συναλλαγές. Ανακαλύψτε τις Ενημερώσεις μας.