vendredi, 15 mars 2024

Le secret de l’IA neuro-symbolique, de l’apprentissage non supervisé et des technologies du langage naturel

L’intelligence artificielle est peut-être le principe le plus mal interprété de la gestion moderne de l’information. La majorité des organisations sont incertaines de la relation entre l’IA et l’apprentissage automatique (elles sont loin d’être des synonymes) et des distinctions entre supervisé et non surveillé (ce qui n’a rien à voir avec le suivi des résultats ou l’humain dans la boucle) .

Ils voient peu d’avantages à combiner des méthodes de découverte de machines analytiques avec la base de compréhension ultime de l’IA, à faire correspondre des approches d’apprentissage surveillées onéreuses avec de vraies non supervisées et à mettre en œuvre une IA neuro-symbolique pour leurs procédures d’innovation cognitive.

C’est-à-dire jusqu’à ce qu’ils reconnaissent à quel point cela leur permet d’économiser tout en maîtrisant pratiquement tous les éléments des technologies du langage naturel, en particulier en ce qui concerne les questions et les réponses.

Ceux qui triomphent en associant le connexionniste méthode de stratégies d’intelligence artificielle avec le raisonnement symbolique mettant en évidence la base de compréhension de l’IA rendent ces innovations beaucoup plus efficaces, peu coûteuses et efficaces pour pratiquement toutes les applications ication du traitement du langage naturel, en particulier la réponse au domaine de préoccupation auparavant insaisissable.

L’intelligence artificielle caractérise le côté analytique de l’IA, qui contrebalance celui de sa base de pensée ou de compréhension symbolique. Le manque d’informations de formation étiquetées dans un domaine particulier a en fait régulièrement fonctionné comme un obstacle pour les entreprises qui lancent avec zèle des initiatives d’apprentissage automatique sous le couvert de « faire de l’IA ». Lorsqu’ils peuvent découvrir suffisamment d’informations d’exemple pour leurs cas d’utilisation, ils doivent subir la procédure ardue d’annotation de ces informations pour des techniques d’apprentissage supervisées – ce qui nécessite des informations de formation identifiées. Selon Welsh, avec « un autre grand fournisseur de Seattle qui a une capacité de recherche cognitive, il en coûte en moyenne 250 000 $ juste pour payer quelqu’un pour identifier les informations. Si vous jetez un œil à toutes les sociétés d’IA efficaces, elles sont pas réellement des entreprises d’IA. Ce sont des entreprises d’étiquetage de données. « 

Il existe de nombreux problèmes liés à la dépendance à des techniques d’apprentissage purement supervisées pour le traitement du langage naturel, la recherche, la réponse aux questions et les interactions linguistiques en temps réel avec les systèmes de données , y compris :

  • Effort : Comme Welsh l’a mentionné, les coûts élevés de l’étiquetage des données sont liés au labeur nécessaire pour accomplir cette tâche. « C’est un peu comme transformer un pétrolier où vous devez étiqueter plus de données, recycler le système, espérer que c’était bien, si ce n’était pas bien, étiqueter plus de données, reformer le système, espérer que c’était bien et continuer à itérer. cette procédure », a indiqué le gallois.
  • Délai de valorisation : Le temps nécessaire pour obtenir des résultats significatifs et des actions ultérieures basées sur des ensembles de données abondants est considérablement allongé avec cette méthode.
  • Compréhension limitée : Welsh a observé que sans augmentation, « les méthodes analytiques ont une compréhension très superficielle du langage. La sémantique n’est tout simplement pas là. »

En plus Pour compléter la confiance statistique de l’apprentissage automatique par un raisonnement symbolique, les principaux mécanismes d’IA neuro-symbolique comptent sur des techniques de connaissance sans supervision pour éviter les coûts, les retards temporels et d’autres problèmes compliquant les éléments essentiels des données de formation étiquetées de la connaissance surveillée. Par définition, l’apprentissage sans supervision n’inclut pas les données de formation identifiées et utilise des méthodes telles que le clustering pour identifier des catégories ou des modèles dans les données. Lorsqu’elles sont utilisées avec d’autres techniques d’inférence sémantique telles que des graphiques de connaissances, des modèles de données ou des ontologies approfondis et des vocabulaires – glanés via l’analyse des données elles-mêmes – ces méthodes sans supervision fonctionnent en combinaison avec un apprentissage supervisé pour comprendre le langage pour la recherche cognitive.

Un tel système d’IA neuro-symbolique est « sans supervision dans sa construction de la représentation de compréhension, mais il utilise des modèles surveillés pour extraire des informations afin de développer ensuite cette représentation », a déclaré Welsh. « Il existe certains modèles que nous avons en fait formés à la façon d’extraire des détails ou des connaissances à partir des données, mais ce sont des conceptions extrêmement basiques qui nous permettent de découvrir l’appareil sans supervision pour construire la représentation de compréhension. »

Les exemples de connaissances référencées en gallois consistent en des termes de service ou des idées comme « consommateur » qui sont identifiés dans un ensemble spécifique de documents afin que les utilisateurs puissent poser des questions à ce sujet. Plus important encore, avec cette méthode, ils n’ont pas besoin de recréer le problème des données d’apprentissage étiquetées en créant au préalable des taxonomies étendues – ce qui est « un peu comme le problème d’étiquetage des données mais pour les technologies sémantiques, où vous avez maintenant besoin d’un spécialiste humain pour entrer et faire une note de toute cette représentation des connaissances ; cela peut prendre de façon permanente et souvent ces systèmes sont super cassables », a averti Welsh.

Lier les techniques de connaissance non supervisées et supervisées au raisonnement symbolique permet aux organisations de représenter la compréhension nécessaire pour comprendre leur texte sans construire de taxonomies à l’avance ni payer pour identifier des ensembles de données. Cette procédure implique implicitement « de tirer le meilleur des deux mondes des technologies sémantiques et des technologies de découverte de l’appareil et d’éliminer les restrictions de chacun », a noté Welsh. La pensée symbolique, la base de compréhension de l’IA, est directement responsable de la compréhension de ces représentations de compréhension, de leur signification pour les requêtes et du nombre de termes ou de principes associés les uns aux autres au moyen des technologies graphiques.

Les vocabulaires et les significations tirés Les textes des organisations sont rapidement interrogés dans les tableaux de connaissances de sorte que « d’un point de vue de réponse aux questions et d’un point de vue de compréhension du langage naturel, vous ayez une compréhension sémantique du langage beaucoup plus riche que les approches de découverte de purs créateurs », a révélé Welsh. De plus, il n’y a pas de période de formation prolongée à la conception pour le compte des utilisateurs finaux, tandis que la compréhension contextualisée de la compréhension de ce type d’offres d’IA est idéale pour les faits critiques que les utilisateurs n’ont pas clairement indiqués pour les informations que le système voit au début. « Une entreprise de fabrication allemande avait en fait développé un système d’apprentissage automatique interne », se souvient Welsh. « Il leur a fallu huit années-personnes pour le construire et un tas d’informations identifiées, beaucoup de chercheurs de données qui s’en occupent et [la méthode Neuro-AI] hors package ont eu des résultats F1 exceptionnels pour leur système. »

Indépendamment de sa tendance à sous-tendre tout, de la vision par ordinateur à des variétés particulières de traitement du langage naturel, l’apprentissage automatique n’est qu’une branche de l’IA. Sa capacité analytique fonctionne bien mieux lorsqu’elle est associée à la base de connaissances de l’IA qui comprend l’inférence sémantique, des tableaux de connaissances, des ontologies descriptives, etc. L’intelligence artificielle à elle seule, en particulier lorsqu’elle se manifeste simplement sous la forme d’une connaissance surveillée, n’est pas suffisante pour gérer les applications avancées de réponse aux questions et d’innovation en langage naturel à l’échelle, à la vitesse et au coût de l’entreprise. Ceux qui s’appuient indûment sur cette technique n’utilisent que la moitié du potentiel de l’IA pour résoudre les problèmes de service avec des approches innovantes.

L’IA neuro-symbolique indique que l’apprentissage automatique statistique n’est pas surveillé et surveillé, connaissant des méthodes avec des techniques de pensée symbolique pour redoubler La valeur de l’entreprise de l’IA. Cette expression totale de l’IA reconnaît sa pleine capacité de recherche cognitive, d’applications textuelles et d’innovations en langage naturel. Ce sont les manières de gérer le stress entre les approches connexionnistes et symboliques qui les ont généralement empêchés de collaborer dans les systèmes informatiques des organisations contemporaines.

.

Toute l’actualité en temps réel, est sur L’Entrepreneur

LAISSER UN COMMENTAIRE

S'il vous plaît entrez votre commentaire!
S'il vous plaît entrez votre nom ici