IA et compréhension de la sémantique - la prochaine étape de l'évolution du TAL est proche

L'IA est sur le point de comprendre la sémantique comme prochaine étape de son évolution

L'IA est un terme impropre, du moins c'est ce qu'on suggère souvent. La première lettre — artificielle — est à peu près correcte. Quant au deuxième mot - eh bien, il n'y a rien d'intelligent là-dedans. Prenons l'exemple de la sémantique, il n'y a rien d'intelligent à distance, ou autrement, à ce que la technologie artificielle comprenne le sens des phrases, des paragraphes et des livres pour la simple raison qu'elle est irrémédiablement mauvaise.

Mais cela pourrait-il être sur le point de changer ? Récemment, nous avons rencontré Hadayat Seddiqi, directeur de l'apprentissage automatique de la société de technologie juridique InCloudCounsel. Il estime que l'IA est sur le point d'atteindre une compréhension de la sémantique comme prochaine étape de son évolution. Nous avons demandé :"quand sommes-nous susceptibles d'atteindre ce jalon ?"

SEO :si vous êtes un écrivain, fier de votre écriture, en appliquant votre lexique pour exprimer une idée sans répétition, alors vous détestez probablement le SEO. Si vous aimez faire un argument complexe, qui ne peut vraiment s'exprimer que sur une phrase, un chapitre, un article ou même un livre, alors SEO, à cause de la façon dont il vous fait des arguments stupides en deux, trois ou quatre mots, comme l'IA et la compréhension de la sémantique, est l'ennemi. (Vous voyez ce que nous avons fait, là ?)

Ne serait-il pas formidable si la recherche, en utilisant l'IA pour comprendre la sémantique (et nous y revenons), pouvait créer des résultats de recherche basés sur une compréhension beaucoup plus sophistiquée - intelligente, si vous voulez -, supprimant le besoin de répétitions fastidieuses !

Le marché du traitement du langage naturel devrait en fait atteindre 22,3 milliards de dollars d'ici 2025, ce qui illustre le chemin parcouru par la technologie, en particulier dans la façon dont nous communiquons et faisons des affaires.

Actuellement, ces technologies sont utilisées à diverses fins au sein des organisations, y compris la surveillance de la réputation des marques pour déterminer l'analyse des sentiments, fournir des informations sur les emplacements d'annonces via la correspondance des mots clés ou la désambiguïsation du sens, et peuvent même être utilisées dans le cadre de la conformité réglementaire pour s'assurer que les produits ne ne devienne pas un handicap.

Dans ce cas, le véritable pouvoir de l'IA pour révolutionner les industries et déterminer les principales informations commerciales réside dans sa capacité à lire du texte et à comprendre la sémantique (ou la relation entre les mots) pour aider les organisations à atténuer davantage les risques et à découvrir les responsabilités. Cela crée à son tour une valeur considérable dans le traitement du langage naturel.

Alors, dans l'histoire de l'IA permettant la compréhension de la sémantique, quelle est la prochaine étape de son évolution et quand sommes-nous susceptibles d'atteindre ce jalon ?

Seddiqi déclare :« Atteindre la compréhension sémantique dans l'IA nécessitera plusieurs étapes clés. Il est utile de penser en termes de progrès itératifs nous menant à la compréhension sémantique de l'IA et de ce que signifie chaque étape."

« Une étape précédente », déclare Seddiqi, est Word Vectors :« Encadrons cette étape en termes d'un cas d'utilisation courant que la plupart des gens connaissent :la fonctionnalité de recherche sur un ordinateur. Tout le monde a utilisé Ctrl+F/Commande+F pour trouver quelque chose sur leur système, qui trouve ce que vous cherchez en faisant correspondre exactement les mots-clés. De plus, l'utilisation d'un moteur de recherche tel que Google pour trouver des informations inclura un composant de "correction orthographique" pour traiter les fautes d'orthographe potentielles.

"Mais qu'en est-il des mots qui semblent très différents mais signifient des choses similaires ? Vers 2013, la communauté de l'IA a trouvé un moyen efficace de modéliser cela appelé "vecteurs de mots". Vous pouvez faire des trucs amusants d'algèbre de mots, comme King + Woman vous donnera Queen. Plus concrètement, vous pouvez maintenant élargir votre recherche pour inclure des mots sémantiquement liés. »

Étape à venir dans la compréhension de la sémantique de l'IA

"Les vecteurs de mots ont changé la donne, mais ils vous obligeaient toujours à exprimer votre idée en termes d'un ou de quelques mots clés. Mais que se passe-t-il si votre idée nécessite une phrase entière pour être exprimée ? C'est la prochaine étape, que nous atteignons grâce à une grande poussée dans la recherche l'année dernière.

"L'idée est que vous pouvez prendre une phrase, l'encoder dans un vecteur de phrase (ou de pensée) et ensuite trouver des vecteurs de phrases similaires. Si elle est bien encodée, votre fonction de recherche peut trouver des phrases très différentes qui expriment la même idée.

"Il n'est pas déraisonnable de dire que cette technologie arrivera à maturité dans les prochaines années, sur la base des progrès de la recherche actuelle.

Étapes futures :comprendre l'IA au-delà des phrases

« Il y a un schéma clair de hiérarchie qui émerge dans la progression de cette technologie. Nous nous rapprochons de l'IA pour comprendre les idées au niveau de la phrase en utilisant des techniques similaires au niveau des mots et en les augmentant. Cela ouvre des applications passionnantes pour que l'IA comprenne des idées nécessitant des paragraphes, des documents entiers ou même des livres entiers.

"Le récent bond de l'IA dans la compréhension des phrases à partir de mots n'a pas été anodin, car la capacité de le faire a été largement limitée par la taille de l'ensemble de données et la puissance de calcul. Jusqu'à présent, il a été démontré que notre capacité à créer des modèles pour gérer ces problèmes plus importants dépendait de ces deux contraintes de ressources.

"Alors que ces coûts diminuent grâce aux progrès du matériel d'IA, nous nous verrons nous rapprocher de modèles qui comprennent de plus grandes collections de texte. Ceci est quelque peu prouvé par le modèle GPT-2 d'Open AI, qui montre que l'utilisation des mêmes conceptions de modèles d'encodage de phrases avec une grande quantité de données produit des modèles qui comprennent déjà des concepts de haut niveau dans de nombreuses phrases. Par exemple, GPT-2 comprend suffisamment pour écrire des articles de presse entiers avec une cohérence étonnante.