KI und Verständnis der Semantik – die nächste Stufe in der Entwicklung von NLP steht kurz bevor

Die KI steht kurz davor, ein Verständnis der Semantik als nächsten Schritt in ihrer Evolution zu erreichen

KI ist eine falsche Bezeichnung, oder so wird es oft suggeriert. Der erste Buchstabe – künstlich – ist ungefähr richtig. Was das zweite Wort betrifft – nun, daran ist nichts Intelligentes. Nehmen wir als Beispiel die Semantik, es ist nichts auch nur annähernd intelligentes oder sonstiges an künstlicher Technologie, die die Bedeutung in Sätzen, Absätzen und Büchern versteht, aus dem einfachen Grund, dass sie unablässig schlecht darin ist.

Aber könnte sich das bald ändern? Kürzlich haben wir uns mit Hadayat Seddiqi, Director of Machine Learning beim Legal-Tech-Unternehmen InCloudCounsel, zusammengesetzt. Er geht davon aus, dass die KI kurz davor steht, ein Verständnis der Semantik als nächsten Schritt in ihrer Evolution zu erreichen. Wir haben gefragt:„Wann werden wir diesen Meilenstein wahrscheinlich erreichen?“

SEO:Wenn Sie ein Schriftsteller sind, der stolz auf sein Schreiben ist, darauf, sein Lexikon anzuwenden, um eine Idee ohne Wiederholung auszudrücken, dann hassen Sie wahrscheinlich SEO. Wenn Sie gerne ein komplexes Argument vorbringen, das nur wirklich in einem Satz, einem Kapitel, einem Artikel oder sogar einem Buch ausgedrückt werden kann, dann SEO, weil es Sie dumme Argumente in zwei oder drei oder vier Wörtern zusammenfasst. wie KI und das Verstehen von Semantik, ist der Feind. (Siehst du, was wir da gemacht haben?)

Wäre es nicht großartig, wenn die Suche mit Hilfe von KI zum Verständnis der Semantik (da wären wir wieder) Suchergebnisse basierend auf einem viel ausgefeilteren – intelligenteren, wenn Sie so wollen – Verständnis erstellen könnten, wodurch die Notwendigkeit mühsamer Wiederholungen entfällt!

Es wird sogar erwartet, dass der Markt für die Verarbeitung natürlicher Sprache bis 2025 22,3 Milliarden US-Dollar erreichen wird – was zeigt, wie weit die Technologie fortgeschritten ist, insbesondere in Bezug darauf, wie wir kommunizieren und Geschäfte machen.

Derzeit werden diese Technologien für eine Vielzahl von Zwecken in Organisationen eingesetzt, darunter die Reputationsüberwachung von Marken zur Bestimmung der Stimmungsanalyse, die Bereitstellung von Einblicken in die Anzeigenplatzierung durch Keyword-Matching oder Sinnesdisambiguierung und können sogar zur Einhaltung gesetzlicher Vorschriften verwendet werden, um sicherzustellen, dass Produkte nicht verwendet werden wird nicht zu einer Belastung.

In diesem Fall liegt die wahre Macht der KI, Branchen zu revolutionieren und wichtige Geschäftseinblicke zu ermitteln, in ihrer Fähigkeit, Text zu lesen und die Semantik (oder die Beziehung zwischen Wörtern) zu verstehen, um Organisationen dabei zu helfen, Risiken weiter zu mindern und Verbindlichkeiten aufzudecken. Dies wiederum schafft einen enormen Mehrwert für die Verarbeitung natürlicher Sprache.

Was ist also der nächste Schritt in der Geschichte der KI, die das Verständnis der Semantik ermöglicht, und wann werden wir diesen Meilenstein wahrscheinlich erreichen?

Seddiqi sagt:„Um ein semantisches Verständnis in der KI zu erreichen, sind mehrere wichtige Meilensteine ​​erforderlich. Es ist hilfreich, an den iterativen Fortschritt zu denken, der uns zum semantischen Verständnis der KI führt, und was jeder Meilenstein bedeutet.“

„Ein früherer Meilenstein“, sagt Seddiqi is Word Vectors:„Lassen Sie uns diesen Meilenstein in Bezug auf einen allgemeinen Anwendungsfall einrahmen, mit dem die meisten Menschen vertraut sind:Suchfunktion auf einem Computer. Jeder hat Strg+F/Befehl+F verwendet, um etwas auf seinem System zu finden, das findet, wonach Sie suchen, indem es genau passende Schlüsselwörter enthält. Darüber hinaus enthält die Verwendung einer Suchmaschine wie Google zum Auffinden von Informationen eine „Rechtschreibprüfung“-Komponente, um potenzielle Rechtschreibfehler zu beheben.

„Aber was ist mit Wörtern, die sehr unterschiedlich aussehen, aber ähnliche Dinge bedeuten? Um 2013 fand die KI-Community einen effizienten Weg, dies zu modellieren, der als „Wortvektoren“ bezeichnet wird. Sie können lustige Wortalgebra-Sachen machen, wie König + Frau Ihnen Königin geben wird. Noch praktischer:Sie können Ihre Suche jetzt auf semantisch verwandte Wörter erweitern.“

Bevorstehender Meilenstein im Verständnis der KI-Semantik

„Wortvektoren waren bahnbrechend, aber Sie mussten Ihre Idee immer noch in Form von einem oder mehreren Schlüsselwörtern ausdrücken. Was aber, wenn Ihre Idee zum Ausdruck einen ganzen Satz erfordert? Das ist der nächste Meilenstein, den wir dank eines großen Forschungsschubs im letzten Jahr erreichen.

„Die Idee ist, dass Sie einen Satz nehmen, ihn in einen Satz- (oder Gedanken-) Vektor codieren und dann ähnliche Satzvektoren finden können. Bei guter Codierung kann Ihre Suchfunktion sehr unterschiedlich aussehende Sätze finden, die dieselbe Idee ausdrücken.

„Es ist nicht unangemessen zu sagen, dass diese Technologie in den nächsten Jahren ausgereift sein wird, basierend auf dem aktuellen Forschungsfortschritt.

Zukünftige Meilensteine:KI-Verständnis jenseits von Sätzen

„Bei der Weiterentwicklung dieser Technologie zeichnet sich ein klares Hierarchiemuster ab. Wir nähern uns dem KI-Verständnis von Ideen auf Satzebene, indem wir ähnliche Techniken aus der Wortebene verwenden und sie hochskalieren. Dies eröffnet aufregende Anwendungen für KI, die Ideen versteht, die Absätze, ganze Dokumente oder sogar ganze Bücher erfordern.

„Der jüngste Sprung der KI zum Verständnis von Sätzen aus Wörtern war nicht trivial, da die Fähigkeit dazu weitgehend durch die Größe des Datensatzes und die Rechenleistung eingeschränkt wurde. Bisher hat sich gezeigt, dass unsere Fähigkeit, Modelle zur Bewältigung dieser größeren Probleme zu erstellen, von diesen beiden Ressourcenbeschränkungen abhängt.

„Da diese Kosten durch Fortschritte in der KI-Hardware sinken, werden wir uns Modellen nähern, die größere Textsammlungen verstehen. Dies wird in gewisser Weise durch das GPT-2-Modell von Open AI bewiesen, das zeigt, dass die Verwendung desselben Satzes, der Modelldesigns mit einer großen Datenmenge kodiert, Modelle erzeugt, die bereits allgemeine Konzepte über viele Sätze hinweg verstehen. Zum Beispiel versteht GPT-2 genug, um ganze Nachrichtenartikel mit erstaunlicher Kohärenz zu schreiben.