Cómo los robots están aprendiendo a leer y pensar

Hablamos todo el tiempo acerca de que las computadoras nos entienden. Decimos que Google “sabia” lo que estábamos buscando, o que Cortana “tiene” lo que decíamos, pero “comprensión” Es un concepto muy difícil. Especialmente cuando se trata de computadoras.

Un campo de la lingüística computacional, llamado procesamiento natural del lenguaje (PNL), está trabajando en este problema particularmente difícil. Es un campo fascinante en este momento, y una vez que tenga una idea de cómo funciona, comenzará a ver sus efectos en todas partes..

Una nota rápida: Este artículo tiene algunos ejemplos de una computadora que responde al habla, como cuando le pide algo a Siri. La transformación del habla audible a un formato comprensible por computadora se llama reconocimiento de voz. PNL no está preocupado por eso (al menos en la capacidad que estamos discutiendo aquí). PNL solo entra en juego una vez que el texto está listo. Ambos procesos son necesarios para muchas aplicaciones, pero son dos problemas muy diferentes..

Definición de comprensión

Antes de entrar en cómo las computadoras manejan el lenguaje natural, necesitamos definir algunas cosas.

En primer lugar, necesitamos definir el lenguaje natural. Este es fácil: todos los idiomas utilizados regularmente por las personas entran en esta categoría. No incluye cosas como lenguajes construidos (klingon, esperanto) o lenguajes de programación de computadoras. Usas lenguaje natural cuando hablas con tus amigos. Probablemente también lo use para hablar con su asistente personal digital.

Entonces, ¿qué queremos decir cuando decimos comprensión? Bueno, es complejo. ¿Qué significa entender una oración? Tal vez diría que significa que ahora tiene el contenido previsto del mensaje en su cerebro. Comprender un concepto puede significar que puede aplicar ese concepto a otros pensamientos.

Las definiciones del diccionario son nebulosas. No hay una respuesta intuitiva. Los filósofos han discutido sobre cosas como esta durante siglos.

Para nuestros propósitos, vamos a decir que entender es la capacidad de extraer con precisión el significado del lenguaje natural. Para que una computadora entienda, necesita procesar con precisión un flujo de voz entrante, convertir ese flujo en unidades de significado y poder responder a la entrada con algo que sea útil.

Obviamente todo esto es muy vago. Pero es lo mejor que podemos hacer con un espacio limitado (y sin un grado de neurofilosofía). Si una computadora puede ofrecer una respuesta similar a la humana, o al menos útil, a un flujo de entrada de lenguaje natural, podemos decir que entiende. Esta es la definición que usaremos en el futuro.

Un problema complejo

El lenguaje natural es muy difícil de manejar para una computadora. Tu podrias decir, “Siri, dame indicaciones para Punch Pizza,” mientras que yo podría decir, “Siri, ruta de Punch Pizza, por favor.”

En su declaración, Siri podría elegir la frase clave “dame indicaciones,” luego ejecute un comando relacionado con el término de búsqueda “Punch Pizza.” En el mío, sin embargo, Siri necesita elegir “ruta” como la palabra clave y saber que “Punch Pizza” es donde quiero ir, no “Por favor.” Y eso es solo un ejemplo simplista.

Piense en una inteligencia artificial que lee correos electrónicos y decide si pueden ser estafas o no. O uno que supervisa las publicaciones en las redes sociales para medir el interés en una empresa en particular. Una vez trabajé en un proyecto en el que teníamos que enseñarle a una computadora a leer notas médicas (que tienen todo tipo de convenciones extrañas) y obtener información de ellas.

Esto significa que el sistema tenía que poder lidiar con abreviaturas, sintaxis extraña, errores ortográficos ocasionales y una gran variedad de otras diferencias en las notas. Es una tarea muy compleja que puede ser difícil incluso para humanos experimentados, mucho menos máquinas.

Dando un ejemplo

En este proyecto en particular, formé parte del equipo que enseñaba a la computadora a reconocer palabras específicas y las relaciones entre las palabras. El primer paso del proceso fue mostrarle a la computadora la información que contenía cada nota, por lo que anotamos las notas.

Había una gran cantidad de diferentes categorías de entidades y relaciones. Toma la oración “El dolor de cabeza de la Sra. Green fue tratado con ibuprofeno,” por ejemplo. Ms. Green fue etiquetado como PERSONA, dolor de cabeza fue etiquetado como SIGNO O SÍNTOMA, ibuprofeno fue etiquetado como MEDICACIÓN. Luego, la Sra. Green estaba vinculada al dolor de cabeza con una relación PRESENTES. Finalmente, el ibuprofeno se relacionó con el dolor de cabeza con una relación TRATAMIENTOS.

Etiquetamos miles de notas de esta manera. Codificamos diagnósticos, tratamientos, síntomas, causas subyacentes, comorbilidades, dosis y todo lo que pueda pensar relacionado con la medicina. Otros equipos de anotación codificaron otra información, como la sintaxis. Al final, tuvimos un corpus lleno de notas médicas que la IA podría “leer.”

La lectura es tan difícil de definir como la comprensión. La computadora puede ver fácilmente que el ibuprofeno trata un dolor de cabeza, pero cuando se entera de esa información, se convierte en ceros y ceros sin sentido (para nosotros). Ciertamente, puede devolver información que parece humana y es útil, pero ¿eso constituye una comprensión de lo que no es la inteligencia artificial? ¿Qué no es la inteligencia artificial? ¿Van a dominar el mundo robots inteligentes y sensibles? Hoy no, y tal vez nunca. ? Nuevamente, es en gran medida una pregunta filosófica..

El verdadero aprendizaje

En este punto, la computadora revisó las notas y aplicó varios algoritmos de aprendizaje automático 4 Algoritmos de aprendizaje automático que dan forma a su vida 4 Algoritmos de aprendizaje automático que dan forma a su vida Puede que no se dé cuenta, pero el aprendizaje automático ya está a su alrededor, y puede ejercer un sorprendente grado de influencia sobre tu vida. No me creas Te sorprenderías. . Los programadores desarrollaron diferentes rutinas para etiquetar partes del discurso, analizar dependencias y circunscripciones, y etiquetar roles semánticos. En esencia, la IA estaba aprendiendo a “leer” las notas.

Los investigadores eventualmente podrían probarlo dándole una nota médica y pidiéndole que etiquete cada entidad y relación. Cuando la computadora reproduce con precisión las anotaciones humanas, se podría decir que aprendió a leer dichas notas médicas..

Después de eso, solo se trataba de reunir una gran cantidad de estadísticas sobre lo que había leído: qué medicamentos se usan para tratar qué trastornos, qué tratamientos son más efectivos, las causas subyacentes de conjuntos específicos de síntomas, etc. Al final del proceso, la IA podría responder preguntas médicas basadas en la evidencia de las notas médicas reales. No tiene que depender de libros de texto, compañías farmacéuticas o intuición..

Aprendizaje profundo

Veamos otro ejemplo. La red neuronal DeepMind de Google está aprendiendo a leer artículos de noticias. Al igual que la IA biomédica anterior, los investigadores querían que obtuviera información relevante y útil de textos más grandes..

Entrenar a un AI sobre información médica fue bastante difícil, por lo que puede imaginar cuántos datos anotados necesitaría para que un AI pueda leer artículos de noticias generales. Contratar suficientes anotadores y revisar suficiente información sería prohibitivamente costoso y requeriría mucho tiempo..

Entonces, el equipo de DeepMind recurrió a otra fuente: sitios web de noticias. Específicamente, CNN y el Daily Mail.

¿Por qué estos sitios? Porque proporcionan resúmenes puntiagudos de sus artículos que no solo extraen oraciones del artículo en sí. Eso significa que la IA tiene algo de qué aprender. Los investigadores básicamente le dijeron a la IA, “Aquí hay un artículo y aquí está la información más importante..” Luego le pidieron que extrajera el mismo tipo de información de un artículo sin puntos destacados.

Este nivel de complejidad puede ser manejado por una red neuronal profunda, que es un tipo especialmente complicado de sistema de aprendizaje automático. (El equipo de DeepMind está haciendo algunas cosas increíbles en este proyecto. Para obtener los detalles, consulte esta excelente descripción general de MIT Technology Review).

¿Qué puede hacer una IA de lectura??

Ahora tenemos una comprensión general de cómo las computadoras aprenden a leer. Toma una gran cantidad de texto, le dice a la computadora lo que es importante y aplica algunos algoritmos de aprendizaje automático. Pero, ¿qué podemos hacer con una IA que extrae información del texto??

Ya sabemos que puede extraer información procesable específica de las notas médicas y resumir artículos de noticias generales. Hay un programa de código abierto llamado P.A.N. que analiza la poesía sacando temas e imágenes. Los investigadores suelen utilizar el aprendizaje automático para analizar grandes cantidades de datos de redes sociales, que las empresas utilizan para comprender los sentimientos de los usuarios, ver de qué hablan las personas y encontrar patrones útiles para el marketing..

Los investigadores han utilizado el aprendizaje automático para obtener información sobre los comportamientos de correo electrónico y los efectos de la sobrecarga de correo electrónico. Los proveedores de correo electrónico pueden usarlo para filtrar el correo no deseado de su bandeja de entrada y clasificar algunos mensajes como de alta prioridad. La lectura de IA es fundamental para hacer chatbots de servicio al cliente efectivos 8 Bots que debe agregar a su aplicación Facebook Messenger 8 Bots que debe agregar a su aplicación Facebook Messenger Facebook Messenger se ha abierto a los bots de chat, lo que permite a las empresas ofrecer servicio al cliente, noticias y más directamente a usted a través de la aplicación. Estos son algunos de los mejores disponibles. . En cualquier lugar donde haya texto, hay un investigador trabajando en el procesamiento del lenguaje natural..

Y a medida que este tipo de aprendizaje automático mejora, las posibilidades solo aumentan. Las computadoras son mejores que los humanos en ajedrez, Go y videojuegos ahora. Pronto pueden ser mejores para leer y aprender. ¿Es este el primer paso hacia una IA fuerte? ¿Por qué los científicos piensan que debería preocuparse por la inteligencia artificial? ¿Por qué los científicos piensan que debería preocuparse por la inteligencia artificial? ¿Cree que la inteligencia artificial es peligrosa? ¿La IA puede representar un grave riesgo para la raza humana? Estas son algunas razones por las que es posible que desee preocuparse. ? Tendremos que esperar y ver, pero puede ser.

¿Qué tipos de usos ves para una IA de lectura de texto y aprendizaje? ¿Qué tipo de aprendizaje automático crees que veremos en el futuro cercano? Comparte tus pensamientos en los comentarios a continuación!

Créditos de imagen: Vasilyev Alexandr / Shutterstock