Hablamos todo el tiempo sobre computadoras que nos entienden. Decimos que Google "sabía" lo que estábamos buscando, o que Cortana "entendió" lo que estábamos diciendo, pero "entender" es un concepto muy difícil. Especialmente cuando se trata de computadoras.
Un campo de la lingüística computacional, llamado procesamiento del lenguaje natural (NLP), 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 preguntas a Siri por algo. La transformación del habla audible en un formato comprensible para la computadora se llama reconocimiento de voz. NLP no está preocupado con eso (al menos en la capacidad que estamos discutiendo aquí). NLP solo entra en juego una vez que el texto está listo. Ambos procesos son necesarios para muchas aplicaciones, pero son dos problemas muy diferentes.
Definiendo Entendimiento
Antes de entrar en la forma en que las computadoras manejan el lenguaje natural, necesitamos definir algunas cosas.
Antes que nada, necesitamos definir el lenguaje natural. Este es fácil: todos los idiomas utilizados regularmente por las personas entran en esta categoría. No incluye cosas como idiomas construidos (Klingon, Esperanto) o lenguajes de programación de computadora. 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 dirías que significa que ahora tienes el contenido previsto del mensaje en tu cerebro. Comprender un concepto puede significar que puedes 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 por siglos.
Para nuestros propósitos, diremos que la comprensión es la capacidad de extraer con precisión el significado del lenguaje natural . Para que una computadora lo 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, 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 una secuencia de entrada de lenguaje natural, podemos decir que entiende. Esta es la definición que usaremos de ahora en adelante.
Un problema complejo
El lenguaje natural es muy difícil de tratar para una computadora. Podrías decir: "Siri, dame instrucciones para Punch Pizza", mientras que yo podría decir: "Siri, la ruta de Punch Pizza, por favor".
En su declaración, Siri podría elegir la frase clave "darme instrucciones" y luego ejecutar 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 lea correos electrónicos y decida si pueden ser estafas o no. O uno que monitorea publicaciones en redes sociales para medir el interés en una compañía en particular. Una vez trabajé en un proyecto en el que tuvimos que enseñar 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 ser capaz de manejar abreviaturas, sintaxis extraña, faltas de ortografía ocasionales y una gran variedad de otras diferencias en las notas. Es una tarea muy compleja que puede ser difícil incluso para humanos experimentados, y mucho menos para máquinas.
Establecer 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.
Hubo un gran número de diferentes categorías de entidades y relaciones. Tome la oración "Sra. El dolor de cabeza de Green se trató con ibuprofeno, "por ejemplo. La Sra. Green fue etiquetada como PERSONA, el dolor de cabeza fue etiquetado como SIGNO O SÍNTOMA, el ibuprofeno fue etiquetado como MEDICAMENTO. Luego, la Sra. Green estuvo vinculada a un dolor de cabeza con una relación PRESENTES. Finalmente, el ibuprofeno se relacionó con dolor de cabeza con una relación TRATADOS.
Etiquetamos miles de notas de esta manera. Codificamos los diagnósticos, los tratamientos, los síntomas, las causas subyacentes, las comorbilidades, las dosis y todo lo demás que pueda pensar relacionado con la medicina. Otros equipos de anotación codificaron otra información, como la sintaxis. Al final, teníamos un corpus lleno de notas médicas que la IA podía "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 aprende esa información, se convierte en insignificantes (para nosotros) y ceros. Ciertamente puede devolver información que parece humana y útil, pero ¿eso constituye una comprensión? ¿Qué es la Inteligencia Artificial? ¿Qué no es la Inteligencia Artificial? ¿Son inteligentes, los robots inteligentes van a apoderarse del mundo? Hoy no, y quizás nunca. Lee mas ? Una vez más, es en gran parte una cuestión 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 moldean su vida Es posible 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. Lee mas . Los programadores desarrollaron diferentes rutinas para etiquetar partes del discurso, analizar dependencias y grupos, y etiquetar roles semánticos. En esencia, la IA estaba aprendiendo a "leer" las notas.
Los investigadores podrían eventualmente probarlo dándole una nota médica y pidiéndole que etiquete cada entidad y relación. Cuando la computadora reprodujo con precisión las anotaciones humanas, podría decir que aprendió a leer dichas notas médicas.
Después de eso, fue solo una cuestión de recopilar 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, y así sucesivamente. Al final del proceso, la IA podría responder preguntas médicas basadas en evidencias de notas médicas reales. No tiene que depender de libros de texto, compañías farmacéuticas o de la intuición.
Aprendizaje profundo
Veamos otro ejemplo. La red neuronal DeepMind de Google está aprendiendo a leer artículos periodísticos. Al igual que la IA biomédica anterior, los investigadores querían extraer información relevante y útil de fragmentos de texto más grandes.
Entrenar a una IA en información médica fue lo suficientemente duro, por lo que puedes imaginar la cantidad de datos anotados que necesitarías para que una IA pueda leer artículos de noticias generales. Contratar suficientes anotadores y pasar por suficiente información sería prohibitivamente costoso y consumiría 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 se limitan a extraer oraciones del artículo en sí. Eso significa que la IA tiene algo de lo que 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 con viñetas.
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 cosas increíbles en este proyecto. Para obtener los detalles, consulte esta gran 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 qué 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 notas médicas y resumir artículos de noticias generales. Hay un programa de código abierto llamado PAN que analiza la poesía al sacar temas e imágenes. Los investigadores a menudo usan 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 la comercialización.
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. Leer AIs es crítico para crear chatbots efectivos de atención al cliente. 8 Bots que debes agregar a tu aplicación Facebook Messenger. 8 Bots que debes agregar a tu aplicación Facebook Messenger. Facebook Messenger se ha abierto a chat bots, permitiendo a las compañías entregar servicio al cliente, noticias y más directamente para ti a través de la aplicación. Estos son algunos de los mejores disponibles. Lee mas . Dondequiera que 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 el ajedrez, Go y los videojuegos ahora. Pronto pueden ser mejores para leer y aprender. ¿Es este el primer paso hacia una inteligencia artificial 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 serio riesgo para la raza humana? Estas son algunas razones por las que es posible que desee estar preocupado. Lee mas ? Tendremos que esperar y ver, pero puede ser.
¿Qué tipos de usos ves para una IA de lectura y lectura de texto? ¿Qué tipo de aprendizaje automático crees que veremos en el futuro cercano? ¡Comparte tus pensamientos en los comentarios a continuación!
Créditos de las imágenes: Vasilyev Alexandr / Shutterstock