到 2022 年,由于自然语言理解 (NLU) 等复杂认知任务的改进,我们可以期待 AI 在解决阻碍非结构化语言数据驱动过程的实际问题方面变得更好。与此同时,对人工智能如何以及为什么做它所做的事情的审查将更加严格,例如美国国家标准与技术研究院 (NIST) 正在进行的旨在更可解释的人工智能的努力。这将需要在不降低其性能或增加成本的情况下提高 AI 算法功能的透明度。
你会知道它所拥有的公司的一个词
在人工智能必须应对的所有挑战中,理解语言是最艰难的挑战之一。虽然大多数 AI 解决方案可以在眨眼间处理大量原始数字或结构化数据,但语言中的众多含义和细微差别,基于它们所处的上下文,完全是另一回事。通常,单词是上下文相关的,这意味着它们在不同的情况下传达了不同的理解。对于我们的大脑来说,简单而自然的事情对于任何软件来说都不是那么容易。
这就是为什么开发能够正确可靠地解释语言的软件已成为全面发展人工智能的关键因素。达到这种水平的计算能力实际上将打开人工智能发展的闸门,允许它访问和摄取几乎任何类型的知识。
NLU 是这个难题的重要组成部分,因为它能够利用大量基于语言的信息。语言存在于企业活动的各个方面,这意味着如果不从此类数据中提取尽可能多的价值,人工智能方法就不可能是完整的。
基于知识的或符号化的 AI 方法利用的是一个开放盒子的知识图谱。它的结构是由人类创建的,被理解为代表现实世界,其中概念通过语义关系定义并相互关联。借助知识图谱和 NLU 算法,您可以开箱即用地阅读和学习任何文本,并真正了解如何解释数据以及如何从该解释中得出结论。这类似于我们作为人类能够创建自己特定的、面向领域的知识的方式,它使人工智能项目能够将其算法结果与知识的明确表示联系起来。
到 2022 年,我们应该会看到这种结合两种不同技术的 AI 方法的明确转变。混合人工智能利用不同的技术来改善整体结果并更好地解决复杂的认知问题。混合 AI 是一种越来越流行的 NLU 和自然语言处理 (NLP) 方法。将最好的基于 AI 的知识或符号 AI 和学习模型(机器学习,ML)结合在一起,是以当今企业所需的准确性、速度和规模来释放非结构化语言数据价值的最有效方法。
知识、符号推理和语义理解的使用不仅会产生更准确的结果和更高效、更有效的 AI 环境,而且还会减少基于大量昂贵、高- 高速数据基础设施。可以通过主题专家和/或机器学习算法添加特定领域的知识,利用对小型和精确训练数据集的分析,快速有效地产生高度准确、可操作的结果。
混合人工智能的世界
但为什么现在会发生这种转变?为什么人工智能以前不能利用基于语言的知识?我们被引导相信学习方法可以解决我们的任何问题。在某些情况下,他们可以,但仅仅因为 ML 在某些需求和特定环境中表现出色并不意味着它总是最好的方法。当涉及到理解和处理语言的能力时,我们经常看到这一点。仅在过去几年中,我们才看到基于混合(或复合)AI 方法的 NLU 取得了重大进展。
我们现在可以利用多种不同的方法,而不是将一种形式的人工智能及其有限的工具集用于解决问题。每个人都可以从不同的角度针对问题,使用不同的模型,以多情境的方式评估和解决问题。而且由于这些技术中的每一种都可以相互独立地进行评估,因此更容易确定哪些技术可以提供最佳结果。
随着企业已经尝到了人工智能的作用,这种混合方法有望在 2022 年成为一项战略举措。它产生了显着的时间和成本优势,同时提高了分析和运营流程的速度、准确性和效率。仅举一个例子,注释过程目前由精选专家执行,这在很大程度上是由于培训的难度和费用。然而,通过结合适当的知识库和图表,可以大大简化培训,从而使过程本身在知识劳动力中民主化。
更多内容
当然,所有形式的人工智能的研究都在进行中。但我们将特别关注扩展知识图谱和自动化 ML 和其他技术,因为企业一直承受着以低成本快速利用大量数据的压力。
随着这一年的展开,我们将看到组织将这些混合模型应用于其一些最核心流程的方式稳步改进。电子邮件管理和搜索形式的业务自动化已经在眼前。例如,当前基于关键字的搜索方法本质上无法吸收和解释整个文档,这就是为什么它们只能提取基本的、很大程度上与上下文无关的信息。同样,自动化电子邮件管理系统很少能穿透简单的产品名称和其他信息点之外的含义。最后,用户需要对一长串点击列表进行排序,试图找到重要的知识片段。这会减慢流程、延迟决策并最终影响生产力和收入。
在混合框架下为 NLU 工具赋予符号理解能力,将使所有基于知识的组织能够模仿人类在其智能、自动化过程中理解整个文档的能力。
相关帖子DA内容精选
|