دانش آی آر

ماینینگ باکس کاشی سنتی

وانیل کوکی ربات فنآوری اطلاعات افرنگ

توليد مازراتي گرن توريسمو متوقف مي‌شود

اماميان: توليدکنندگان محتواي صوتي و تصويري در فضاي مجازي نيز رسانه ملي هستند

آيفون و آيپد پرو اپل سال آينده به حسگر سه‌بعدي جديدي مجهز مي‌شوند

پردازنده‌هاي شتاب‌يافته جديد amd بين 12 تا 15 واحد محاسباتي خواهند داشت

هوش مصنوعي با بررسي ضربان قلب نامنظم، خطر مرگ را پيش‌بيني مي‌کند

آذري جهرمي: گام تلخ بعدي براي کلاهبرداران

جيپ گرند چروکي با قدرت 800 اسب‌بخار معرفي شد

آموزش افزايش عمر باتري در ويندوز 10

گزارش زوميت از افتتاح مرکز رشد و نوآوري دانشگاه آزاد اسلامي در واحد علوم و تحقيقات

تاريخ عرضه‌ گوشي آنر v30 با پشتيباني از فناوري 5g مشخص شد

قرارداد انحصاري سامسونگ با dowoo براي توليد صفحات شيشه‌اي گوشي‌هاي تاشدني

معرفي مجموعه پاييزي برند ايراني بادي اسپينر

آئودي r8 v10 rwd رونمايي شد

گوگل به جمع‌آوري اطلاعات سلامت کاربران متهم شد

گزارش زوميت از سالن فرصت 2019 نمايشگاه اتوکام اصفهان

براي کار در تپ‌سي اينترنتي ثبت نام کنيد

بررسي گلکسي a70 سامسونگ

با عجيب‌ترين فوبياهاي جهان آشنا شويد (بخش اول)

ايلان ماسک: براي ساخت شهر مريخي به هزار فروند استارشيپ نياز خواهد بود

تاييد رابطه علّي بين کيفيت خواب و اضطراب
برچيدن سريع‌تر و ايمن‌تر رآکتورهاي هسته‌‌اي به کمک ربات‌هاي نيمه‌خودکار
تعداد بازدید : 6

درک زبان طبیعی که به اختصار nlu خوانده می‌شود، یکی از مهم‌ترین اهداف در حال اجرای هوش مصنوعی است. تلاش هوش مصنوعی برای درک زبان طبیعی به سال‌های 1950 برمی‌گردد، زمانی‌که آزمون تورینگ برای ارزیابی میزان هوشمندی یک عامل هوشمند به کار می‌رفت. آزمون تورینگ، یکی از رایج‌ترین روش‌های ارزیابی هوش مصنوعی است. در سال‌های اخیر نتایج بسیار امیدوارکننده‌ای از تکالیف درک زبان طبیعی در پروژه‌های تحقیقاتی در دانشگاه‌ها و هم به‌صورت کاربردی در صنعت مشاهده شده، زیرا نتایج پیشرفت‌هایی که در حوزه یادگیری عمیق حاصل شده، به حوزه مطالعاتی درک زبان طبیعی اعمال شده، مانند مدل زبانی bert که گوگل در سال 2018 توسعه داده است.

ارزشیابی درک زبان عمومی که به اختصار glue خوانده می‌شود، یک بنچمارک شناخته‌شده است که شامل 9 تکلیف درک زبان طبیعی است. این 9 تکلیف زبانی شامل پرسش و پاسخ، تجزیه و تحلیل احساسات، شباهت متنی و استلزام متنی هستند که به‌خوبی برای ارزیابی تعمیم و استحکام مدل‌های درک زبان طبیعی طراحی شده است. از زمان انتشار در اوایل سال 2018، بسیاری از مدل‌های پیشرفته درک زبان طبیعی (قبلی) مانند bert،gpt،stanford snorkel و mt-dnn همان‌طور که روی جدول رده‌بندی glue نمایش داده شده است، روی آن معیار شده‌اند. تیم‌های تحقیقاتی برتر دنیا در حال همکاری برای توسعه مدل‌های جدید بسیار نزدیک به عملکرد درک زبانی انسان در glue هستند.

در چند ماه گذشته، مایکروسافت به‌طور قابل توجهی رویکرد mt-dnn را در حوزه درک زبان طبیعی بهبود بخشید و درنتیجه موفق شد در ژوئن 2019 به‌طور کلی با نمره متوسط 87.6 در مقابل 87.1 نسبت به عملکرد درک زبانی در glue پیشی بگیرد. نتیجه حاصل‌شده از روش mt-dnn به‌طور قابل ملاحظه‌ای حتی بهتر از دومین روش با نمره (86.3) در جدول رده‌‌بندی است.

microsoft leaderboard

دلیل موفقیت رویکرد mt-dnn در درجه اول، ترکیب روش جدیدی به نام تکلیف رابط زبان طبیعی وینوگراد (wnli) است که در آن هوش مصنوعی باید بتواند به‌درستی ضمایر مبهم جملات را شناسایی کند و تشخیص دهد که مرجع آن ضمایر در جملات به کدام اسامی مشخص در جمله بازمی‌گردد.

برای مثال، در این تکلیف زبانی، جمله‌ای را در اختیار هوش مصنوعی قرار می‌دهند:

شورای شهر اجازه تظاهرات به تظاهرت‌کنندگان را نداد، زیرا آن‌ها از خشونت [می‌ترسیدند/ حمایت می‌کردند].

اگر واژه «ترسیدن» انتخاب شود، بنابراین ضمیر آن‌ها به شورای شهر برمی‌گردد و اگر واژه «حمایت کردن» انتخاب شود، ضمیر به واژه تظاهرات کنندگان اشاره دارد.

انسان‌ها چنین تکالیف زبانی‌ را براساس شم زبانی خود به‌صورت شهودی و با توجه به دانش جهانی خود انجام می‌دهند اما انجام چنین تکالیفی برای ماشین بسیار دشوار است.

این تکلیف زبانی به‌عنوان یکی از چالش‌برانگیزترین تکالیف در glue به ثبت رسیده است، تا جایی که مدل‌های قبلی یادگیری ماشین مانند bert به‌سختی توانستند عملکرد بهتری از سطح ابتدایی با اکثریت آرا (نمره 65.1) به‌دست آورند.

اگرچه نسخه‌های اولیه mt-dnn (که توسط لیو و همکاران در مقالاتی در سال 2019 به ثبت رسیده است) در حال حاضر نمرات بهتری نسبت به انسان‌ها به دست ‌آورده‌اند، اما در چندین تکلیف زبانی مانند mrpc ،qqp و qni عملکرد بسیار ضعیف‌تری نسبت به انسان در تکلیف زبانی wnli داشتند، به‌طوری که هوش مصنوعی توانست نمره‌ی 65.1 را درمقابل نمره‌‌ی 95.9 انسان کسب کند. بنابراین، پژوهشگران به‌طور کلی معتقد هستند که بهبود نمره آزمون در تکلیف زبانی wnli برای دستیابی به عملکرد درک زبان انسانی براساس نمره کلی در glue بسیار حیاتی است. تیم تحقیقاتی مایکروسافت با روشی مبتنی بر مدل جدید یادگیری عمیق به کمک بهبود حل تکلیف wnli برای هوش مصنوعی آمده است. این مدل میزان واضح بودن ضمایر را با توجه به محاسبه شباهت معنایی بین ضمایر و مرجع‌های پیشنهادی در جمله فریم بندی می‌کند. با استفاده از این روش نمره آزمون نهایی در ماشین به 89.0 ارتقا یافت. نمره آزمون همراه‌با بهبود بخش‌های دیگر، به‌طور کلی به 87.6 رسید و توانست در عملکرد درک زبان انسانی در glue پیشی بگیرد که نقطه عطفی در جهت رسیدن به هدف درک زبان طبیعی در ماشین محسوب می‌شود.

تاریخ درج : 1398/04/19
منبع خبر : www.zoomit.ir
نام : شهر :