اوبر Plato را برای توسعه و آزمایش هوش مصنوعی مکالمه‌ای منتشر می‌کند

طراحی هوش مصنوعی مکالمه‌ای به حدی که به نظر می‌رسد بیهوده نیست. ابزارهایی مانند Dialogflow گوگل، Bot Framework مایکروسافت و Lex آمازون، مسئله را ساده‌تر از آنچه که بود کرده‌اند. افرادی که در اوبر فعالیت دارند امیدوارند که همه موانع باقی‌مانده را با توسعه یک پلتفرم، حذف کنند. این پلتفرم، «سیستم گفتگوی تحقیقاتی Plato» نامیده می‌شود که JULY 16 در GitHub منتشر شد.

هوش مصنوعی مکالمه‌ای

همانطور که افراد در بخش تحقیقاتی هوش مصنوعی مکالمه‌ای اوبر در پست طولانی وبلاگشان توضیح دادند، Plato برای ساخت، آموزش و استقرار عاملان مکالمه هوش مصنوعی طراحی شده است. هدف آن، فعال کردن دانشمندان داده‌ها و سرگرمی‌ها برای جمع‌آوری داده از نمونه‌های اولیه و سیستم‌های نمایشی است. این تکنولوژی، یک طراحی «پاک» و «قابل درک» را ارائه می‌دهد. همچنین آن را با Deep Learning موجود و چارچوب‌های بهینه‌سازی مدل‌سازی ترکیب کند تا نیاز به نوشتن کد را کاهش دهد.

این اولین پروسه بازتولید Plato (نسخه 0.1)، از تعاملات از طریق گفتار، متن یا اطلاعات ساختاری (مثلا اعمال گفتمانی) پشتیبانی می‌کند. هر عامل مکالمه می‌تواند با کاربران انسان، عوامل دیگر یا داده‌ها ارتباط برقرار کند. (می‌تواند عاملین متعددی را ایجاد کرده و اطمینان حاصل کند که اطلاعات ورودی و خروجی به هر عامل به طور مناسب منتقل می‌شود. در ادامه پیگیری مکالمه را دنبال کند.) علاوه بر این، می‌تواند مدل‌های پیش‌آزمون‌شده را برای هر مولفه عامل مکالمه ترکیب کند. همینطور هر جزء را می‌توان در طول تعاملات یا داده‌ها آموزش داد.

طراحی مدولار

Plato این کار را با یک طراحی مدولار انجام می‌دهد که پردازش داده‌ها را به هفت مرحله تقسیم می‌کند:

• تشخیص گفتار
• درک زبان
• ردیابی حالت (جمع‌آوری اطلاعات در مورد آنچه تا کنون گفته شده و انجام شده است)
• تماس API (به عنوان مثال، جستجو در پایگاه داده)
• سیاست‌های گفتگو (تولید یک مفهوم انتزاعی از پاسخ عامل)
• تولید زبان (تبدیل معنای انتزاعی گفتار به متن)
• سنتز گفتار

Plato از محدوده معماری هوش مصنوعی مکالمه‌ای پشتیبانی می‌کند. هر عنصر را می‌توان با استفاده از کتابخانه‌های Machine Learning محبوب مانند Ludwig اوبر، TensorFlow گوگل و PyTorch فیسبوک آموزش داد.

توسعه‌پذیری

در اظهارنظری در مورد توسعه‌پذیری آن، گفته می‌شود که کاربران می‌توانند معماری خودشان را تعریف کنند. حتی می‌توانند اجزای خود را با ارائه یک نام کلاس پایتون و مسیر بسته به آن ماژول، همچنین استدلال‌های اولیه‌سازی مدل، تعریف کنند. تا زمانی که ماژول‌ها به ترتیبی که باید اجرا شوند، لیست شده باشند، Plato بقیه موارد را به دست می‌گیرد. از جمله پوشاندن ورودی و خروجی، زنجیر کردن و اجرای ماژول‌ها (چه سریال چه موازی) و آسان‌سازی گفتگوها.

هنگامی که به ورود اطلاعات می‌رسیم، Plato پیگیری رویدادها را در یک ساختار به نام ضبط‌کننده قسمت گفتگو دنبال می‌کند. این قسمت حاوی اطلاعاتی در مورد وضعیت گفتگوی قبلی، اقدامات انجام شده، وضعیت گفتگوی فعلی و موارد دیگر است. حتی یک فیلد سفارشی وجود دارد که می‌توان برای ردیابی هر چیزی که تحت دسته‌های تعریف شده قرار نداشته باشد، از آن استفاده کرد.

محققین هوش مصنوعی اوبر «الکساندرس پاپینگلس»، «یی-چیا وانگ»، «مهدی نمازی‌فر» و «چاندرا کاتوری» نوشتند:

ما بر این باوریم که Plato توانایی یکپارچگی عاملان مکالمه را در چارچوب برنامه‌های Deep Learning، از Ludwig و TensorFlow تا PyTorch، Keras و دیگر پروژه‌های منبع‌باز فراهم می‌کند. در نهایت این امر منجر به بهبود تکنولوژی‌های مکالمه‌ای هوش مصنوعی در سراسر برنامه‌های کاربردی دانشگاهی و صنعتی می‌شود. ما توانستیم به راحتی یک عامل مکالمه‌ای آموزش دهیم که چگونه اطلاعات رستوران را بپرسیم و عامل دیگر چگونه این اطلاعات را ارائه دهیم. در طول زمان، مکالماتشان بیشتر و بیشتر طبیعی خواهد شد… ما می‌خواهیم میزان گسترش هوش مصنوعی سبز را با برجسته کردن مزایای آن افزایش دهیم [و] از میزان استاندارد بهره‌وری حمایت کنیم.

در نظرات با ما همراه باشید.

بیشتر بخوانید: به نظر شما در حال حاضر هوش مصنوعی دنیا در دست کدام کشور است؟

بیشتر بخوانید: هوش مصنوعی و یادگیری ماشین، قابلیت پیش‌بینی زلزله و سونامی را ارائه خواهند کرد