Tagad AI mašīnas mācās izprast stāstus

Mākslīgā intelekta metodes pārņem pasauli vētrainā kārtā. Pagājušajā gadā Google DeepMind pētniecības komanda atklāja mašīna, kas bija iemācījusies spēlēt arkādes videospēles . Šī gada sākumā Ķīnas pētnieku komanda demonstrēja sejas atpazīšanas sistēma, kas pārspēj cilvēkus , un pagājušajā nedēļā atklāja Ķīnas interneta gigants Baidu vienota runas atpazīšanas sistēma, kas spēj pārrakstīt gan angļu, gan mandarīnu ķīniešu valodu .

Divi faktori to ir padarījuši iespējamu. Pirmais ir labāka izpratne par daudzslāņu neironu tīkliem un to, kā tos precīzi pielāgot konkrētiem uzdevumiem. Otrais ir plašo datu bāzu izveide, kas nepieciešama šo tīklu apmācībai.

Šīs datu bāzes ir ļoti svarīgas. Piemēram, lai atpazītu seju, neironu tīklam ir jāredz daudzi tūkstoši reālu attēlu, kuros sejas no visiem leņķiem, dažreiz aizsegtas, ir skaidri marķētas. Tas prasa daudzas stundas cilvēku anotācijas, taču tagad tas ir iespējams, pateicoties kolektīvās piegādes metodēm un tīmekļa pakalpojumiem, piemēram, Amazon's Mechanical Turk.

Straujais progress šajā jomā nozīmē, ka liela daļa zemu nokareno augļu tiek ātri iztīrīta — sejas atpazīšana, objektu atpazīšana, runas atpazīšana utt. Tomēr ir daudz grūtāk izveidot datu bāzes sarežģītākiem spriešanas uzdevumiem, piemēram, stāstu izpratnei.

Šodien tas sāk mainīties, pateicoties Makaranda Tapaswi darbam Karlsrūes Tehnoloģiju institūtā Vācijā un dažiem draugiem, kuri ir izveidojuši datubāzi par filmām, kurām vajadzētu kalpot kā pārbaudes arēna dziļās mācīšanās mašīnām un to spējai spriest. par stāstiem.

Galvenais ieskats viņu projektā ir tāds, ka spēja atbildēt uz jautājumiem par stāstu vai filmu ir svarīgs rādītājs tam, vai tas ir vai nav saprasts. Tātad pētījuma mērķis ir izveidot viktorīnas ar atbilžu variantiem par filmām, kas sastāv no jautājumu kopas un vairākām iespējamām atbildēm, no kurām tikai viena ir pareiza.

Viņu pieeja ir vienkārša. Tapaswi un co sāk, apkopojot sižeta kopsavilkumus no Vikipēdijas aptuveni 300 filmām. Tie atšķiras no vienas rindkopas līdz vairāk nekā 20 rindkopām.

Viņi to saista ar pašu filmu, kas ir ievērojams datu kopums. Viņi saka, ka vidējā filma ir aptuveni divas stundas gara, un tajā ir vairāk nekā 198 000 kadru un gandrīz 2000 kadru.

Filmas skaidri parāda informāciju, kas var atbildēt uz tādiem jautājumiem kā Kurš un kam ko izdarīja? Bet tie ne vienmēr satur informāciju, lai atbildētu uz jautājumiem par to, kāpēc notiek lietas, kurām dažreiz ir nepieciešamas papildu zināšanas par pasauli.

Tātad Tapaswi un co arī apkopo informāciju no papildu datu bāzēm. Piemēram, viņi veido aprakstīto video tekstu neredzīgiem cilvēkiem, kas ir izstrādāts tā, lai saturētu pietiekami daudz informācijas, lai saprastu, kas notiek, to neredzot; un viņi arī iegūst oriģinālos filmu scenārijus, kas bieži vien ir noderīgi, lai gan režisori ne vienmēr tos precīzi ievēro.

Pēc tam komanda lūdza cilvēku anotatoriem izvēlēties lasīt kopsavilkumus katrai filmai. Pēc tam viņiem bija jāformulē vairāki jautājumi par katru izlasīto rindkopu kopā ar atbildi. Vidēji katrā rindkopā anotatori uzrakstīja piecus jautājumus. Viņiem bija arī jāizceļ teksta sadaļa, kas sniedza atbildi uz katru jautājumu.

Visbeidzot, Tapaswi un kolēģi lūdza anotatoriem izlasīt katru jautājumu un atbildi un nākt klajā ar četrām nepareizām atbildēm, lai izveidotu atbilžu variantu viktorīnu. Iegūtajā datubāzē ir vairāk nekā 7000 jautājumu par 300 filmām.

Jautājumi iedalās vairākās kategorijās. Šeit ir daži piemēri (ja varat, uzminiet filmas):

Personas vārds (kurš)
Kurš Epss piesaista?
Kāds ir Džefa Lebovska segvārds?

Pamatojums (kāpēc)
Kāpēc Arvens vēlas palikt Viduszemē?
Kāpēc Brūss baidās no sikspārņiem?

Abstrakts (kas)
Kādu spēku sevī ietver zaļā esence?
Kā paskaidrots tiesas sēdē, kāds bija galvenais negadījuma cēlonis?

Iemesls: darbība (kā)
Kā Kāle pavada laiku, kad viņam pirmo reizi tiek piemērots mājas arests?
Kā Hal uzvar Parallax?

Atrašanās vieta (kur)
Kā sauc sporta zāli, kurā ir atstāts kompaktdisks?
Kur Aragorns vada sadraudzību?

Darbība (kas)
Ko WALL-E dara, ja viņš domā, ka EVE ir izslēgts?
Ko Džeina un Kevins dara gadu pēc tikšanās?

Objekts/lieta (kas)
Ko grupa atrod troļļu alā?
Ko vīrieši, kas uzbrūk Dudei, iznīcina viņa mājās?

Personas tips (kāds)
Kas ir Daniels Klīvers?
Kāda ir Reičelas Deivas profesija?

Jā/nē (ir, dara)
Vai Madlēna pieņem naudu par darbu Arthur Case?
Vai Faramira Denetora vecākais dēls?

Cēloņsakarība (kas notiek)
Ko Marks dara pēc tam, kad Bridžita viņu apmeklē un lūdz piedošanu?
Kas notiek Mailijas randiņā ar Trevisu?

Tie ir salīdzinoši vienkārši cilvēkiem, kuri ir skatījušies filmu. Taču šie puiši pārbauda datubāzi, izmantojot dažas vienkāršas, uz jautājumiem balstītas atbildes stratēģijas, lai noskaidrotu, cik labi viņiem veicas. Nevienam neveicas īpaši labi, bet mērķis, protams, ir palīdzēt apmācīt nākamās šo mašīnu paaudzes, kuras, iespējams, būs labākas.

Tas ir liels lūgums. Viens interesants aspekts ir tas, ka dziļajiem neironu tīkliem ir vajadzīgas lielas datu bāzes, lai palīdzētu tiem mācīties. Un jo sarežģītāks uzdevums, jo lielākai datu bāzei ir jābūt.

Tāpēc svarīgs jautājums ir, cik lielai datubāzei jābūt, lai apmācītu dziļas mācīšanās algoritmu, lai atbildētu uz jautājumu par filmām. Uz to ir grūti atbildēt, pat zināmā mērā.

Tāpēc nozīmīgs mērķis būs noskaidrot, vai šī datu bāze ir pietiekami liela, lai palīdzētu ierobežot mūsdienu mākslīgā intelekta iekārtas, kad tās mācās veikt šo uzdevumu. Tas ir kaut kas, ko Tapaswi un co drīz uzzinās.

Tikmēr viņi jaunajā gadā datubāzi dara pieejamu tiešsaistē: http://movieqa.cs.toronto.edu/home/ . Ja mākslīgā intelekta izpēte nedarbojas, tai vajadzētu būt noderīgai vismaz krogu viktorīnās.

Atsauce: http://arxiv.org/abs/1512.02902 : MovieQA: Izpratne par stāstiem filmās, izmantojot jautājumus

paslēpties