Non sei riuscito a partecipare a Transform 2022? Dai un’occhiata a tutte le sessioni del vertice nella nostra libreria on-demand ora! Guarda qui.
Una delle maggiori sfide di configurazione che i team di intelligenza artificiale (AI) devono affrontare è la formazione manuale degli agenti. Gli attuali metodi supervisionati richiedono tempo e denaro e richiedono dati di addestramento etichettati manualmente per tutte le classi. In un sondaggio condotto da Dimensional Research e AIegion, il 96% degli intervistati afferma di aver riscontrato problemi relativi alla formazione come la qualità dei dati, l’etichettatura richiesta per addestrare il modello e la creazione di fiducia nel modello.
Poiché il dominio dell’elaborazione del linguaggio naturale (NLP) cresce costantemente grazie ai progressi nelle reti neurali profonde e nei grandi set di dati di addestramento, questo problema si è spostato in primo piano e al centro di una serie di casi d’uso basati sul linguaggio. Per affrontarlo, la piattaforma di intelligenza artificiale conversazionale Yellow AI ha recentemente annunciato il rilascio di DynamicNLP, una soluzione progettata per eliminare la necessità di formazione del modello NLP.
DynamicNLP è un modello NLP pre-addestrato, che offre il vantaggio alle aziende di non dover perdere tempo ad addestrare continuamente il modello NLP. Lo strumento si basa sull’apprendimento a scatto zero (ZSL), che elimina la necessità per le aziende di sottoporsi al lungo processo di etichettatura manuale dei dati per addestrare il bot AI. Ciò consente invece agli agenti di intelligenza artificiale dinamici di apprendere al volo, impostando flussi di intelligenza artificiale conversazionale in pochi minuti e riducendo i dati di addestramento, i costi e gli sforzi.
“L’apprendimento a tiro zero offre un modo per aggirare questo problema consentendo al modello di imparare dal nome dell’intento”, ha affermato Raghu Ravinutala, CEO e cofondatore di Yellow AI. “Ciò significa che il modello può apprendere senza bisogno di essere addestrato su ogni nuovo dominio”.
Contents
Evento
MetaBeat 2022
MetaBeat riunirà leader di pensiero per fornire indicazioni su come la tecnologia metaverse trasformerà il modo in cui tutti i settori comunicano e fanno affari il 4 ottobre a San Francisco, CA.
Registrati qui
Inoltre, il modello zero-shot può anche mitigare la necessità di raccogliere e annotare i dati per aumentare la precisione, ha affermato.
Barriere alla formazione dell’IA conversazionale
Le piattaforme di intelligenza artificiale conversazionale richiedono una formazione approfondita per fornire in modo efficace conversazioni simili a quelle umane. A meno che le espressioni non vengano costantemente aggiunte e aggiornate, il modello di chatbot non riesce a comprendere l’intento dell’utente, quindi non può offrire la risposta giusta. Inoltre, il processo deve essere mantenuto per molti casi d’uso, il che richiede l’addestramento manuale della NLP con centinaia o migliaia di punti dati diversi.
Quando si utilizzano metodi di apprendimento supervisionato per aggiungere enunciati (input di un utente chatbot), è fondamentale monitorare costantemente il modo in cui gli utenti digitano gli enunciati, etichettando in modo incrementale e iterativo quelli che non sono stati identificati. Una volta etichettate, le espressioni mancanti devono essere reintrodotte nella formazione. Diverse query potrebbero non essere identificate durante il processo.
Un’altra sfida significativa è come aggiungere gli enunciati. Anche se vengono presi in considerazione tutti i modi in cui viene registrato l’input dell’utente, c’è ancora la questione di quanti saranno in grado di rilevare il chatbot.
A tal fine, la piattaforma DynamicNLP di Yellow AI è stata progettata per migliorare l’accuratezza degli intenti visibili e invisibili nelle espressioni. La rimozione dell’etichettatura manuale aiuta anche a eliminare gli errori, risultando in una PNL più forte e robusta con una migliore copertura delle intenzioni per tutti i tipi di conversazioni.
Secondo Yellow AI, l’agilità del modello di DynamicNLP consente alle aziende di massimizzare con successo l’efficienza e l’efficacia in una gamma più ampia di casi d’uso, come l’assistenza clienti, il coinvolgimento dei clienti, il commercio conversazionale, l’automazione delle risorse umane e dell’ITSM.
Secondo Yellow AI, l’agilità del modello di DynamicNLP consente alle aziende di massimizzare con successo l’efficienza e l’efficacia in una gamma più ampia di casi d’uso, come l’assistenza clienti, il coinvolgimento dei clienti, il commercio conversazionale, l’automazione delle risorse umane e dell’ITSM. Fonte: AI gialla
“La nostra piattaforma viene fornita con un modello preaddestrato con apprendimento non supervisionato che consente alle aziende di aggirare il processo noioso, complesso e soggetto a errori di formazione del modello”, ha affermato Ravinutala.
Il modello pre-addestrato è costruito utilizzando miliardi di conversazioni anonime, che secondo Ravinutala aiutano a ridurre le espressioni non identificate fino al 60%, rendendo gli agenti di intelligenza artificiale più simili a quelli umani e scalabili in tutti i settori con casi d’uso più ampi.
“La piattaforma è stata anche esposta a molte espressioni relative al dominio”, ha affermato. “Ciò significa che i successivi incorporamenti di frasi generati sono molto più forti, con un’accuratezza dell’intento superiore al 97%”.
Tendenze e sfide future per l’IA conversazionale
Ravintula ha affermato che l’uso di modelli pre-addestrati per migliorare lo sviluppo dell’IA conversazionale aumenterà senza dubbio, comprendendo diverse modalità tra cui testo, voce, video e immagini.
“Le aziende di tutti i settori richiederebbero sforzi ancora minori per mettere a punto e creare i loro casi d’uso esclusivi poiché avrebbero accesso a modelli pre-addestrati più grandi che fornirebbero un’esperienza elevata a clienti e dipendenti”, ha affermato.
Una sfida attuale, ha sottolineato, è rendere i modelli più consapevoli del contesto poiché il linguaggio, per sua stessa natura, è ambiguo.
“I modelli in grado di comprendere ingressi audio che comprendono più altoparlanti, rumore di fondo, accento, tono, ecc., richiederebbero un approccio diverso per fornire efficacemente conversazioni naturali simili a quelle umane con gli utenti”, ha affermato.
La missione di VentureBeat deve essere una piazza cittadina digitale per i decisori tecnici per acquisire conoscenze sulla tecnologia aziendale trasformativa e le transazioni. Saperne di più sull’appartenenza.
