Достижения в области генной инженерии
Открытый доступ

Абстрактный

Традиционный ИИ как реализация вопросно-ответной системы с использованием BEERT

Арпита Гупта

Разговорный ИИ относится к взаимодействию пользователей через приложения для обмена сообщениями или виртуальных помощников. Такое общение через виртуальных агентов или чат-ботов предназначено для предоставления персонализированного пользовательского опыта. Взаимодействие чат-ботов осуществляется с помощью длинных сообщений, запросов или двустороннего взаимодействия с частной аудиторией. Реальная сила разговорного ИИ заключается в его способности обеспечивать высокоперсонализированное взаимодействие с огромным количеством клиентов в целом. В качестве бизнес-варианта использования разговорный ИИ может трансформировать традиционные способы общения, способствуя глубокому взаимодействию с пользователями. Одним из мощных приложений разговорного ИИ является система ответов на вопросы. Будь то виртуальный помощник или чат-бот, или любая система поддержки, разработанная любой компанией, модель ответов на вопросы играет решающую роль в предоставлении таких услуг. Автоматизированная система ответов на вопросы позволяет предприятию предоставлять своим пользователям более динамичный и персонализированный опыт. На практике человеку сложно ответить на все вопросы, задаваемые пользователями, одновременно. Если кто-то захочет это сделать, потребуется больше ресурсов для взаимодействия с клиентами для решения их проблем в предлагаемых услугах или продуктах. Автоматизированная система ответов на вопросы не только экономит много времени, но и
является эффективным инструментом для понимания потребностей клиентов и их
поведения.
Общая архитектура процесса ответа на вопрос заключается в получении ввода от пользователей, анализе запроса, поиске информации из базы данных, извлечении наиболее релевантного ответа и последующем выводе желаемого ответа. Это не так просто, как кажется. Почему? Это связано с несколькими проблемами, возникшими во время моделирования. В этом сеансе мы обсудим несколько проблем, возникающих при проектировании системы ответа на вопрос, таких как доступность данных, качество данных, их интерпретируемость и языковой барьер. Хотя алгоритмы сервалов [1] были внедрены для проектирования наиболее эффективной системы ответа на вопрос, BERT [2] превосходит все. Мы обсудим, как представление двунаправленного кодера из алгоритма Transformer [2] помогает решать упомянутые проблемы, и предоставим дополнительное решение. В этом уроке основное внимание будет уделено проектированию модели ответа на вопрос с использованием любимого инструмента человека для общения: обработки естественного языка. Для этого сеанса я предполагаю знакомство с основными терминами обработки естественного языка и Python. Основная часть доклада будет сосредоточена на реализации BERT [2] для проектирования модели ответа на вопрос, методов извлечения признаков для данных. Биография: Арпита Гупта по профессии специалист по данным и работает в Accenture в Индии с командой предиктивной аналитики подразделения ИИ. Она отвечает за создание решений ИИ, моделирование и проверку решений в различных областях, включая компьютерное зрение и обработку естественного языка. Она имеет степень магистра в области встраиваемых систем престижного колледжа Индии BITS Pilani. У Арпиты 3 года промышленного опыта в области науки о данных и 2 года опыта исследований в области глубокого обучения. Она также делится своими знаниями через свой веб-сайт «https://www.let-the-data-confess. com/» с помощью вебинаров и своих блогов. Она увлечена достижениями в области исследований в области глубокого обучения.