Cứu Dữ Liệu Ổ Cứng Chết [You must be registered and logged in to see this link.]
Các nhà nghiên cứu MIT hệ thống máy tính để học làm thế nào để chơi một trò chơi điện tử dựa trên văn bản mà không có giả định trước về cách ngôn ngữ hoạt động. Mặc dù hệ thống không thể hoàn thành trò chơi như một toàn thể, nhưng khả năng hoàn thành các phần của nó cho thấy, theo một nghĩa nào đó, nó phát hiện ra ý nghĩa của từ trong quá trình đào tạo.
Trong năm 2011, giáo sư về khoa học và kỹ thuật máy tính Regina Barzilay và sinh viên của cô đã báo cáo một hệ thống học chơi trò chơi điện tử mang tên "Civilization" bằng cách phân tích hướng dẫn sử dụng trò chơi. Nhưng trong tác phẩm mới, Barzilay lại là đồng tác giả, hệ thống máy học không có quyền truy cập trực tiếp vào "trạng thái" của chương trình trò chơi - dữ liệu mà chương trình đang theo dõi và cách nó đang được sửa đổi.
Karthik Narasimhan, một nghiên cứu sinh về khoa học và kỹ thuật máy tính của MIT, đồng thời cũng là một trong hai tác giả đầu tiên của bài báo, nói: "Khi bạn chơi các trò chơi này, mọi sự tương tác đều thông qua văn bản. "Ví dụ, bạn có được trạng thái của trò chơi thông qua văn bản, và bất cứ điều gì bạn nhập vào cũng là một lệnh. Nó không giống như một bàn điều khiển với các nút. Vì vậy, bạn thực sự cần phải hiểu văn bản để chơi các trò chơi này, và bạn cũng có nhiều thay đổi trong các loại hành động bạn có thể làm. "
Khôi Phục Dữ Liệu Ổ Cứng [You must be registered and logged in to see this link.]
Narasimhan tham gia vào bài báo của Barzilay, người là cố vấn luận án của ông, và tác giả đầu tiên là Tejas Kulkarni , một sinh viên cao học trong nhóm Josh Tenenbaum, giáo sư của Bộ não và các khoa học nhận thức. Họ đã trình bày báo cáo vào tuần trước tại các phương pháp kinh nghiệm trong hội nghị xử lý ngôn ngữ tự nhiên.
Gordian "không"
Các nhà nghiên cứu đặc biệt quan tâm đến việc thiết kế một hệ thống có thể làm cho suy luận về cú pháp, một vấn đề lâu năm trong lĩnh vực xử lý ngôn ngữ tự nhiên. Ví dụ: Trong trò chơi tưởng tượng dựa trên văn bản, có một thế giới khác biệt giữa được nói "bạn bị tổn thương" và "bạn không bị tổn thương." Nhưng một hệ thống chỉ dựa vào bộ sưu tập các từ khóa như một hướng dẫn hành động sẽ bỏ lỡ sự phân biệt đó.
Vì vậy, các nhà nghiên cứu thiết kế trò chơi điện tử dựa trên văn bản của riêng họ, mặc dù rất đơn giản, có xu hướng để mô tả các tình huống sử dụng các cấu trúc cú pháp phiền hà như phủ định và kết hợp. Họ cũng thử nghiệm hệ thống của họ chống lại một trò chơi trình diễn được xây dựng bởi các nhà phát triển của Evennia, bộ công cụ tạo trò chơi. "Một con người có thể hoàn thành nó trong khoảng 15 phút," Kulkarni nói.
Để đánh giá hệ thống của họ, các nhà nghiên cứu đã so sánh hiệu quả của nó với hai hệ thống khác, sử dụng các tiêu chuẩn kỹ thuật trong lĩnh vực xử lý ngôn ngữ tự nhiên. Kỹ thuật cơ bản được gọi là "túi từ", trong đó một thuật toán học máy dựa trên kết quả đầu ra của nó trên sự xuất hiện đồng thời của từ. Biến thể, được gọi là "túi bigrams", tìm kiếm sự xuất hiện đồng thời của các đơn vị hai từ.
Về trò chơi Evennia, hệ thống của các nhà nghiên cứu MIT đã vượt trội hơn các hệ thống dựa trên cả hai từ ngữ và túi bigrams. Nhưng trên các trò chơi homebrewed, với sự mơ hồ cú pháp của nó, sự khác biệt về hiệu suất thậm chí còn ấn tượng hơn. "Những gì chúng tôi tạo ra là phản nghịch, để thực sự kiểm tra sự hiểu biết về ngôn ngữ", Narasimhan nói.
Học kĩ càng
Các nhà nghiên cứu MIT đã sử dụng một phương pháp tiếp cận để học máy học được gọi là học tập sâu, sự hồi sinh của khái niệm mạng nơ-ron, vốn là một yếu tố chủ yếu của nghiên cứu trí tuệ nhân tạo ban đầu. Thông thường, một hệ thống máy học sẽ bắt đầu với một số giả định về dữ liệu mà nó đang kiểm tra, để tránh lãng phí thời gian trên giả thuyết không có kết quả. Một hệ thống xử lý ngôn ngữ tự nhiên có thể giả sử rằng một số từ mà nó gặp phải sẽ là những từ phủ định - mặc dù nó không có ý nghĩa từ đó.
Mạng thần kinh không có những giả định như vậy. Thay vào đó, họ lấy được một cảm giác chỉ đạo từ tổ chức của họ thành các lớp. Dữ liệu được đưa vào một mảng của các nút xử lý trong lớp dưới cùng của mạng, trong đó mỗi dữ liệu sửa đổi dữ liệu theo một cách khác nhau trước khi chuyển nó tới lớp kế tiếp, nó sửa đổi nó trước khi chuyển nó tới lớp kế tiếp, vân vân. Đầu ra của lớp cuối cùng được đo dựa trên một số tiêu chí hiệu suất, và sau đó quá trình lặp lại, để xem liệu những cải tiến khác nhau có cải thiện hiệu suất hay không.
Trong thí nghiệm của họ, các nhà nghiên cứu đã sử dụng hai tiêu chí thực hiện. Một là hoàn thành một nhiệm vụ - trong trò chơi Evennia, chẳng hạn như vượt qua cầu mà không rơi. Cách thứ hai là tối đa hoá số điểm được tính trong các thuộc tính của người chơi được theo dõi bởi trò chơi, chẳng hạn như "điểm sức khoẻ" và "điểm kỳ diệu".
Trên cả hai biện pháp, hệ thống học tập sâu sắc đã vượt trội những túi từ và túi bigram. Tuy nhiên, hoàn thành thành công trò chơi Evennia đòi hỏi người chơi phải nhớ một bản mô tả bằng lời của một khắc gỗ chạm trán trong một phòng, sau đó, sau khi điều hướng một số thách thức can thiệp, hãy khớp nó với một mô tả khác nhau về cùng một khắc trong một căn phòng khác. "Chúng tôi không biết làm thế nào để làm điều đó," Kulkarni nói.
Percy Liang, giáo sư về khoa học máy tính và thống kê của Đại học Stanford, người không tham gia vào công việc, nói: "Tôi nghĩ bài báo này khá hay và khu vực chung của việc lập bản đồ ngôn ngữ tự nhiên để hành động là một lĩnh vực thú vị và quan trọng. "Thật là thú vị khi xem bạn có thể mở rộng những cách tiếp cận này đến các lĩnh vực phức tạp hơn như thế nào".
Học Sửa Máy Tính Cơ Bản [You must be registered and logged in to see this link.]