的细微差别非常广泛和微妙。通常同一句话在不同的语境中有不同的含义。甚至人类有时也无法区分细微的差异。机器可以吗？这是人工智能面临的下一个重大挑战：理解语言的细微差别。语言是人类独有的能力，是我们智慧的体现。但是通过人工智能（NLP，我们赋予机器语言能力），一个新的可能性领域为我们如何使用语言开辟了道路。今天，您可以走进光线昏暗的客厅，让Alexa将您的智能灯调暗至75%。或者，您可以让Alexa告诉您世界另一端的天气情况。谷歌最近的Duplex演示展示了该行业的最新进展，其中AI代理可以拨打商务电话或进行预约。曾经存在于科幻小说中的幻想如今已成为现实，但为了维持真正令人满意的人机关系，机器必须能够进行更直观、更符合情境和更自然的对话——现在仍然如此。一个挑战。我从工作开始就一直在研究NLP技术。NLP是一个与人工智能本身一样古老的研究领域，我们仍处于这一旅程的起点。语言是共享信息和与我们周围的人联系的机制，但机器需要理解语言的复杂性以及我们作为人类如何交流才能使用语言。情感分析、问答系统和联合多任务学习方面的进步是人工智能真正理解人类如何与我们交流的方式。情感分析语言本身就很难。语言在不断发展，而且非常微妙。普通人不经过几年的努力是不可能掌握这门语言的。通过情感分析，我们可以使用人工智能来了解某个特定陈述的某些事情，例如品牌介绍、电影评论，是正面的、负面的还是中性的。但我们也可以推测出说话者的态度和意图（生气？高兴？惊讶？准备购买？）。从客户服务到在线社区管理再到算法交易，通过及时分析数千条推文或数百条产品评论来了解公众对品牌的看法对企业来说非常有价值。情绪分析已经存在了一段时间，但并不总是非常准确。然而，随着NLP技术的进步，这种情况正在发生变化。当我在Salesforce担任首席科学家时，我们的EinsteinAI服务使品牌能够实时分析电子邮件、社交媒体和聊天文本中的情绪，以提供更好的客户体验。例如，准确的情绪分析使服务代理能够了解哪些不满意的客户需要优先提供服务，或者向哪些客户提供促销优惠。它还可用于识别产品缺陷、衡量整体产品满意度，甚至通过社交媒体渠道监控公众对品牌的看法。其他科技公司提供类似的服务。我们还需要理解上下文的能力。假设你有一家肥皂公司，有人在推特上说，“这种肥皂对婴儿真的很好。”这条推文可以被认为是对儿童香皂的正面认可，也可能具有讽刺意味，暗示香皂对儿童来说是可怕的。因此，这句话的意思要看上下文。这还是很简单的陈述句！教人工智能解析一个句子的所有可能含义，并理解一个人在给定上下文中的真正含义，是NLP研究中的一大挑战。它既需要标记数据来改进模型训练，也需要可以同时学习上下文和跨不同任务共享知识的新模型。问答系统随着NLP越来越擅长解析文本的含义，管理我们日常生活的数字助理将变得更加智能。Siri和GoogleAssistant等应用程序已经擅长回答常见问题和执行相当简单的命令。但理想情况下，我们应该能够向计算机提出任意问题并得到好的答案。使计算机能够给出更好答案的一种方法是确保计算机理解问题。如果你问，“我的飞机什么时候到达？”你问的是航班，还是你从亚马逊订购的木工飞机？（译注：plane有airplane、plane的意思）电脑怎么判断你问的是什么？只有通过更深入地理解语义和更智能地使用上下文数据，计算机才能更好地猜测我们的意思。借助NLP，我们可以弄清楚如何学习这些上下文层，以便AI可以同时处理所有上下文，而不会遗漏重要信息。例如，动态共同注意网络（dynamiccoatingnetworks，DCN.参见《State of the art deep learning model for question answering》，http://u6.gg/ejFYu）可以根据所问的各种问题以不同方式解释各个文档，例如“哪支球队代表NFC参加了超级碗50？”或者“谁在第四节达阵得分？”，通过这种条件解释，它可以迭代假设多个答案，以获得最佳和最准确的结果。联合多任务学习研究界擅长的是构建能够很好地完成单一任务的AI模型。但更直观、对话式和上下文相关的界面将需要一个能够持续学习的AI模型——将新任务与旧任务相结合，并在此过程中学习执行更复杂的任务。一般来说，人工智能是这样，但语言尤其如此，因为语言的灵活性需要它。“谁是我的客户？”这个问题提出了一个足够简单的任务：创建客户列表。但问题是“谁是我在太平洋西北地区对特定产品的最佳客户？”现在，我们添加了一层复杂性，需要一些综合任务来回答限定问题，例如，您如何定义“最佳”？每个客户住在哪里？是什么因素让顾客对某种产品产生兴趣？通过向查询添加项目，问题的复杂性显着增加。SaleforceResearch最近创建了“自然语言十项全能”，这是一项利用问答在单个模型中解决NLP最棘手的10项任务的挑战：问答、机器翻译、摘要、自然语言推理、情感分析、语义角色标记、关系提取、目标导向对话、数据库查询生成和代词解析。使用多任务问答模型，每个任务都被视为一种问答形式，单个模型共同学习和处理不同的任务，没有任何特定的参数或模块。这不仅意味着数据科学家不需要为每个任务构建、训练和优化单独的模型。但这也意味着该模型将能够进行零样本学习，即一个模型可以解决它以前从未见过或经过专门训练的任务。随着研究人员继续完善此类模型，我们将看到AI界面在承担更复杂的任务时变得更加智能。尽管我们在NLP领域工作了很长时间，但它仍处于起步阶段。但是，大众希望随着NLP的进步，人工智能能够改变我们与机器交互的所有方式。好工作！
