Другая гипотеза в системах численного моделирования и машинного обучения
В обработке естественного языка (NLP) семантический анализ пытается обратиться к значению естественного языка. Он пытается уловить значение данного текста, включая контекст, сущности, логическую структуру предложений и управляющие грамматические роли.
Нынешние современные системы НЛП прошли долгий путь и становятся все более сложными с поразительными результатами. Тем не менее, все они не могут по-настоящему понять смысл данного текста, как человеческий мозг.
Итак, вопрос в том, сможем ли мы когда-нибудь приблизиться к тому, как работает наш мозг, используя современные методы и модели машинного обучения? или нам вообще нужен принципиально другой подход к ML?
Вот моя гипотеза! Пусть это будет не принципиально новый подход, а несколько иной. Предположим, что система ИИ представляет собой эквивалентный алгоритм или процесс для численного решения уравнения. В нашем случае уравнение — это естественный язык, ось X — семантические определения, а ось Y — синтаксические правила и понятия.
Прежде чем решать это уравнение, давайте построим его, чтобы найти границы и начальные значения. Присмотревшись к перехватам по оси X, мы можем увидеть, что эти границы на самом деле являются семантическими определениями данного текста, примененными через это уравнение! И это самая интересная предварительная обработка данных высокого уровня перед фиксацией любых моделей ML.
После того, как эти границы определены и разрешены, все остальное становится обычным делом, но сфокусированным, целенаправленным и ограниченным. Простой и понятный подход к предварительной обработке перед вызовом моделей НЛП, верно?
Хорошей новостью является то, что мы в PDRVC нашли способ определить эти границы с помощью вычислений, следовательно, семантического определения данного текста, следуя гипотезе, упомянутой выше, и введя новый набор алгоритмов, которые мы называем идентификаторами семантических границ (сокращенно SBI). .
Для нас это многое изменило в настройке, обработке и анализе текстовых данных через конвейер NLP. Не совсем так, как работает наш мозг, но, по крайней мере, следуя некоторым нисходящим концепциям более высокого уровня.
Если вы сосредоточены на семантическом НЛП и что-то выше, даже отдаленно, имеет смысл, я рад услышать ваши мысли и опыт, поэтому, пожалуйста, отправьте мне сообщение и начните разговор…
