广告

AI知识盲区,解读机器人学习原理

导语:学习是获得智慧和能力不可或缺的途径,经过十多年学习,大学毕业入社会工作,但是为了保持自我竞争能力,还是需要不断的学习。无论是什么机器人,AlphaGo 、百度机器人、电话机器人、

学习是获得智慧和能力不可或缺的途径,经过十多年学习,大学毕业入社会工作,但是为了保持自我竞争能力,还是需要不断的学习。无论是什么机器人,AlphaGo 、百度机器人、电话机器人、电销机器人、客服机器人……机器人要更智能,学习也同样的是必不可少。

首先,我们需要分清楚3个概念。人工智能、机器学习、深度学习三者的关系与区别。

梳理一波AI知识盲区,解读机器人学习原理,以灵声机器人为例

 

人工智能

人工智能是人工是指由人或非自然事物构成的东西,智能是指理解或思考的能力。有一种误解认为人工智能是一个系统,但它不是一个系统.AI是在系统中实现的。

通俗地讲就是:如何让机器人能跟人一样甚至做得更好。

机器学习

机器学习:机器可以通过自己学习而无需明确编程的学习。它是人工智能的一种应用,它为系统提供了自动学习和改进经验的能力。在这里,我们可以通过集成该程序的输入和输出来生成程序。

通俗地讲就是:让机器自我学习。

深度学习

机器学习的一种特殊形式。

机器学习中,您可以手动选择要素和分类器来对图像进行排序。

通过深度学习,特征提取和建模步骤是自动的。可以从图像中自动提取相关功能。此外,深度学习执行“端到端学习” - 网络被赋予原始数据和要执行的任务,例如分类,并且它自动学习如何执行此操作。

深度学习模型通过使用大量标记数据和神经网络架构进行训练,这些架构可直接从数据中学习特征,而无需手动提取特征。已应用于计算机视觉,语音识别,自然语言处理,音频识别,社交网络过滤,机器翻译,生物信息学,药物设计和棋盘游戏程序等领域.

神经网络架构

神经网络是在人工智能研究出现不久后的20世纪50年代发展起来的,试图模拟大脑的工作方式,尽管形式非常简单。程序映射出一组虚拟神经元,然后将随机数值或“权重”分配给它们之间的连接。这些权重确定每个模拟神经元如何以0到1之间的数学输出响应数字化特征,例如图像中的蓝色边缘或阴影,或者音素中一个频率的特定能量水平,单个单位语音中的声音。

程序员将训练神经网络通过使用包含对象或包含音素的声波的图像的数字化版本对网络进行闪烁来检测对象或音素。如果网络没有准确识别特定模式,则算法将调整权重。培训的最终目标是让网络始终如一地识别我们人类所知的语音模式或图像集。就像教导幼童学习一样,通过一些形状特征、行为体态描述一个物体,让孩子们明白长得像那样,“毛茸茸的、两只耳朵竖起来的……就是小兔子”。

梳理一波AI知识盲区,解读机器人学习原理,以灵声机器人为例

 

智能语音机器人神经网络框架,以灵声为例

当我们安排当天的日历时,我们会优先考虑我们的约会吗?如果我们需要为重要的事情留出一些空间,我们知道可以取消哪个会议以适应可能的会议。

灵声机器人是运用LSTM循环神经网络框架进行训练的,LSTM解决了这个问题。它们是具有循环的网络,允许信息持续存在。

LSTM通过乘法和加法对信息进行小的修改。当信息流过不同的层时,我们可能会对信息进行一些添加,修改或删除,就像产品可能在传送带上进行模塑,涂漆或包装一样。利用LSTM,信息流经称为单元状态的机制。这样,LSTM可以选择性地记住或忘记事物。特定单元状态的信息具有三种不同的依赖关系。

我们将通过一个例子来形象化。我们以预测特定股票的股票价格为例。

今天的股票价格将取决于

1.股票在前几天跟随的趋势,可能是下跌趋势或上升趋势。

2.前一天股票的价格,因为许多交易者在购买之前比较股票的前一天价格。

3.可能影响今天股票价格的因素。这可能是一项新的公司政策,受到广泛的批评,或公司利润的下降,或者公司高层领导的意外变化。

这些依赖关系可以推广到任何问题

前一个单元状态(即上一个时间步后的内存中存在的信息)

先前的隐藏状态(即,这与前一个单元格的输出相同)

当前时间步骤的输入(即当时正在输入的新信

如何通过机器学习创造更智能的对话

首先是要对自然语言进行理解。主要目的是,给定一个输入句子,预测该句子的意图并从中提取有用的实体。Intent指示聊天机器人应如何响应来自用户的输入。实体用于使响应更加自定义模块,包括拼写检查或进行情绪分析。

假设用户说“ 我想要预定房间”。NLU的工作是获取此输入,了解用户的意图并在输入中查找实体。

在这个例子里,意图是预定,实体是房间。

事实上,“我想要预计个房间”,有多种表述,比如“你这里空房间,我要订个”,“房间有吗,给我订个”……在这些表述中,灵声ai机器人提炼出意图和实体应该都是相同的。

这仅仅是第一步,第二步为chatbot生成回复消息。它接受上个组件的意图和实体的输出并应用机器学习模型来生成回复/采取行动。

针对“我想要预计个房间”,灵声应该给出相应建议和解决方案,比如“您好,酒店还有空房,你想要哪种房型?”

同时灵声的深度学习相对于浅层学习,一个关键差异在于算法与数据。浅层学习是指当您向网络添加更多示例和训练数据时,在某种性能水平上达到稳定的机器学习方法。而灵声深度学习网络的一个关键优势是它们通常会随着数据大小的增加而不断改进。

“深”通常是指神经网络中隐藏层的数量。传统的神经网络只包含2-3个隐藏层,而深层网络可以包含多达150个。举个例子,在实验中训练多层虚拟神经元需要16,000台计算机处理器。

因此,一个比较理想的深度学习需要收集一个非常大的标记数据集。

目前人机对话次数3.2亿次,服务最终客户1500万个,覆盖200个行业,从中我们已经积累了大量标记各行业垂直数据集。同时除了自身积累的数据集,我们合作领域的数据集也在不断扩充中。

要想机器人变得更智能,需要不断地学习与训练,这是一个比较耗时耗力的过程。为了解决这一问题,灵声AI机器人在计算能力方面优化提升,进行高吞吐量高性能计算。

梳理一波AI知识盲区,解读机器人学习原理,以灵声机器人为例
整理
本文为机器人网原创文章,禁止转载。请尊重知识产权,违者本司保留追究责任的权利。
相关文章
广告
广告
广告
广告
推荐使用浏览器内置分享