Yapay zeka dili nasıl öğrenir?

Yapay zekâlar ve nasıl çalışacakları hakkında düşünüyordum, yapay zekâya dil öğretmenin bir yolunu düşünemediğimi fark ettim. Bir çocuk, bir nesnenin dilini ve resimlerini bir nesneyle ilişkilendirerek (örneğin, bir köpeğin etrafındayken "köpek" kelimesini söyleyen ve daha sonra insanların "bir köpek" ve "bir araba" dediğini ve ne "bir" "anlamına gelir.). Bununla birlikte, metin tabanlı bir yapay zeka, herhangi bir giriş cihazına erişemeyeceklerinden bu yöntemi öğrenmek için kullanamaz.

Gelebilmemin tek yolu, her kelimede ve kural olarak, İngilizce dilinde (veya 'konuşmak' ne demek istediği herhangi bir dilde) programlama yapmaktır, ancak bu potansiyel olarak yapılması yıllar alacaktır.

Bunun nasıl yapılabileceğine dair bir fikri olan var mı? Ya da daha önce yapılmışsa, öyleyse nasıl?

Bu arada, bu bağlamda, yapay zekayı, insana yakın zekaya sahip olan ve önceden dil bilgisi olmayan bir Yapay Zeka sistemi demek için kullanıyorum.

Genel araştırma alanı dilbilgisi indüksiyonu olarak bilinir .

Genellikle denetlenen bir öğrenme problemi olarak çerçevelenir, girdi ham metin olarak sunulur ve istenen çıktı karşılık gelen ayrıştırma ağacıdır . Eğitim seti genellikle hem olumlu hem de olumsuz örneklerden oluşur.

Bunu başarmak için tek bir en iyi yöntem yoktur, ancak bugüne kadar kullanılan bazı teknikler şunlardır:

• Bayesci yaklaşımlar
• Genetik Algoritmalar
• Genetik Programlama
• Yazı Tahtası Mimarileri
• UpWrite Predictor

Sorununuz için şemsiye terime yapay zeka altında bir konu olan doğal dil işleme (NLP) denir .

Bu alanda dil anlambilimi, dilbilgisel analiz, konuşma etiketlemenin bölümleri, alana özgü bağlam analizi vb. Gibi birçok alt konu vardır.

Sadece tamlık uğruna, Tekrarlayan Sinir Ağlarının (yani geriye doğru bağlantıları olan sinir ağlarının) Doğal Dil İşleme (NLP) için sıklıkla kullanıldığına dikkat çekeceğim. Bu, Çift Yönlü, Ürdün ve Elman Networks gibi varyantları içerir. Uzun Kısa Süreli Bellek (LSTM), aynı zaman ve sıra tabanlı görevleri gerçekleştirebilen, ancak "yok olan gradyan probleminden" muzdarip olmadığı için backprop gibi standart öğrenme yöntemlerinden yararlanabilen daha karmaşık bir sinir ağı algoritmasıdır. Bunun nedeni, LSTM'lerin mükemmel bir şekilde "mükemmel entegratörler" olarak tasarlanmasıdır, bu da hata gradyanlarını vb. Uzun süre boyunca hesaplamayı çok daha kolay hale getirir. Tersine, RNN'lerle öğrenme hala teorik olarak iyi temelli değildir ve Zamanla Geri Yayılım (BPTT) gibi mevcut yöntemlerle hesaplanması zordur. Zaman Gecikmeli Sinir Ağlarında (TDNN'ler) fikir, bir zaman dilimi veya egzersiz dizisi boyunca her yeni eğitim örneğine yeni nöronlar ve bağlantılar eklemek; ne yazık ki, bu, ağın boyutu elden çıkmadan veya unutmaya başlamadan önce, RNN'lerde olduğu gibi, ağa kaç örnek besleyebileceğiniz konusunda pratik bir sınırlama getirir. LSTM'lerin (özellikle Nöral Turing Makineleri ile büyütüldüğünde) çok daha uzun anıları vardır, bu yüzden NLP amaçları için sinir ağlarını kullanmak istediğimi varsayarak, ilk seçimim olurdu. Konu hakkındaki bilgim sınırlı olsa da (hala ipleri öğrenmeye çalışıyorum) bu yüzden göz ardı ettiğim diğer önemli sinirsel algoritmalar olabilir ...