自助服务如何推动人工智能的普及化

在六月份机构的一位专家撰文指出Alexa以及更广泛的人工智能领域正进入一个“自我服务”的新时代人工智能将变得更加自我感知、自我学习和自助服务。在近期的一次虚拟活动中机构展示了其新的设备和产品线其中就包括面向支持Alexa设备的三项自助服务功能偏好教学、自定义声音事件检测以及面向基于摄像头的Ring设备的自定义事件提醒。偏好教学允许用户明确地教给Alexa哪个技能应该处理特定类型的请求、他们关注哪些运动队、以及他们偏好哪些菜系。自定义声音事件检测允许用户教Alexa识别特定的家庭声音例如门铃声并在听到这些声音时启动特定的Alexa例程。Ring自定义事件提醒允许用户在Ring视频门铃或聚光灯摄像头捕捉的图像中指定一个特定区域作为兴趣区域并教会摄像头区分该区域的不同状态例如棚屋的门是打开还是关闭的。所有这些都是机构致力于让AI普及化的实例通过让用户能够根据自己的需求配置机器学习系统而无需具备编程或机器学习方面的专业知识。偏好教学偏好教学允许用户使用自然语言教给Alexa他们的偏好例如“Alexa我是爱国者队的忠实粉丝”或“Alexa我喜欢泰国菜”。这是去年推出的用户互动教学的扩展。两者一个显著的区别在于偏好教学由用户主动发起教学而之前是由Alexa在遇到无法理解的指令时发起教学。这两个应用的核心都是两个模型一个自然语言理解NLU模型用于识别用户意图以及实体名称和实体类型以及一个对话管理模型用于管理与用户的互动并决定采取什么行动。今年的一个重要技术进步是对话管理模型与NLU模型一样都是深度神经网络模型。团队使用Alexa对话功能对其进行训练该功能允许设计者只需提供模型应能处理的对话类型示例即可。Alexa对话功能随后会分析这些示例并自动生成其变体从而将可用于训练神经对话管理模型的数据量增加一百倍。上线之初偏好教学将支持三类偏好处理天气请求的首选技能、偏好的运动队和饮食偏好。一旦模型识别出用户偏好它就会搜索相关的知识库以寻找匹配项。如有必要它会跟进并请求更多信息。例如如果用户表示喜欢“Giants”而Alexa在体育知识库中找到多个匹配的名称它可能会问“您是指纽约巨人队还是旧金山巨人队”在持续的研究中机构的人工智能科学家正致力于为偏好提取模型添加常识以便例如如果用户说“我不吃肉”Alexa会运用常识推理将其理解为偏好素食餐厅和食谱。自定义声音事件检测和Ring自定义事件提醒自定义声音事件检测和Ring自定义事件提醒使用类似的小样本学习方法即仅通过少量示例来学习一个新的分类任务。对于自定义声音事件检测用户在Alexa的提示下提供六到十个新声音的示例例如门铃声。Alexa使用这些样本来构建新声音的检测器。随后当Alexa检测到该声音时它将执行用户设定的例程例如闪烁房子里最远房间的灯光。类似地对于Ring自定义事件提醒用户使用光标或在触摸屏上用手指在特定摄像头视野内勾勒出一个兴趣区域例如棚屋的门。然后通过浏览该摄像头的历史捕捉图像用户为该区域的特定状态例如棚屋门打开识别出五个示例并为另一种状态例如棚屋门关闭识别出五个示例。如果兴趣区域的状态发生变化自定义事件提醒可以被配置为向用户发送提醒。在这两种情况下我们都在分类任务上训练神经网络模型——一种是音频分类另一种是视频分类。这些模型是编码器-解码器模型意味着它们有编码器模块用于将输入嵌入或转换为向量表示。解码器则根据这些嵌入进行预测。对于事件检测无论是音频还是视觉我们仅使用编码器。当同一类型事件的示例通过编码器时产生的嵌入会在嵌入空间中定义一个区域。识别后续同一事件实例只需衡量它们的嵌入与示例嵌入之间的距离即可。为了训练自定义声音事件检测的编码器团队利用了自监督学习。在训练的第一阶段我们训练网络简单地重现输入信号也就是说解码器必须根据嵌入重建编码器的输入。这使得我们能够仅使用未标记数据来开发一个强大的编码器。然后我们在标记数据按类型标记的录音上对模型进行微调这使得编码器能够学习不同类型声音之间更细微的差别。Ring自定义事件提醒也采用了这种方法利用了公开可用的数据。偏好教学和自定义事件检测只是机构致力于普及人工智能的几种方式。我们继续推进自助服务的科学让人工智能对每个人来说都更具可定制性和实用性。FINISHED更多精彩内容 请关注我的个人公众号 公众号办公AI智能小助手或者 我的个人博客 https://blog.qife122.com/对网络安全、黑客技术感兴趣的朋友可以关注我的安全公众号网络安全技术点滴分享