Tekstverbanden verbeteren met wereldkennis
Stel ik leg aan een verzekeraar de situatie uit: “Ik ben met mijn auto gebotst […] De ruit heeft lichte schade opgelopen.” Dan begrijpen wij mensen dat met “de ruit”, “de ruit van de auto” wordt bedoeld en dat schade het gevolg is van de botsing. Taalbegrip tussen mensen komt uit begrip van de fysieke wereld en we weten hoe voorwerpen in de wereld zich tot elkaar verhouden en fysiek gedragen. Iedereen die een auto in zijn leven heeft gezien weet dat deze een ruit heeft en dat een auto kan botsen. Zodra we geboren worden beginnen we direct deze wereld te ontdekken. Woorden komen meestal zo’n 1 tot 1,5 jaar later. Taal is een toepassing op de fysieke wereld.
Om computers taal te leren is het essentieel “wereldkennis” mee te geven aan het systeem. Computers hebben niet de luxe gehad door een kamer te kruipen en tegen een tafel te stoten en die ervaring zelf op te doen. Hoe exact een dergelijk “world model” eruit ziet, is een groot vraagstuk en onderzoeksveld binnen de AI.
De afgelopen periode experimenteerden we veel met mogelijkheden voor het toevoegen van kennis van de fysieke wereld aan onze taaltechnologie, Voice Marker. Door de fysieke relatie tussen objecten beter in acht te nemen (bijvoorbeeld een deur is onderdeel van een huis) kunnen we complexe verbanden in tekst nog beter leggen. Daarbij is het vooral de kunst de fysieke verbanden zelf te leren.
Neem bijvoorbeeld de samenvatting in de afbeelding. Hier legt het systeem bijvoorbeeld de verbanden:
- ‘controle’ slaat op controle van het voertuig.
- ‘snelheid’ slaat op snelheid van het voertuig
- ‘afrit’ slaat op de afrit van de snelweg
- ‘chauffeur’ slaat op chauffeur van de auto.
Het leggen van verbanden op basis van kennis van de wereld speelt een grote rol in taalbegrip van computers en onze doorontwikkeling richting Voice Marker III. Dergelijke verbanden hebben directe praktische toepasbaarheid in onder andere het maken van samenvattingen en het oplossen van lange vragen in Conversational AI. •
Geplaatst 12-2023 in NLP