दिमित्री मुरोम्त्सेव (ITMO) - ontological मॉडलिंग और संवादी बुद्धि के गठन पर

अंतर्राष्ट्रीय प्रयोगशाला "इंटेलिजेंट इंफॉर्मेशन प्रोसेसिंग मेथड्स एंड सिमेंटिक टेक्नोलॉजीज" आईटीएमओ के प्रमुख और आईपीएम विभाग के प्रमुख दिमित्री मुरोम्त्सेव ने ऑन्कोलॉजिकल मॉडलिंग के सार, व्यावसायिक प्रक्रियाओं में ज्ञान के ग्राफ के उपयोग और संवादात्मक खुफिया बनाने के काम के बारे में बताया।



साक्षात्कारकर्ता: अन्ना एंजेलोवा (A.A.)
प्रतिसाद: दिमित्री मुरोम्त्सेव (डी.एम.)

एए: ऑन्कोलॉजिकल मॉडलिंग का सार क्या है और ज्ञान ग्राफ़ का संकलन कैसे चल रहा है?

डीएम: ओटोलॉजिकल मॉडलिंग विषय क्षेत्रों के वैचारिक विवरण के रूप में सूचना मॉडल का संकलन है जो कुछ मानकों को पूरा करता है। ऑन्कोलॉजी के लिए विशेष भाषाएं हैं, वे मानकीकृत हैं और पहले से ही उद्योग में उपयोग की जाती हैं। ऑन्कोलॉजी का मुख्य लक्ष्य डेटा और ज्ञान योजनाओं का वर्णन करना है जो विभिन्न प्रकार के स्रोतों में मौजूद हो सकते हैं। समस्या यह है कि इनमें से बहुत सारे स्रोत हैं, वे डेटा संग्रहण के प्रकार, सॉफ़्टवेयर आर्किटेक्चर आदि में बहुत भिन्न होते हैं, उन्हें एक ही सूचना स्थान से जोड़ने के लिए, विशेष एकीकरण तंत्र की आवश्यकता होती है - वे ठीक ऑन्कोलॉजी हैं। डेटाबेस पर एकीकरण करते समय, इंटरनेट पर खराब संरचित डेटा का वर्णन करते समय, विशिष्ट विषय या गैर-विषयगत, बड़े ज्ञान के आधार पर ज्ञान का आधार बनाते समय - उदाहरण के लिए, विकिपीडिया जानकारी के आधार पर उनका उपयोग किया जाता है।

निर्माण प्रक्रिया का तात्पर्य डोमेन विशेषज्ञों की भागीदारी से है: विशेषज्ञ हमेशा उन मुद्दों में शामिल होते हैं जिनके लिए डेटा को ज्ञान स्तंभ में प्रस्तुत किया जाएगा। उदाहरण के लिए, ये सांस्कृतिक विरासत, चिकित्सा, शिक्षा या किसी भी उत्पादन से संबंधित मुद्दे हो सकते हैं।

ये विशेषज्ञ प्रमुख अवधारणाओं की पहचान करते हैं - वे वस्तुएं जो किसी दिए गए विषय क्षेत्र के लिए महत्वपूर्ण हैं। उदाहरण के लिए, सांस्कृतिक विरासत कला की वस्तुएं हैं, इन वस्तुओं के निर्माता, रचनात्मक प्रक्रिया, बहाली की प्रक्रियाएं या किसी प्रकार का संशोधन (यदि यह एक वास्तुशिल्प वस्तु है, तो इसे फिर से बनाया जा सकता है), ये प्रदर्शन, भंडारण आदि के मुद्दे हैं, जो विषय के पूर्ण विवरण के लिए महत्वपूर्ण है। एक विशेषज्ञ द्वारा तैयार किए गए क्षेत्र। आगे इन वस्तुओं के बीच संबंध, रिश्ते को दर्शाता है। यह औपचारिक विवरण बाद में ज्ञान रेखांकन के लिए पूछताछ करने की अनुमति देता है।

तकनीकी रूप से, परिवर्तन प्रक्रिया काफी जटिल हो सकती है और इसमें कई उपकरण शामिल हैं: प्राकृतिक भाषा प्रसंस्करण उपकरण, मशीन सीखने, पैटर्न मान्यता और कई अन्य उपकरण। अंतत:, हमें एक नेटवर्क या परस्पर वस्तुओं का ग्राफ मिलता है। डेटाबेस के विपरीत ऐसी प्रणाली की प्रमुख विशेषता यह है कि यह नेटवर्क स्व-विवरणात्मक, स्व-दस्तावेजीकरण है। इसे डेवलपर से अतिरिक्त स्पष्टीकरण की आवश्यकता नहीं है ।

एए: नॉलेज ग्राफ्स का दायरा क्या है?

डी.एम.: लगभग कोई भी। अब सार्वभौमिक सामग्री के ज्ञान ग्राफ हैं (सबसे प्रसिद्ध Google है), विकीडाटा, डीबीपीडिया हैं, जो कवरेज के संदर्भ में विकिपीडिया की अधिक याद दिलाते हैं। विशेष ज्ञान ग्राफ हैं: दवा पर, सांस्कृतिक विरासत पर, खुले राज्य आंकड़ों के अनुसार। कॉर्पोरेट ज्ञान स्तंभ हैं - वे सार्वजनिक डोमेन में हैं।

एए: डाटाफायर के लिए प्रोजेक्ट के बारे में बताएं। उन्हें क्या जरूरत थी और क्या परिणाम प्राप्त हुए?

डीएम: चलिए सवाल को थोड़ा और बढ़ाते हैं । DataFabric के लिए परियोजना एक उदाहरण है, हमारे पास उनमें से कई थे। हमने लगभग 8 साल पहले अपनी गतिविधि शुरू की थी। हम समय का एक महत्वपूर्ण हिस्सा अर्थ-विज्ञान प्रौद्योगिकियों के लोकप्रियकरण पर खर्च करते हैं, विभिन्न वैज्ञानिक और शैक्षिक घटनाओं , हैकथॉन आदि का संचालन करने पर, हम नियमित रूप से उद्योग के प्रतिनिधियों के साथ मिलते हैं। इस तरह की दर्जनों बैठकें सालाना होती हैं, और कुछ उद्योग प्रतिनिधि रुचि रखते हैं।

DataFabric के साथ स्थिति में, मुख्य रूप से उनके विशेषज्ञों ने काम किया, जिन्हें हमने कार्यप्रणाली के संदर्भ में परामर्श दिया और कुछ प्रौद्योगिकियों और उपकरणों की सिफारिश की। हमने उनके परिणामों की भी जांच की - सब कुछ सही तरीके से कैसे किया गया इसका विश्लेषण। इस कंपनी की परियोजना अपने आप में दिलचस्प है कि यह रूस में पहला उदाहरण है जब किसी व्यवसाय ने संबंधित डेटा प्रौद्योगिकी के विकास में ज्ञान के ग्राफ के विकास में अपने स्वयं के धन का निवेश किया है और यह साबित करने में कामयाब रहा है कि यह लाभदायक हो सकता है। जहां तक ​​मुझे पता है, कंपनी इसे विकसित करने के लिए बनाए गए ज्ञान ग्राफ और योजनाओं का उपयोग करना जारी रखती है। अपने प्रतिनिधियों के भाषणों से हम यह निष्कर्ष निकाल सकते हैं कि ज्ञान के ग्राफ के लिए धन्यवाद, वे बड़ी मात्रा में मैनुअल श्रम को स्वचालित करने में सक्षम थे। लेकिन अधिक सटीक जानकारी के लिए, सीधे कंपनी से संपर्क करना बेहतर है।

सर्गेई इसेव,
मुख्य कार्यकारी अधिकारी

हम एक स्मार्ट प्रतिपक्ष सत्यापन प्रणाली बनाना और कंपनी की जानकारी एकत्र करना चाहते थे। हम एक बहुत छोटी कंपनी थे और प्रतिस्पर्धात्मक लाभ प्राप्त करना चाहते थे। हमारे प्रतियोगी - स्पार्क इंटरफैक्स, कांटूर.फोकस - बहुत बड़े, शक्तिशाली हैं, कई वर्षों से बाजार में हैं, और बस ऐसे ही, "सिर पर", उनके साथ प्रतिस्पर्धा करना असंभव है।

हम अपने प्रतिद्वंद्वियों के रूप में कंपनी के बारे में सभी समान जानकारी एकत्र करते हैं: फेडरल टैक्स सर्विस, रोसस्टेट और अन्य स्रोतों से डेटा। हम उन्हें एक ही डेटाबेस में लोड करते हैं। चूंकि हमारे पास एक ग्राफ है, सभी वस्तुओं के बीच कनेक्शन इसमें दिखाई देते हैं। सिस्टम ऑन्कोलॉजिकल मॉडलिंग का उपयोग करता है: हम इसके लिए उस सभी डेटा के मूल्य का वर्णन करते हैं जिसके साथ यह काम करता है। इसलिए, वह संदर्भ, कुछ आंकड़ों के शब्दार्थ भार को समझना शुरू कर देता है। इसके लिए धन्यवाद, उसे खुले प्रश्न भी पूछे जा सकते हैं, उदाहरण के लिए: "मुझे उन सभी कंपनियों को दिखाएं जो अगले साल टूटने की संभावना है।" चूंकि वह इस मामले में प्रत्येक शब्द का अर्थ समझती है, इसलिए वह एक सूची देगी।

मुझे नहीं पता कि प्रतियोगी अपनी समस्याओं को हल करने में कितना समय, पैसा और ऊर्जा खर्च करते हैं। लेकिन मुझे पता है कि उनके सैकड़ों डेवलपर हैं, और हमारे पास केवल 12 लोग हैं, और हमने डेढ़ साल में अपना सिस्टम बनाया। अब यह आपको नए मामलों, नई सेवाओं को जल्दी से प्रोटोटाइप करने की अनुमति देता है, क्योंकि यह अधिक बुद्धिमान और लचीला है।

एए: प्रयोगशाला के साइट पर बहुत सारे भागीदार हैं जो आप सिर करते हैं। उनमें से कौन चल रही परियोजनाओं पर सहयोग कर रहे हैं?

डीएम: यदि हम शब्द के व्यापक अर्थों में सहयोग लेते हैं, तो आवंटित समय की मात्रा के मामले में रूसी संघ के ओपन डेटा पर परिषद मुख्य होगी। हम संघीय अधिकारियों और अन्य संरचनाओं के लिए ज्ञान के ग्राफ को बढ़ावा देने के उद्देश्य से वहां कार्यप्रणाली और अनुसंधान कार्य करने की कोशिश कर रहे हैं, जो खुले डेटा को प्रकाशित करने के लिए आवश्यक हैं। अब खुले डेटा के प्रकाशन के लिए कानून की आवश्यकता काफी औपचारिक और सीमित है। हम यह साबित करने की कोशिश कर रहे हैं कि यह बहुत अधिक कुशलता से किया जा सकता है, और इससे अर्थव्यवस्था को बहुत अधिक लाभ होगा। हम विभिन्न संरचनाओं के साथ शैक्षिक ई-लर्निंग प्रौद्योगिकियों पर सक्रिय रूप से सहयोग करते हैं, जर्मनी, फिनलैंड, ऑस्ट्रिया में कई विश्वविद्यालयों के साथ अनुसंधान परियोजनाएं हैं।

एए: उद्योग में कंपनियों की गतिविधियों की निगरानी की जानी चाहिए?

डीएम: पूरे समुदाय के लिए। यह स्पष्ट है कि बड़ी कंपनियां, एक मायने में, इस बात की सूचक हैं कि प्रौढ़ प्रौद्योगिकियाँ कितनी परिपक्व होती हैं। लेकिन ऑस्ट्रिया में पिछले ISWC सम्मेलन में - और यह शब्दार्थ प्रौद्योगिकियों पर दुनिया का सबसे बड़ा सम्मेलन है - Google की एक रिपोर्ट ने कई सवाल उठाए: जो समस्याएं उन्होंने खुद के लिए रखी थीं, वे अक्सर पहले से ही एक अधिक अनुसंधान दिशा की कंपनियों द्वारा हल की गई थीं।

विशेषता से, बड़े खिलाड़ी, एक नियम के रूप में, खरोंच से अनुसंधान नहीं करते हैं। वे एक विशिष्ट समस्या का समाधान करते हैं, फिर एक टीम ढूंढते हैं जो इस समस्या को हल कर सकती है, और इसके साथ सहयोग करना शुरू कर सकती है या इसे खरीद सकती है यदि यह किसी प्रकार का स्टार्टअप है। यही है, बड़े खिलाड़ियों को एक प्रणालीगत भूमिका निभाने की अधिक संभावना है।

और यदि आप एक पूरे के रूप में समुदाय का अनुसरण करते हैं, तो आप कई अलग-अलग दिलचस्प अनुसंधान समूह, कंपनियां, स्टार्टअप देख सकते हैं जो सबसे नवीन समाधान पेश करते हैं। उदाहरण के लिए, अब चैट बॉट्स , वॉयस इंटरफेस और अन्य प्रणालियों के विकास में एक बहुत गंभीर प्रवृत्ति है , जो थोड़ी देर के बाद व्यावहारिक रूप से पूर्ण सहायक, सहायक होंगे।

एए: आपकी प्रयोगशाला भाषण प्रसंस्करण परियोजनाओं को भी विकसित कर रही है। उनमें से दो को साइट पर इंगित किया गया है: एक पूरा हो गया है, दूसरा जारी है। उनके बारे में बताइए।

[नोट: "एक चर पाठ के मामले के अध्ययन के लिए कंप्यूटर आकृति विज्ञान का विकास", 2015–2016; "सिमेंटिक एनालाइज़र का विकास सिमेंटिक नॉलेज बेस का उपयोग करते हुए डेटा माइनिंग विधियों का उपयोग करते हुए रूसी सहज भाषण का विकास", 2015-2018]

डीएम: पहला प्रोजेक्ट सेंटर फॉर स्पीच टेक्नोलॉजीज द्वारा शुरू किया गया था - एक बुद्धिमान संवाद प्रबंधक का निर्माण। जो समाधान अब मौजूद हैं वे काफी आदिम हैं। उनका सामना तब होता है जब कोई ग्राहक किसी संगठन या बैंक को कॉल करता है और उसे लंबे समय तक एक लाइन से दूसरी लाइन पर स्विच करना पड़ता है। अधिक उन्नत सिस्टम मान्यता के दौरान प्राप्त पाठ का विश्लेषण करने में सक्षम हैं - उदाहरण के लिए, सिरी, अमेज़ॅन एलेक्सा। लेकिन मशीन के लिए इस पाठ की सामग्री अज्ञात बनी हुई है। रूस में, वैसे, हाल ही में iPavlov प्रोजेक्ट लॉन्च किया गया था, लेकिन अभी तक उनके परिणामों पर बहुत कम डेटा है।

इसके अलावा, जैसे ही हम भाषण संकेत को पहचानते हैं, हमें यह समझने की आवश्यकता है कि इसमें किस प्रकार का प्रश्न है। समस्या यह है कि जब लोग संवाद करते हैं, तो बातचीत का भाषण चैनल कई में से एक होता है। सूचना के अनुसार, वह सबसे अधिक भरा हुआ नहीं है। गैर-मौखिक संचार के चैनल हैं, दुनिया के बारे में सामान्य ज्ञान है, एक संदर्भ जिसे कोई व्यक्ति समझता है, आदि। अतिरिक्त जानकारी के अभाव में, यह समझना लगभग असंभव है कि यह क्या है। यदि हम ग्रंथों के टेप लेते हैं और उन्हें किसी को देने की कोशिश करते हैं, तो पूरी तरह से संदर्भ को छोड़कर, सबसे अधिक संभावना है कि एक व्यक्ति भी उन्हें समझने में सक्षम नहीं होगा। इसलिए, अब हम ऐसे विश्लेषक बनाने की कोशिश कर रहे हैं जो प्रभावी ढंग से भाषण की प्रक्रिया करेंगे और वस्तुओं और उनके बीच संबंधों की पहचान करेंगे - अर्थात्, पाठ में निहित संदेश के सूचना मॉडल बनाएं। और आगे के काम को अन्य स्रोतों से जानकारी के साथ इन मॉडलों को समृद्ध करने की योजना बनाई गई है।

एए: क्या आप विस्तृत कर सकते हैं? पूर्ण की गई परियोजना के अनुसंधान निर्देशों और वर्तमान में चल रही परियोजना के बीच अंतर क्या है?

डीएम: ये आपस में जुड़े हुए दिशा-निर्देश हैं। केस स्टडी के बिना गुणात्मक विश्लेषण करना असंभव है, क्योंकि आपको पाठ में पैटर्न की मान्यता के एल्गोरिथ्म पैटर्न को सिखाना होगा। यह हमने पहले प्रोजेक्ट में किया था। दूसरा एक वस्तु गठन के सिद्धांतों का अध्ययन करता है। पाठ में कुछ अवधारणाओं का वर्णन है। पाठ में उनके बारे में मौजूद जानकारी की तुलना में ये अवधारणाएँ अधिक जानकारीपूर्ण हो सकती हैं। तदनुसार, आपको अन्य ज्ञान अड्डों और ग्राफ़ से संपर्क करने और अन्य स्रोतों से इस जानकारी को पूरक करने का प्रयास करने की आवश्यकता है।

मान लीजिए कि एक ग्राहक सहायता का समर्थन करता है और किसी समस्या के बारे में बात करता है। हो सकता है कि वह सिस्टम को सही ढंग से इस्तेमाल करने की डिवाइस या प्रक्रिया का नाम न दे। उपयोगकर्ता को तकनीकी जानकारी की पूर्णता की आवश्यकता नहीं है। संदर्भ को समझते समय, सिस्टम अपने स्रोतों से जानकारी के साथ उपयोगकर्ता डेटा को पूरक कर सकता है। यह समस्या पहचान प्रक्रिया को बहुत सरल करता है।

पहला प्रोजेक्ट छोटा था, सेंटर फॉर स्पीच टेक्नोलॉजी के सहयोग से किया गया। हमने इसमें साबित किया कि ऑन्कोलॉजी, एक भाषण मान्यता प्रणाली, और एक पाठ पार्सर के संयुक्त उपयोग से तथाकथित संवादी खुफिया का गठन हो सकता है। हमने काफी सफलतापूर्वक दिखाया है कि यह कैसे काम करता है। अगले चरण में इनमें से प्रत्येक क्षेत्र में गहन शोध है। ऑन्कोलॉजिकल मॉडलिंग के क्षेत्र में, हमने अब सामान्य रूप से भाषण के साथ काम नहीं किया, लेकिन सांस्कृतिक विरासत के क्षेत्र में इंटरनेट से जानकारी के साथ: इसे कैसे मॉडल करें, इसे समृद्ध करें, और इस जानकारी के लिए एक संरचित खोज कैसे करें। पार्सिंग के क्षेत्र में, काम जारी है। हमने टेक्स्ट प्रोसेसिंग की गुणवत्ता पर अच्छे परिणाम प्राप्त किए हैं।

अगला चरण इन क्षेत्रों का संयोजन है और गैर-पाठ मोडल सहित विभिन्न स्रोतों से डेटा को समृद्ध करने के लिए एक प्रणाली का निर्माण है।

AA: आखिरी सवाल: अगले साल काम करने के लिए प्रयोगशाला की योजना क्या है?

डीएम: दो दिशाओं में हमे क्रिस्टलीकृत किया गया: चीजों का इंटरनेट और संवादी खुफिया। दूसरी दिशा प्रधान हो जाएगी। चीजों का इंटरनेट एक सहायक दिशा है: यह विभिन्न उपकरणों, रोबोटों, सूचना प्रणालियों के साथ बातचीत के लिए आवाज और पाठ इंटरफेस (चैट बॉट) का निर्माण है।

यह सब जानकारी वस्तुओं के साथ मानवीय संपर्क को अधिक पारदर्शी और प्राकृतिक बना देगा।