CQM प्राकृतिक भाषा खोजों को अनुकूलित करने के लिए गहन सीखने में एक अलग रूप है

CQM प्राकृतिक भाषा खोजों को अनुकूलित करने के लिए गहन सीखने में एक अलग रूप है

संक्षिप्त विवरण: कैलिब्रेटेड क्वांटम मेश (CQM) RNN / LSTM (आवर्तक तंत्रिका नेटवर्क) / दीर्घकालिक अल्पकालिक मेमोरी (LSTM) से अगला चरण है। एक नया एल्गोरिथ्म है जिसे कैलिब्रेटेड क्वांटम मेश (CQM) कहा जाता है, जो लेबल प्रशिक्षण डेटा के उपयोग के बिना प्राकृतिक भाषा खोजों की सटीकता बढ़ाने का वादा करता है।

एक पूरी तरह से नई प्राकृतिक भाषा खोज (एनएलएस) और प्राकृतिक भाषा समझ (एनएलयू) एल्गोरिथ्म बनाया गया है, जो न केवल पारंपरिक आरएनएन / एलएसटीएम या यहां तक ​​कि सीएनएन एल्गोरिदम से आगे निकल जाता है, बल्कि स्व-शिक्षा भी है और प्रशिक्षण के लिए चिह्नित डेटा की आवश्यकता नहीं है।

यह सच होने के लिए बहुत अच्छा लगता है, लेकिन प्रारंभिक परिणाम प्रभावशाली हैं। सीक्यूएम - प्रफुल्ल कृष्णा और उनकी टीम द्वारा कोसेर (सैन फ्रांसिस्को) में विकसित किया गया।

हालांकि कंपनी अभी भी छोटी है, वे कई फॉर्च्यून 500 कंपनियों के साथ काम करते हैं और तकनीकी सम्मेलन आयोजित करना शुरू कर चुके हैं।

यह वह जगह है जहाँ वे खुद को साबित करने की उम्मीद करते हैं:

सटीकता: कृष्णा के अनुसार, एक नियम के रूप में, कम गंभीर चैटबॉट में एनएलएस का औसत कार्य केवल 70% की सटीकता के साथ है।

सही प्रासंगिक जानकारी वापस करने में कोसर के प्रारंभिक अनुप्रयोगों ने 95% से अधिक की सटीकता हासिल की। कीवर्ड की आवश्यकता नहीं है।

लेबल किए गए प्रशिक्षण डेटा की आवश्यकता नहीं है: हम सभी जानते हैं कि लेबल प्रशिक्षण डेटा एक वित्तीय और समय व्यय है जो हमारे चैट बॉट की सटीकता को सीमित करता है।

कुछ साल पहले एम.डी. एंडरसन ने सटीकता के कारण ऑन्कोलॉजी के लिए आईबीएम वॉटसन के साथ अपने महंगे और वर्षों पुराने प्रयोग को छोड़ दिया।

बाड़े में दस्तावेजों को एनोटेट करने के लिए बहुत अनुभवी कैंसर शोधकर्ताओं की आवश्यकता के पीछे क्या सटीकता थी। उन्हें अपना शोध करने के बजाय ऐसा करना चाहिए था।

कार्यान्वयन की गति: कोसर का कहना है कि प्रशिक्षण डेटा के बिना, अधिकांश तैनाती 4-12 सप्ताह के भीतर शुरू की जा सकती हैं। यह तब से बहुत कम है जब उपयोगकर्ता एक पूर्व-प्रशिक्षित प्रणाली का उपयोग करना शुरू करता है, जिसका संचालन चिह्नित दस्तावेजों के प्रारंभिक लोडिंग के साथ शुरू होता है।

इसके अलावा, पारंपरिक डीप लर्निंग एल्गोरिदम का उपयोग करने वाले मौजूदा बड़े विक्रेताओं के विपरीत, कोसर डेटा सुरक्षा सुनिश्चित करने के लिए एक सुरक्षित और निजी क्लाउड दोनों में उन्हें तैनात करना पसंद करता है।

निष्कर्ष पर पहुंचने के लिए उपयोग किए जाने वाले सभी "सबूत" को एक जर्नल में संग्रहीत किया जाता है जिसका उपयोग जीडीपीआर जैसे डेटा सुरक्षा नियमों के साथ पारदर्शिता और अनुपालन प्रदर्शित करने के लिए किया जा सकता है।

यह कैसे काम करता है

CoseM को परिभाषित करने वाले तीन सिद्धांतों के बारे में Coseer ने बातचीत की:

1. शब्द (चर) के अलग-अलग अर्थ होते हैं।

शब्द "ओवन" पर विचार करें, जो एक संज्ञा या एक क्रिया हो सकती है। उदाहरण के लिए, "कविता", जिसका अर्थ हो सकता है "कविता" या क्रिया "कविता पवन" - ये शब्द होमोनिम्स हैं।



पाठ के लिए RNN / LSTM या यहां तक ​​कि CNN सहित गहन शिक्षण समाधान, किसी शब्द के "संदर्भ" का निर्धारण करने के लिए केवल आगे या पीछे देख सकते हैं और इस तरह इसका अर्थ निर्धारित कर सकते हैं।

कोसर शब्द के सभी संभावित अर्थों को ध्यान में रखता है और उनमें से प्रत्येक को पूरे दस्तावेज़ या कॉर्पस के आधार पर सांख्यिकीय संभावना लागू करता है।
इस मामले में "क्वांटम" शब्द का उपयोग केवल कई मूल्यों की संभावना को संदर्भित करता है, और क्वांटम कंप्यूटिंग के अधिक विदेशी सुपरपोजिशन को नहीं।

2. सब कुछ मूल्यों की एक ग्रिड में परस्पर जुड़ा हुआ है:

सभी उपलब्ध शब्दों (चर) से उनके सभी संभावित संबंधों को निकालना दूसरा सिद्धांत है।

सीक्यूएम संभावित मूल्यों का एक ग्रिड बनाता है, जिसके बीच एक वास्तविक मूल्य मिलेगा। इस दृष्टिकोण का उपयोग करने से पारंपरिक डीप लर्निंग की तुलना में पिछले या बाद के वाक्यांशों के बीच बहुत व्यापक संबंध का पता चलता है।

हालाँकि शब्दों की संख्या सीमित हो सकती है, उनके रिश्ते सैकड़ों हजारों में हो सकते हैं।

3. सभी उपलब्ध जानकारी का उपयोग क्रमिक रूप से ग्रिड को एकल मूल्य में संयोजित करने के लिए किया जाता है । यह अंशांकन प्रक्रिया लापता शब्दों या अवधारणाओं को जल्दी से पहचानती है और बहुत तेज और सटीक प्रशिक्षण प्रदान करती है।

सीक्यूएम मॉडल इन अंशांकन डेटा परतों की पहचान करने के लिए समस्या के बारे में ज्ञात प्रशिक्षण डेटा, प्रासंगिक डेटा, संदर्भ डेटा और अन्य तथ्यों का उपयोग करते हैं।

दुर्भाग्य से, कोसर ने एल्गोरिथ्म के तकनीकी पहलुओं को समझाने के लिए सार्वजनिक डोमेन में बहुत कम प्रकाशित किया है।

प्रशिक्षण के दौरान चिह्नित डेटा को नष्ट करने में किसी भी सफलता का स्वागत किया जाना चाहिए, और निश्चित रूप से, सटीकता में सुधार से इस तथ्य को जन्म दिया जाएगा कि बहुत अधिक संतुष्ट ग्राहक आपके चैट बॉट का उपयोग करेंगे।