CQM与深度学习不同，可以优化自然语言搜索
简短说明：校准量子网格（CQM）是RNN / LSTM（递归神经网络）/长短期记忆（LSTM）的下一步。 有一种称为校准量子网格（CQM）的新算法，它有望在不使用标记训练数据的情况下提高自然语言搜索的准确性。
已经创建了一种全新的自然语言搜索（NLS）和自然语言理解（NLU）算法，它不仅超越了传统的RNN / LSTM甚至是CNN算法，而且还具有自学习功能，并且不需要标记数据即可进行训练。
听起来真是太好了，但初步结果令人印象深刻。 CQM-由Praful Krishna及其团队在Coseer（旧金山）开发。
尽管公司规模还很小，但他们与多家财富500强公司合作，并已开始举行技术会议。
他们希望在这里证明自己：
准确性：根据克里希纳（Krishna）的说法，不太严重的聊天机器人中的平均NLS功能通常只有约70％的准确性。
在返回正确的相关信息时，Coseer的初始应用程序的准确性达到了95％以上。 关键字不是必需的。
不需要标记的培训数据：我们都知道标记的培训数据是一种财务和时间上的花费，限制了我们聊天机器人的准确性。
几年前 由于准确性，安德森放弃了与IBM Watson进行的昂贵且长达数年的肿瘤学实验。
阻碍准确性的是非常有经验的癌症研究人员需要注释外壳中的文件。 他们应该这样做而不是进行研究。
实施速度： Coseer说，无需培训数据，大多数部署可以在4到12周内启动。 这比当用户开始使用预先训练的系统时要少得多，该系统的操作从预先加载标记的文档开始。
此外，与当前使用传统深度学习算法的大型供应商不同，Coseer倾向于将它们部署在安全和私有云中以确保数据安全。
用于得出结论的所有“证据”都存储在日记中，可用于证明透明度和对数据安全规则（例如GDPR）的遵守情况。
如何运作
Coseer讨论了定义CQM的三项原则：
1.单词（变量）具有不同的含义。
考虑“烤箱”一词，它可以是名词或动词。 例如，“ verse”（可能意为“诗歌”或动词“ verse wind”）-这些是同音异义词。
深度学习解决方案，包括RNN / LSTM甚至文本的CNN，都只能向前或向后确定单词的“上下文”，从而确定其含义。
Coseer考虑了单词的所有可能含义，并根据整个文档或语料库将统计概率应用于每个单词。
在这种情况下，术语“量子”的使用仅指具有多个值的可能性，而不是指量子计算的更奇特的叠加。
2.一切都在价值网格中相互联系：
第二个原则是从所有可用的单词（变量）中提取它们所有可能的关系。
CQM创建一个可能值的网格，在其中可以找到实际值。 与传统的深度学习所提供的相比，使用这种方法揭示了之前或之后的短语之间更广泛的关系。
尽管可以限制单词的数量，但是它们之间的关系可以达到数十万个。
3.依次使用所有可用信息将网格合并为单个值。 该校准过程可以快速识别丢失的单词或概念，并提供非常快速和准确的培训。
CQM模型使用训练数据，上下文数据，参考数据和其他有关问题的已知事实来识别这些校准数据层。
不幸的是，Coseer在公共领域只发表了很少的文章来解释算法的技术方面。
在培训过程中消除标记数据方面的任何突破都应受到欢迎，当然，提高准确性将导致一个事实，那就是，更满意的客户将使用您的聊天机器人。