JP2023518220A - 多様なテキストを自動的に生成する方法 - Google Patents
多様なテキストを自動的に生成する方法 Download PDFInfo
- Publication number
- JP2023518220A JP2023518220A JP2022555159A JP2022555159A JP2023518220A JP 2023518220 A JP2023518220 A JP 2023518220A JP 2022555159 A JP2022555159 A JP 2022555159A JP 2022555159 A JP2022555159 A JP 2022555159A JP 2023518220 A JP2023518220 A JP 2023518220A
- Authority
- JP
- Japan
- Prior art keywords
- question
- synthetic
- generated
- answer
- ground truth
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2452—Query translation
- G06F16/24522—Translation of natural language queries to structured queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Machine Translation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Electrically Operated Instructional Devices (AREA)
- Medicines Containing Material From Animals Or Micro-Organisms (AREA)
- Preparation Of Compounds By Using Micro-Organisms (AREA)
Abstract
実施形態は、合成データおよびグラウンド・トゥルース・データを組み込み、合成データを生成する際の多様性および精度を促進する、人工知能(AI)コンピュータ・プラットフォームに関する。合成質問は、意味的に関連するグラウンド・トゥルース・パッセージおよび回答データに応答して質問ジェネレータによって生成される。生成された各質問は、意味的に関連するグラウンド・トゥルース・パッセージと共に回答ジェネレータに提示される。各合成質問は、同一のグランド・トゥルース・パッセージについて生成された以前の合成質問と回答データとから、その多様性に関して評価される。各合成質問は、回答ジェネレータによって生成された回答の精度に関しても評価される。各合成質問の精度と多様性との両方を把握する報酬関数を活用して、質問ジェネレータを選択的に修正し、選択的修正は、テキストの多様性を増加させ、生成された合成質問の精度を維持することに向けられている。
Description
本実施形態は、受信した入力パッセージおよび入力回答に対応する多様なテキストを自動的に生成するための人工知能プラットフォームおよび最適化方法に関する。より具体的には、本実施形態は、生成されたテキストを品質、具体的には多様性および精度に関して評価し、生成されたテキストの多様性および品質特性をサポートする強化学習アルゴリズムの1つまたは複数のパラメータを選択的に調整することに向けられている。
本実施形態は、コンピュータ・システム、コンピュータ・プログラム製品、および強化学習のための方法を含む。
一態様では、コンピュータ・システムは、人工知能(Al)プラットフォームおよび対応するAIツールと共に使用するためのプロセッサおよびメモリを備える。プロセッサはメモリに動作可能に結合され、AIプラットフォームと通信する。AIプラットフォーム・ツールは、質問マネージャと、回答マネージャと、評価マネージャと、ディレクタとを含む。質問マネージャは、質問ジェネレータを活用して、グラウンド・トゥルース・パッセージおよびグラウンド・トゥルース回答に対応する第1の合成質問を生成するように機能する。回答マネージャは、訓練されたニューラル・ネットワークに合成質問を提示し、グラウンド・トゥルース・パッセージから第1の回答を得るように機能する。第1の回答は、第1の合成質問とグラウンド・トゥルース・パッセージとに意味的に関連している。評価マネージャは、第1の回答に関する第1の合成質問を自動的に評価するように機能し、評価は、第1の合成質問の多様性および精度を把握する報酬関数を組み込んでいる。ディレクタは、評価に応答する質問ジェネレータを選択的に修正する強化学習を採用するように機能し、ここで、修正された質問ジェネレータは、修正前よりもテキストの多様性が増加した1つまたは複数の合成質問を生じる。
別の態様では、コンピュータ・プログラム・デバイスが、強化学習をサポートするために提供される。本コンピュータ・プログラム製品は、それを以て具現化されたプログラム・コードを有するコンピュータ可読記憶媒体を含む。プログラム・コードは、合成質問を生成し、さらに多様なテキストの合成質問および正確な回答を産生するように、プロセッサによって実行可能である。プログラム・コードは、質問ジェネレータを活用して、グラウンド・トゥルース・パッセージおよびグラウンド・トゥルース回答に対応する第1の合成質問を生成する。プログラム・コードは、訓練されたニューラル・ネットワークに合成質問を提出し、第1の回答が第1の合成質問およびグラウンド・トゥルース・パッセージに意味的に関連している状態で、グラウンド・トゥルース・パッセージから第1の回答を得る。第1の回答に関する第1の合成質問を自動的に評価するためのプログラム・コードが提供され、この評価は、第1の合成質問の多様性および精度を把握する報酬関数を組み込んでいる。プログラム・コードは、評価に応答する質問ジェネレータを選択的に修正する強化学習を採用し、ここで、修正された質問ジェネレータは、修正前よりもテキストの多様性が増加した1つまたは複数の合成質問を生じる。
さらに別の態様では、強化学習をサポートするための方法が提供される。グラウンド・トゥルース・パッセージおよびグラウンド・トゥルース回答に対応する第1の合成質問が、質問ジェネレータから生成される。合成質問は、訓練されたニューラル・ネットワークに提示され、ニューラル・ネットワークから、グラウンド・トゥルース・パッセージからの第1の回答が得られる。第1の回答は、第1の合成質問とグラウンド・トゥルース・パッセージとに意味的に関連している。第1の合成質問は、第1の回答に関して自動的に評価される。この評価は、第1の合成質問の多様性および精度を把握する報酬関数を組み込んでいる。強化学習は、評価に基づいて質問ジェネレータを選択的に修正するために利用され、修正された質問ジェネレータは、修正前よりもテキストの多様性の増加した1つまたは複数の合成質問を生じる。
これらおよび他の特徴および利点は、添付の図面と関連して行われる例示的な実施形態の以下の詳細な説明から明らかになるものとなる。
本明細書で参照する図面は、本明細書の一部を形成する。図面に示される特徴は、他に明示的に示されない限り、いくつかの実施形態を例示するに過ぎず、全ての実施形態ではないことを意味する。
本実施形態の構成要素は、本明細書の図面に概ね記載され図示されているように、広範囲の異なる構成で配置され設計され得ることが容易に理解されるであろう。このように、装置、システム、方法、およびコンピュータの実施形態の以下の詳細な説明は、特許請求の範囲に記載されるような実施形態の範囲を限定することを意図するものではなく、選択された実施形態を表しているに過ぎない。
本明細書全体を通して「選択された実施形態」、「一実施形態」、または「実施形態」とは、実施形態に関連して記載された具体的な特徴、構造、または特性が、少なくとも一実施形態に含まれることを意味する。したがって、本明細書全体の様々な場所における「選択された実施形態」、「一実施形態では」、または「実施形態では」という語句の出現は、必ずしも同じ実施形態を参照するわけではない。様々な実施形態が互いに組み合わされてもよい。
図示された実施形態は、図面を参照することによって最もよく理解されるものとなる。以下の記載は、例としてのみ意図され、実施形態に一致するデバイス、システム、およびプロセスの特定の選択された実施形態を例示するに過ぎない。
人工知能(AI)は、人間に関するコンピュータおよびコンピュータの挙動に向けられたコンピュータ科学の分野に関する。AIとは、マシンが情報に基づいて、所与のトピックにおける成功の機会を最大にするような決定を行うことができる際の知能を指す。より具体的には、AIは、データ・セットから学習して、問題を解決し妥当な勧告を提供することができる。例えば、人工知能コンピュータ・システムの分野では、自然言語システム(例えば、IBM ワトソン(登録商標)人工知能コンピュータ・システムまたは他の自然言語質問回答システム)は、システム取得された知識に基づいて自然言語を処理する。自然言語を処理するために、システムは、データベースまたは知識のコーパスから導出されたデータを用いて訓練され得るが、結果として生じる結果は、様々な理由で正しくなかったり不正確であったりすることがある。
人工知能(AI)のサブセットである機械学習(ML)は、アルゴリズムを利用して、データから学習し、このデータに基づいて予見を作成する。より具体的には、MLは、明示的にプログラムされていないタスクを実行することによって学習挙動を示すことができるニューラル・ネットワークの作成を介するAIのアプリケーションである。MLは、機械学習モデルを構築し、機械学習アルゴリズムを訓練するために分析、フォーマット化、および調整されるデータを必要とする。MLアルゴリズムは、データ上で訓練された場合にMLモデルを生成するというよりもコンピュータ化された手順であることが当業者には理解される。MLアルゴリズムを選択することは、MLをうまく適用するのに必須である。MLの例としては、以下に限定されないが、回帰アルゴリズム、決定樹、インスタンスベースのアルゴリズム、およびクラスタリング・アルゴリズムが挙げられる。データが準備され、アルゴリズムが訓練されると、MLモデルは、データについての決定または予測を行うことができる。提供されるデータの量が大きければ大きいほど、モデルは学習し、その予測の精度を向上させる。
MLモデルは、教師あり機械学習、教師なし機械学習、強化機械学習、および深層学習に分類される。教師あり学習アルゴリズムは、既存の分類を有するデータ・セットのマッピング関数を学習し、上記既存の分類では、教師なし学習アルゴリズムは、データ内のいくつかの隠しフィーチャに基づいてラベル化されていないデータ・セットを分類することができる。強化学習は、その環境の反復探索を介して不確実な環境で意思決定を行うためのポリシーを学習することができる。深層学習は、連続層にニューラル・ネットワークを組み込んで、反復的な方法でデータから学習する。ニューラル・ネットワークは、神経系が動作する方法のモデルである。基本ユニットはニューロンと呼ばれ、典型的には層に編成される。ニューラル・ネットワークは、ニューロンの抽象バージョンに類似する多数の相互接続された処理ユニットをシミュレートすることによって動作する。ニューラル・ネットワークには、典型的には3つの部分があり、入力フィールドを表すユニットを有する入力層と、1つまたは複数の隠れ層と、ターゲット・フィールドを表す1つまたは複数のユニットを有する出力層とを含む。これらのユニットは、様々な接続強度または重みで接続されている。入力データは第1の層に与えられ、値は各ニューロンから次の層の各ニューロンに伝播される。最終的に、結果が出力層から送り出される。深層学習複合ニューラル・ネットワークは、人間の脳がどのように動作するかをエミュレートするように設計されているため、コンピュータは、不十分に定義された抽象化および問題をサポートするように訓練され得る。ニューラル・ネットワークおよび深層学習は、しばしば、画像認識、発話、およびコンピュータ・ビジョン・アプリケーションにおいて使用される。
言語モデルは、句または部分句などの単語のシーケンスを入力とし、次の単語の確率分布の形で出力を生じる機構である。語彙中の各単語について、言語モデルは、シーケンス内の次の単語がその特定の単語である確率を予測する。変数Yは、単語を占めている語彙を表すために利用され、ここで、単語y0、y1、y2、...、yn-1は、シーケンス内の最初のn-1個の単語であり、ynは次の未知語である。言語モデルは、語彙内の各単語yを評価する確率を生じ、確率は以下のように表される。
言語モデルと同様に、シーケンス・ツー・シーケンス・モデルは、固定長入力を固定長出力と共にマッピングし、入力と出力の固定長は異なっていてもよい。シーケンス・ツー・シーケンス・モデルは、シーケンスx0、...、xnをとり、出力シーケンスy0、...、ymよりも高い確率分布を生じる。例えば、機械翻訳に関して、シーケンスx0、...、xnは、n個の単語を有する第1の言語の文を表し、y0、...、ymは、第1の言語とは異なる第2の言語の文を表し、ことによると異なる量の単語を有する。シーケンス・ツー・シーケンス・モデルは、チャットボットによって生じる次の発話を生成すること、または質問と対応するパッセージとを入力として与えて質問に対する回答を生成することを含めて、様々なタスクに使用され得る。
モデルは通常、連続的にテキストを生成し、例えば一度に1つの単語を生成する。典型的には、生成される次の単語に対する確率分布は、既に生成された入力および単語に依存する。生成される「次の」単語は、生成される文に影響を及ぼし、一実施形態では、生成される文を変更する。本明細書に示され説明されるように、モデルは、出力の多様性を作り出すように修正される。シーケンス・ツー・シーケンス・モデルは、入力としてパッセージと応答とを取り、対応する質問を出力する。一実施形態では、質問出力を有するこのモデルを質問ジェネレータ(QG)と呼ぶ。本明細書に示され説明されるように、一実施形態は、多様な質問を生成し、所望のセマンティクスを有する質問を生成するために、QGを教示するよう指向されている。多様性は、同じ質問を繰り返し生成することを軽減または回避するよう指向され、一方、対応する質問および回答から脱線したテキストを生成することを軽減または回避するよう指向される。所望のセマンティクスは、合理的な機構が期待通りに回答する質問を生成するよう指向される。
本明細書に示され説明されたシステム、コンピュータ・プログラム製品、および方法は、質問ジェネレータ(QG)を教示して、多様性およびセマンティクスの特性に対処する合成質問を生成するよう指向される。より具体的には、実施形態は、QGを教示して、多様な質問を自動的に生成することができ、合理的なテキストを生成することを制限し、生成された質問の多様性を評価し、強化学習を介して品質、すなわち、生成された質問の精度、多様性、流暢さ、または他の関連する属性を評価するよう指向される。
図1を参照すると、図1を参照すると、コンピューティング・システム(100)の概略図が示されている。示すように、サーバ(110)は、コンピュータ・ネットワーク(105)を越える複数のコンピューティング・デバイス(180)、(182)、(184)、(186)、(188)、および(190)との、リンク(102)および(104)を介した通信に提供される。サーバ(110)は、バス(114)を介してメモリ(116)と通信するプロセッサ(112)を有して構成される。サーバ(110)は、コンピューティング・デバイス(180)、(182)、(184)、(186)、(188)、および(190)のうちの1つまたは複数からコンピュータ・ネットワーク(105)を強化学習するための人工知能(Al)プラットフォーム(150)を備えることが示されている。より具体的には、コンピューティング・デバイス(180)、(182)、(184)、(186)、(188)、および(190)は、互いに、および他のデバイスまたはコンポーネントと、1つまたは複数の有線もしくは無線またはその両方のデータ通信リンクを介して通信し、各通信リンクは、1つまたは複数のワイヤ、ルータ、スイッチ、送信器、受信器などを含むことができる。サーバ(110)は、本明細書に図示されるもの以外のコンポーネント、システム、サブシステム、もしくはデバイス、またはそれらの組合せと共に使用されてもよい。
AIプラットフォーム(150)は、機械学習をサポートするためのツールを用いて、より具体的には、合成データ、例えば、機械生成されたデータに関する強化学習を支援するためのツールを用いて構成されており、それらのデータは、対応するグラウンド・トゥルース(GT)データ、例えば、有効化またはラベル化されたデータに関連する。合成データは人工的に製造され、一実施形態では、対応するニューラル・モデルからの出力として製造されることが当技術分野で理解されている。ツールとしては、以下に限定されないが、質問マネージャ(152)、回答マネージャ(154)、評価マネージャ(156)、およびディレクタ(158)を含む。AIプラットフォーム(150)は、訓練されたニューラル・ネットワークを活用し、一実施形態では修正する。AIプラットフォーム(150)は、コンピュータ・ネットワーク(105)からの入力を受信し、本明細書ではコーパスまたは知識ベースとも呼ばれるデータ・ソース(170)を活用して、データを選択的に処理することができる。この処理は、合成データを生成すること、および選択または識別されたニューラル・モデルからの出力を最適化するために合成データを活用することを含むが、これらに限定されない。
図示されているように、データソース(170)は、本明細書にモデルA(174A)、モデルB(174B)、...、モデルN(174N)として示されている複数のニューラル・モデルを有するライブラリ(172)により構成されている。3つのモデルのみが示されているが、この量は限定的であるものと考えられるべきではない。同様に、一実施形態では、データソース(170)は、それぞれが1つまたは複数のニューラル・モデルを有する、1つまたは複数の追加ライブラリと考えてもよい。各ニューラル・モデルは、質問ジェネレータ、QG、および回答ジェネレータ、AGの機能を単一のニューラル・モデル内に結合していてもよい。一実施形態では、ニューラル・モデルは、モデルのコンポーネントとしてQGおよびAGを具体化することができ、例えば、モデルA(174A)に第1の質問ジェネレータQGA,0(176A,0)、第2の質問ジェネレータQGA,1(176A,1)、およびAGA(178A)を具体化し、モデルB(174B)にQGB(176B)およびAGB(178B)を具体化し、モデルN(172N)にQGN(176N)およびAGN(178N)を具体化することができる。モデルがどのように利用され、一実施形態では修正されるのかを、以下に詳細に示し説明する。
教師あり学習は、データ・ソース内のモデルの1つで反映されたデータを活用することが理解される。本明細書に示されるように、データ・ソースは知識ベース(170)と呼ばれ、論理的にグループ化されたモデルにより構成される。質問マネージャ(152)は、対応するGTデータに意味的に関連する適切なライブラリおよびモデルを識別するように機能する。識別されると、質問マネージャは、GTの第1のパッセージ(160P)および対応するグラウンドの第1の回答(160A,0)を識別されたモデル、例えばモデルA(174A)に提示または入力し、このモデルは、説明を目的として、本明細書では第1のQGコンポーネントQGA,0(176A,0)と呼ばれるQGコンポーネントと、AGコンポーネントAGA(178A)とを含む。第1のQGコンポーネント、例えばQGA,0(176A,0)からの出力は、GTの第1のパッセージ(160P)とGTの第1の回答(160A,0)との両方に対し意味的な対応を有する合成される第1の質問の形
である。したがって、GTデータの投稿の提示に応じて、質問マネージャ(152)は、第1のGQコンポーネントQGA,0(176A,0)から出力される意味的に対応する第1の合成質問
を受信するかまたは取得する。
本明細書に示されている回答マネージャ(154)は、質問マネージャ(152)に動作可能に結合され、合成質問
の処理を管理する。より具体的には、回答マネージャ(154)は、識別されたまたは対象のニューラル・モデル、例えばモデルA(174A)に応じて、AGコンポーネント、例えばAGA(178A)に合成質問
を提示または入力する。AGコンポーネントAGA(178A)は、回答マネージャ(154)に提示される第1の回答(160A,1)を生成する。AG、すなわちAGA(178A)による生成された第1の回答(160A,1)は、合成質問
とGTパッセージ(160P)との両方に意味的に関連している。したがって、QGは合成質問
を生成し、AGは回答(160A,1)を生成し、生成された両方のコンポーネントは、GTパッセージ(160P)およびGT応答(160A,0)に意味的に関連する。
本明細書に示される評価マネージャ(156)は、質問マネージャ(152)および回答マネージャ(154)の両方に動作可能に結合されている。評価マネージャ(156)は、生成された第1の回答(160A,1)に関して、生成された合成質問
を自動的に評価するように機能する。この目的は、AGからの出力を高めつつ、同じ質問の反復を緩和するのに多様でありながら、対応する意味的な関係の要件を満たす合成質問を生成することである。評価マネージャ(156)は、合成質問
の多様性と品質との両方を把握する報酬関数を採用する。したがって、評価マネージャ(156)は、多様性および品質を評価し、対応する報酬関数における評価を反映する。
本明細書に示されているディレクタ(158)は、評価マネージャ(156)に動作的に結合され、第1の合成質問
の評価に基づいて、第1の質問ジェネレータQGA,0(176A,0)を選択的に修正するように機能する。この修正は、生成された合成質問のテキストの多様性を増加させる目的で選択的である。図示のように、第2の質問ジェネレータQGA,1(176A,1)は、質問マネージャ(152)によって作り出され、モデルであるモデルA(174A)に動作可能に結合される。第2の質問ジェネレータQGA,1(176A,1)は、第1の質問ジェネレータQGA,0(176A,0)の修正であり、対応するGTパッセージ(160P)およびGT回答(160A,0)に関して正確でありつつ第1の合成質問
とは異なる第2の合成質問
を生成するように機能する。例えば、一実施形態では、評価は、質問マネージャ(152)を用いて、修正済みQGA,1(176A,1)を活用して第2の合成質問
を生成し、回答マネージャ(154)が、対応する第2の合成質問
に基づいて第2の回答(160A,2)を生成することを指示し、進行することができる。一実施形態では、最適化は、報酬関数に基づいてそのパラメータにポリシー勾配アルゴリズムを使用して、第1の質問ジェネレータQGA,0(176A,0)を修正することを含む。第1および第2の合成質問
および
を生成する際に、ディレクタ(158)は、合成質問の多様性を促進するためにテキスト生成を用いたサンプリングを採用する。サンプリングは、核サンプリングであってもよいし、別の実施形態では、トップ-kサンプリングであってもよい。質問ジェネレータの最適化は、第1の合成質問
を多様性スコアで表現し、第1の質問ジェネレータQGA,0(176A,0)の1つまたは複数のパラメータを多様性スコアに基づいて修正し、それによって第2の質問ジェネレータQGA,1(176A,1)を効果的に作り出すための、ディレクタ(158)を含む。ディレクタ(158)によって採用される最適化は、第1または以前の合成質問
と同様のコンテキストで、モデルであるモデルA(174A)からの出力として、第2または後続の合成質問
の生成を軽減する。一実施形態では、評価は、第1の合成質問
および対応する回答(160A,0)が報酬関数の閾値またはパラメータを満たすことを標示することができることを理解されたい。したがって、ディレクタ(158)は、評価マネージャ(156)とインターフェースして、1つまたは複数の追加の合成質問を選択的に生成する。
簡単に説明したように、合成質問は多様性に関して評価される。さらに、評価マネージャ(156)は、確実にGTの第1のパッセージ(160P)が合成質問をサポートできるようにするために、精度について合成質問を評価または検討する。合成質問は、回答ジェネレータAGA(178A)に与えられ、各合成質問に関連する生成された回答は、GT回答(160A,0)と比較される。評価は評価マネージャ(156)を必然的に伴い、評価マネージャ(156)は、AG、すなわちAGA(178A)からの出力を、第1の合成質問
に応答した第1の回答(160A,0)および第2の合成質問
に応答した第2の回答(160A,1)の形で、GT回答(160A,0)と比較する。評価マネージャ(156)は、さらに、精度スコアにより評価の精度を定量化する。精度スコアに割り当てられた値に基づいて、質問マネージャ(152)は、合成質問の生成を含む1つまたは複数のパラメータを選択的に修正するものとなる。本明細書に説明される精度スコアおよび多様性スコアは、評価マネージャ(156)によって結合されて、報酬を計算し、計算された報酬に基づき質問マネージャ(152)と通信して、1つまたは複数の以前に生成された合成質問と意味的に類似する質問マネージャ(152)による合成質問の産生を軽減または排除するために、合成質問の生成を含む1つまたは複数のパラメータを選択的に修正することができる。一実施形態では、報酬は、精度と多様性スコアとの凸結合である。同様に、一実施形態では、評価マネージャ(156)は、凸結合の対応するコンポーネントまたはパラメータを選択的に調整することによって、報酬関数の1つまたは複数のコンポーネントを選択的に優先させることができる。生成された合成質問における多様性を促進することによってパッセージ内で識別された回答データの形式の応答出力(132)は、動作可能に結合されたビジュアル・ディスプレイ(130)上に提示されるか、または1つもしくは複数のコンピューティング・デバイス(180)、(182)、(184)、(186)、(188)、および(190)に通信され得る。
図示されているように、コンピュータ・ネットワーク(105)は、様々な実施形態においてローカル・ネットワーク接続およびリモート接続を含むことができ、その結果、AIプラットフォーム(150)は、ローカルおよびグローバル、例えば、インターネットを含む任意のサイズの環境で動作することができる。さらに、AIプラットフォーム(150)は、ネットワーク・アクセス可能なソースもしくは構造化データ・ソースまたはその両方から抽出されたかまたはそれらに表現された様々な知識を利用可能にするフロントエンド・システムとして機能する。このようにして、いくつかのプロセスは、AIプラットフォーム(150)をポピュレートし、人工知能プラットフォーム(150)はまた、要求を受信しそれに応じて応答するための入力インターフェースを含む。
知識ベース(160)は、ライブラリと、AIプラットフォーム(150)による使用のためにポピュレートされたかまたは論理的にグループ化された1つまたは複数のニューラル・ネットワークとで構成される。コンピュータ・ネットワーク(105)と通信する様々なコンピューティング・デバイス(180)、(182)、(184)、(186)、(188)、および(190)は、論理的にグループ化されたモデルについてアクセス・ポイントを含んでいてもよい。コンピューティング・デバイスのいくつかは、応答出力(132)を生成して、コンピュータ・ネットワーク(105)を越えてサーバ(110)またはコンピューティング・デバイス(180)、(182)、(184)、(186)、(188)、および((190)のうち1つもしくは複数に動作可能に結合された対応するネットワークデバイス、例えばビジュアル・ディスプレイ(130)などに応答出力(132)を通信するために、AIプラットフォーム(150)によって使用される情報のボディとしてのデータのコーパスを格納するデータベースのためのデバイスを含むことができる。
いくつかの例示的な実施形態では、サーバ(110)は、以下に説明する例示的な実施形態の機構によって拡張される、ニューヨーク州アーモンクのインターナショナル・ビジネス・マシンズ・コーポレーションから入手可能なIBM ワトソン(登録商標)システムとしてもよい。マネージャ(152)、(154)、(156)、および(158)は、以降は総称してAIツールと呼ばれ、サーバ(110)のAIプラットフォーム(150)内で具体化または統合されて示されている。AIツールは、別々のコンピューティング・システム(例えば190)に実装されてもよいし、一実施形態では、それらは、コンピュータ・ネットワーク(105)を越えてサーバ(110)に接続された1つまたは複数のシステムにおいて実装され得る。具体化されるどの場所でも、AIツールは、多様で正確な合成質問の生成を動的に最適化して、生成された回答を最適化するように機能する。
人工知能プラットフォーム(150)を利用することができるデバイスおよび対応するシステムのタイプは、ハンドヘルド・コンピュータ/携帯電話機(180)などの小型のハンドヘルド・デバイスからメインフレーム・コンピュータ(182)などの大型のメインフレーム・システムまでに及ぶ。ハンドヘルド・コンピュータ(180)の例としては、パーソナル・デジタル・アシスタント(PDA)、MP4プレーヤ、携帯テレビ、およびコンパクト・ディスク・プレーヤなどのパーソナル・エンターテイメント・デバイスが挙げられる。情報処理システムの他の例としては、ペンまたはタブレット・コンピュータ(184)、ラップトップまたはノートブック・コンピュータ(186)、パーソナル・コンピュータ・システム(188)、およびサーバ(190)が挙げられる。図示のように、様々なデバイスおよびシステムは、コンピュータ・ネットワーク(105)を使用して合わせてネットワーク化することができる。様々なデバイスおよびシステムを相互接続するために使用することができるコンピュータ・ネットワーク(105)のタイプとしては、ローカル・エリア・ネットワーク(LAN)、無線ローカル・エリア・ネットワーク(WLAN)、インターネット、公衆交換電話ネットワーク(PSTN)、他の無線ネットワーク、ならびにデバイスおよびシステムを相互接続するために使用できる任意の他のネットワーク・トポロジーが挙げられる。多くのデバイスおよびシステムは、ハード・ドライブもしくは不揮発性メモリまたはその両方などの不揮発性データ・ストレージを含む。デバイスおよびシステムのいくつかは、別々の不揮発性データ・ストレージを使用してもよい(例えば、サーバ(190)が不揮発性データ・ストレージ(190A)を利用し、メインフレーム・コンピュータ(182)が不揮発性データ・ストレージ(182A)を利用する)。不揮発性データ・ストレージ(182A)は、様々なデバイスおよびシステムの外部にあるコンポーネントであってもよいし、デバイスおよびシステムのうちの1つの内部にあってもよい。
人工知能プラットフォーム(150)をサポートするために採用されるデバイスおよびシステムは、数多くの形態をとることができ、そのいくつかは、図1に示されている。例えば、情報処理システムは、デスクトップ、サーバ、ポータブル、ラップトップ、ノートブック、または他のフォーム・ファクタ・コンピュータまたはデータ処理システムの形態をとり得る。さらに、デバイスおよびシステムは、パーソナル・デジタル・アシスタント(PDA)、ゲーム・デバイス、ATM機、携帯電話デバイス、通信デバイス、またはプロセッサとメモリとを含む他の装置など、他のフォーム・ファクタをとり得る。
アプリケーション・プログラム・インタフェース(API)は、当技術分野では、2つ以上のアプリケーション間のソフトウェア媒介として理解される。図1に示され説明されたAIプラットフォーム(150)に関して、1つまたは複数のAPIを利用して、ツール(152)、(154)、(156)、および(158)のうちの1つまたは複数と、それらの関連付けられた機能性とをサポートすることができる。図2を参照すると、ツール(252)、(254)、(256)、および(258)のうち少なくともいくつかとそれらの関連するAPIとを説明するブロック図(200)が提供されている。図示されているように、複数のツールがAIプラットフォーム(205)内に埋め込まれており、ツールは、API0(212)に関連付けられた(252)として本明細書に示されている質問マネージャ(152)と、API1((222)に関連付けられた(254)として本明細書に示されている回答マネージャ(154)と、API2(232)に関連付けられた(256)として本明細書に示されている評価マネージャ(156)と、API3((242)に関連付けられた(258)として本明細書に示されるディレクタ(158)とを含む。各APIは、1つまたは複数の言語およびインターフェース仕様で実装されてもよい。API0((212)は、1つまたは複数の合成質問を生成するための機能的サポートを提供し、生成された各合成質問は、GTパッセージおよびGTの第1の回答に意味的に対応する。API1((222)は、対応する合成質問およびGTパッセージに意味的に関連する回答の生成のための機能的サポートを提供する。API2(232)は、評価に報酬関数を組み込むことを含む、GT応答に関して生成された回答を評価するための機能的サポートを提供し、報酬関数は第1の合成質問の多様性と精度との両方を把握し、精度は第1の生成された回答を用いて測定される。API3(242)は、回答評価に応答して質問ジェネレータを選択的に修正するための機能的サポートを提供し、修正は、テキストの多様性を増加させ、合成質問の精度を維持することに向けられている。図示のように、API(212)、(222)、(232)、および(242)のそれぞれは、オーケストレーション層としても知られているAPIオーケストレータ(260)に動作可能に結合され、オーケストレーション層は、別々のAPIを透明にスレッド化する抽象化層として機能することが当技術分野に理解されている。一実施形態では、別々のAPIの機能性は、結合または結合されてもよい。このように、本明細書に示されるAPIの構成は、限定的ではないと考えられるべきである。したがって、本明細書に示されるように、ツールの機能性は、それらのそれぞれのAPIによって具現化またはサポートされることがある。
図3を参照すると、質問ジェネレータに強化学習を適用して、多様で正確な合成質問をサポートし生成するためのプロセスを説明するフローチャート(300)が提供されている。GTとは、信頼できる参照真値を含む機械学習技術のための訓練セットを指す、機械学習で使用される用語である。例えば、GT訓練セットは、真であることが知られている人間によって生成された質問および回答を含む。例えば、GTとして分類されたデータ・セットのラベルは正確であるものとされる。本明細書に示され、説明され、QGモデルを訓練する際に指示されるように、GTは、パッセージP、質問Q、および対応する回答Aの形態で提供される(302)。示されているように、パッセージPおよび回答Aは、訓練されたニューラル・ネットワーク質問ジェネレータ(QG)への入力として提示される(304)。一実施形態では、質問から回答を生成するように、第2のニューラル・ネットワークが提供される。同様に、一実施形態では、単一のニューラル・ネットワークが、質問ジェネレータおよび回答システムの両方に構築される。QGは、受信された入力に対応する出力を作り出し、すなわち、提示されたパッセージPおよび回答Aに連携された合成質問Q0’を生成する(306)。合成質問Q0’を生成するプロセスは、合成質問Q0’を形成する単語qjを順次生成し、単語qjを多様性評価に供する。一実施形態では、および本明細書に示されているように、単語qjはサンプリングに供され、その際に、各単語生成ステップでは、可能性のある次の単語がソートされる。核サンプリングの場合、確率質量が確立され、例えば確率限界が確立され、確率質量に関して単語qjが制限される。一実施形態では、確率質量は構成可能なパラメータである。合成質問を形成し構成する単語は、合成質問の終わりの文字の単語に到達するまで、生成されて評価され、その後、合成質問は、サンプリングから選択された単語を有するQGモデルから生成される。したがって、QGモデルから生成された合成質問Q0’は、GTパッセージPおよびGT応答Aと連携するように作り出される。
ステップ(306)で生成された合成質問は、多様性および精度に関してさらに評価および改良に付される。示されているように、回答ジェネレータ(AG)モデルを利用して、合成質問Q0’およびパッセージPに対応する、回答A0’と本明細書に呼ばれる第2の出力を生成する(308)。回答の精度報酬が計算される。一実施形態では、精度報酬raccは、以下の通りである。
精度報酬は、AGモデルによって生成されかつ合成質問に対応する回答A0’とGT回答との間の類似性を評価する。さらに、多様性報酬rdivも、生成された合成質問に対して計算される(310)。一実施形態では、多様性報酬rdivは、GT質問Qに関する生成された合成質問と、GTパッセージPおよび回答Aに対しQGにより以前生成されたすべての質問{Q’1、...、Q’i-1}の新規性を定量化するための多様性距離を評価する。精度報酬と多様性報酬とが組み合わされて、QGモデルについての品質スコア、例えば報酬が計算される。以下は、品質報酬Rの計算の表現である。
式中、w1およびw2は、それぞれ、精度報酬および多様性報酬について調整可能な重みである。したがって、示されるように、報酬Rは、精度と多様性との加重平均である。
損失は、報酬Rから獲得され、QGモデルに提供されて、1つまたは複数の将来的に生成された合成質問の品質を最適化する(312)。この損失は、QGモデル(314)のパラメータを更新するために利用され、最適化アルゴリズムはステップ(312)で獲得された損失に基づいてQG(316)を調整するために活用される。ステップ(314)および(316)における最適化は、訓練中の強化学習を使用する。図3に示されているこのプロセスは、訓練セットに存在する訓練例のすべてのインスタンスにわたって繰り返されてもよく、プロセスは、そのようなすべてのインスタンスにわたって複数回繰り返されてもよい。強化学習は、QGモデルから出力された合成質問を生成する方法を学習するために損失を獲得し適用するように利用され、合成質問は、生成された他の合成質問に関する多様な内容またはコンテキストと、GTパッセージPおよび回答Aに関する正確な内容またはコンテキストとを表す。
ツールおよびその対応する機能性は、強化学習および対応する強化学習アルゴリズムを利用して、合成質問および対応する生成された回答に基づいて質問ジェネレータを最適化する。強化学習アルゴリズムからの出力は、多様性および精度などの異なる状態の値を学習し、これらの状態を包含する対応する報酬を評価する。強化学習は、報酬のコンポーネントの選択的な調整、例えば、1つまたは複数のコンポーネントの優先順位付けをサポートして、合成質問の多様性もしくは精度またはその両方、ならびにGTパッセージからの対応する回答を強化する。したがって、本明細書に示され記載された強化学習は、異なる状態の値を動的に学習し、これを適用して、対応するニューラル・モデルを作成することができる。
本明細書に示され記載されている実施形態は、多様な合成質問を生成する際に向けられた強化学習を提供およびサポートするためのインテリジェント・コンピュータ・プラットフォームと共に使用するためのコンピュータ・システムの形態であってもよい。ツール(152)、(154)、(156)、および(158)の態様およびそれらの関連付けられた機能性は、単一の場所でコンピュータ・システム/サーバ内で具現化されてもよいし、または一実施形態では、コンピューティング・リソースを共有するクラウドベースのシステムにおいて構成されていてもよい。図4を参照すると、ブロック図(400)は、図1~図3を参照して上述したシステム、ツール、およびプロセスを実装するための、クラウドベースのサポート・システム(410)と通信するホスト(402)と以降呼ばれるコンピュータ・システム/サーバ(402)の一例を示す。ホスト(402)は、多数の他の汎用または専用のコンピューティング・システム環境または構成で動作可能である。ホスト(402)と共に使用するのに適し得る周知のコンピューティング・システム、環境、もしくは構成、またはそれらの組合せの例としては、以下に限定されないが、パーソナル・コンピュータ・システム、サーバ・コンピュータ・システム、シン・クライアント、シック・クライアント、ハンドヘルドまたはラップトップ・デバイス、マルチプロセッサ・システム、マイクロプロセッサベース・システム、セット・トップ・ボックス、プログラマブル・コンシューマ・エレクトロニクス、ネットワークPC、ミニコンピュータ・システム、メインフレーム・コンピュータ・システム、ならびに前記システム、デバイス、またはそれらの等価物のいずれかを含むファイル・システム(例えば、分散型ストレージ環境および分散型クラウド・コンピューティング環境)が挙げられる。
ホスト(402)は、コンピュータ・システムによって実行されているコンピュータ・システム実行可能な命令、例えばプログラム・モジュールなどの一般的な文脈で記載され得る。一般に、プログラム・モジュールは、特定のタスクを実施するか、または特定の抽象データ・タイプを実装する、ルーチン、プログラム、オブジェクト、コンポーネント、論理、データ構造などを含み得る。ホスト(402)は、通信ネットワークを介してリンクされたリモート処理デバイスによってタスクが実施される分散型クラウド・コンピューティング環境で実践されてもよい。分散型クラウド・コンピューティング環境では、プログラム・モジュールは、メモリ・ストレージ・デバイスを含むローカルおよびリモートの両方のコンピュータ・システム記憶媒体に位置していてもよい。
図4に示されるように、ホスト(402)は、コンピュータ・システムもしくはサーバまたはその両方などの汎用コンピューティング・デバイスの形で示されている。ホスト(402)のコンポーネントは、以下に限定されないが、1つまたは複数のプロセッサまたは処理ユニット(404)、例えば、ハードウェア・プロセッサ、システム・メモリ(406)、およびシステム・メモリ(406)を含む様々なシステム・コンポーネントをプロセッサ(404)に結合するバス(408)を含む。バス(408)は、1つまたは複数の任意の複数タイプのバス構造を表し、そのようなものとしては、メモリ・バスまたはメモリ・コントローラ、周辺バス、加速グラフィックス・ポート、および種々のバス・アーキテクチャのいずれかを用いるプロセッサまたはローカル・バスが挙げられる。例として、以下に限定されないが、このようなアーキテクチャとしては、業界標準アーキテクチャ(ISA)バス、マイクロ・チャネル・アーキテクチャ(MCA)バス、拡張型ISA(EISA)バス、ビデオ・エレクトロニクス規格協会(VESA)ローカル・バス、および周辺コンポーネント相互接続(PCI)バスが挙げられる。ホスト(402)は、典型的には、種々のコンピュータ・システム可読媒体を含む。 このような媒体は、ホスト(402)によってアクセス可能な任意の利用可能な媒体であってもよく、揮発性媒体と不揮発性媒体との両方、取り外し可能な媒体と取り外し不能な媒体との両方を含む。
メモリ(406)は、ランダム・アクセス・メモリ(RAM)(430)もしくはキャッシュ・メモリ(432)またはその両方などの揮発性メモリの形態のコンピュータ・システム可読媒体を含むことができる。例として、記憶システム(434)は、取り外し不可能な不揮発性磁気媒体(図示せず、典型的には「ハード・ドライブ」と呼ばれる)からの読出しおよびそこへの書込みのために提供され得る。図示されていないが、取り外し可能な不揮発性磁気ディスク(例えば、「フロッピー・ディスク」)、ならびに取り外し可能な不揮発性光ディスクからの読出しおよびそこへの書込みのための光ディスクドライブ、例えばCD-ROM、DVD-ROM、その他の光学媒体などを提供することができる。このような場合、それぞれを、1つまたは複数のデータ媒体インターフェースによってバス(408)に接続することができる。
プログラム/ユーティリティ(440)は、一連の(少なくとも1つの)プログラム・モジュール(442)を有し、一例としてメモリ(406)に格納されてもよく、限定はないが同様にオペレーティング・システム、1つまたは複数のアプリケーション・プログラム、他のプログラム・モジュール、およびプログラム・データに格納されてもよい。各オペレーティング・システム、1つまたは複数のアプリケーション・プログラム、他のプログラム・モジュール、およびプログラム・データまたはそれらのいくつかの組み合わせは、ネットワーキング環境の実装を含んでいてもよい。 プログラムモジュール(442)は、概して、リスクを最小にするために1つまたは複数のドメインにわたって活動を動的にオーケストレートするために、実施形態の機能もしくは方法またはその両方を行う。例えば、プログラム・モジュール(442)のセットは、図1に記載されているように、ツール(152)、(154)、(156)、および(158)を含むことができる。
ホスト(402)はまた、キーボードやポインティング・デバイスなどの1つまたは複数の外部デバイス(414)、ディスプレイ(424)、ユーザがホスト(402)と対話することを可能にする1つまたは複数のデバイス、もしくはホスト(402)が1つまたは複数の他のコンピューティング・デバイスと通信することを可能にする任意のデバイス(例えば、ネットワーク・カード、モデム)、またはそれらの組合せと通信することができる。このような通信は、入力/出力(I/O)インターフェース(422)を介して起こり得る。さらに、ホスト(402)は、ネットワーク・アダプタ(420)を介して、ローカル・エリア・ネットワーク(LAN)、一般的なワイド・エリア・ネットワーク(WAN)、もしくは公衆ネットワーク(例えば、インターネット)、またはそれらの組合せなど、1つまたは複数のネットワークと通信することができる。図示のように、ネットワーク・アダプタ(420)は、バス(408)を介してホスト(402)の他のコンポーネントと通信する。一実施形態では、分散型ファイル・システム(図示せず)の複数のノードは、I/Oインターフェース(422)を介して、またはネットワーク・アダプタ(420)を介して、ホスト(402)と通信する。示されていないが、他のハードウェアもしくはソフトウェアまたはその両方のコンポーネントを、ホスト(402)と併せて使用することができることを理解するべきである。例としては、以下に限定されないが、マイクロコード、デバイス・ドライバ、冗長処理ユニット、外部ディスク・ドライブ・アレイ、RAIDシステム、テープ・ドライブ、およびデータ・アーカイブ・ストレージ・システムなどが挙げられる。
この文献では、「コンピュータ・プログラム媒体」、「コンピュータ使用可能媒体」、「コンピュータ可読媒体」という用語は、概して、メイン・メモリ(406)などの媒体を参照するために使用され、そのような媒体としては、RAM(430)、キャッシュ(432)、ならびに取り外し可能な記憶ドライブおよびハードディスク・ドライブ内に設置されたハードディスクなどの記憶システム(434)が挙げられる。
コンピュータ・プログラム(コンピュータ制御ロジックとも呼ばれる)は、メモリ(406)に格納される。コンピュータ・プログラムはまた、ネットワーク・アダプタ(420)などの通信インターフェースを介して受信されてもよい。そのようなコンピュータ・プログラムは、実行時に、コンピュータ・システムが、本明細書で説明するように本実施形態の特徴を実施することを可能にする。具体的には、コンピュータ・プログラムは、実行時に、処理ユニット(404)がコンピュータ・システムの特徴を実施することを可能にする。したがって、このようなコンピュータ・プログラムは、コンピュータ・システムのコントローラを表す。
コンピュータ可読記憶媒体は、命令実行デバイスによる使用のための命令を保持および格納することができる有形デバイスとすることができる。コンピュータ可読記憶媒体は、以下に限定されないが、例えば、電子記憶デバイス、磁気記憶デバイス、光記憶デバイス、電磁記憶デバイス、半導体記憶デバイス、または前述の任意の適した組合せとしてよい。コンピュータ可読記憶媒体のより具体的な例の非網羅的な一覧としては、ポータブル・コンピュータ・ディスケット、ハードディスク、動的または静的ランダム・アクセス・メモリ(RAM)、読出し専用メモリ(ROM)、消去可能なプログラム可能な読出し専用メモリ(EPROMまたはフラッシュメモリ)、磁気ストレージ・デバイス、ポータブル・コンパクト・ディスク読出し専用メモリ(CD-ROM)、デジタル汎用ディスク(DVD)、メモリ・スティック、フロッピー・ディスク、機械的に符号化されたデバイス、例えば、命令を上に記録したパンチ・カードまたは溝内の隆起構造など、および前述の任意の適切な組合せが挙げられる。コンピュータ可読記憶媒体は、本明細書で使用される際に、それ自体が電波または他の自由に伝搬する電磁波、導波管または他の伝送媒体(例えば、光ファイバ・ケーブルを通る光パルス)を伝搬する電磁波、またはワイヤを介して伝送される電気信号などの一時的な信号であるものと解釈されるべきではない。
本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体から各演算/処理デバイスに、またはネットワーク、例えば、インターネット、ローカル・エリア・ネットワーク、ワイド・エリア・ネットワーク、もしくは無線ネットワーク、またはそれらの組合せを介して外部コンピュータまたは外部記憶装置に、ダウンロードすることができる。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、もしくはエッジ・サーバ、またはそれらの組合せを含むことができる。各演算/処理デバイス内のネットワーク・アダプタ・カードまたはネットワーク・インターフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、各演算/処理デバイス内のコンピュータ可読記憶媒体に格納するためにコンピュータ可読プログラム命令を送る。
本実施形態の動作を実施するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セット・アーキテクチャ(ISA)命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、または1つもしくは複数のプログラミング言語の任意の組み合わせで書かれたソースコードもしくはオブジェクトコードのいずれかとしてよく、プログラミング言語としては、Smalltalk、C++などのオブジェクト指向プログラミング言語と、および「C」プログラミング言語または同様のプログラミング言語などの従来の手続き型プログラミング言語が挙げられる。コンピュータ可読プログラム命令は、ユーザのコンピュータ上で全体的に、ユーザのコンピュータ上で部分的に、スタンドアロン・ソフトウェア・パッケージとして、ユーザのコンピュータ上で部分的にかつリモート・コンピュータ上に部分的に、またはリモート・コンピュータ上またはサーバ上またはサーバのクラスタ上で全体的に、実行してもよい。後者のシナリオでは、リモート・コンピュータが、ローカル・エリア・ネットワーク(LAN)または広域ネットワーク(WAN)を含めた任意のタイプのネットワークを介してユーザのコンピュータに接続されていてもよいし、または接続が、外部コンピュータに(例えば、インターネットサービスプロバイダを用いてインターネットを介して)なされていてもよい。いくつかの実施形態では、例えば、プログラム可能なロジック回路、フィールド・プログラマブル・ゲート・アレイ(FPGA)、またはプログラム可能なロジックアレイ(PLA)を含めた電子回路は、本実施形態の態様を実施するために、コンピュータ可読プログラム命令の状態情報によって、コンピュータ可読プログラム命令を実行してもよい。
一実施形態では、ホスト(402)は、クラウド・コンピューティングのノードである。当技術分野に公知であるように、クラウド・コンピューティングは、最小限の管理努力またはサービスの提供者との対話によって迅速にプロビジョニングおよびリリースされ得る構成可能なコンピューティング・リソース(例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、およびサービス)の共有プールへの簡便かつオンデマンドのネットワーク・アクセスを可能にするためのサービス・デリバリのモデルである。このクラウドモデルは、少なくとも5つの特性、少なくとも3つのサービス・モデル、および少なくとも4つの展開モデルを含むことがある。このような特性の例は以下の通りである。
オンデマンド・セルフサービス:クラウド消費者は、サービスのプロバイダとの人間の対話を必要とすることなく必要に応じて自動的に、サーバ時間やネットワーク・ストレージなどのコンピューティング機能を単方向に(unilaterally)プロビジョニングし得る。
ブロード・ネットワーク・アクセス(broad network access):機能は、ネットワークを介して利用可能であり、異種シンまたはシック・クライアント・プラットフォーム(たとえば、携帯電話、ラップトップ、およびPDA)による使用を促進する標準機構を通じてアクセスされる。
リソース・プーリング:マルチテナント・モデルを使用して複数の消費者にサービスするためにプロバイダのコンピューティング・リソースがプールされ、相異なる物理および仮想リソースが、要求に従って動的に割り当てられ、再割当てされる。消費者は一般に、提供されるリソースの厳密な部分についての制御または知識を持たないが、より高いレベルの抽象化(たとえば、国、州、またはデータセンタ)で部分を指定することができ得るという点で、ある意味で部分独立性がある。
迅速な弾力性(elasticity):機能が迅速かつ弾力的に、いくつかのケースでは自動的にプロビジョニングされて、迅速にスケールアウトされ、迅速にリリースされ、迅速にスケールインされ得る。消費者にとって、プロビジョニングのために利用可能な機能は、多くの場合無制限であるように見え、任意の量をいつでも購入することができる。
測定サービス(measured service):クラウド・システムは、サービスのタイプ(たとえば、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント)にとって適切なあるレベルの抽象化で測定機能を活用することによって、リソース使用を自動的に制御し、最適化する。リソース使用量が監視され、制御され、報告され、利用されるサービスのプロバイダと消費者の両方について透過性(transparency)が実現され得る。
オンデマンド・セルフサービス:クラウド消費者は、サービスのプロバイダとの人間の対話を必要とすることなく必要に応じて自動的に、サーバ時間やネットワーク・ストレージなどのコンピューティング機能を単方向に(unilaterally)プロビジョニングし得る。
ブロード・ネットワーク・アクセス(broad network access):機能は、ネットワークを介して利用可能であり、異種シンまたはシック・クライアント・プラットフォーム(たとえば、携帯電話、ラップトップ、およびPDA)による使用を促進する標準機構を通じてアクセスされる。
リソース・プーリング:マルチテナント・モデルを使用して複数の消費者にサービスするためにプロバイダのコンピューティング・リソースがプールされ、相異なる物理および仮想リソースが、要求に従って動的に割り当てられ、再割当てされる。消費者は一般に、提供されるリソースの厳密な部分についての制御または知識を持たないが、より高いレベルの抽象化(たとえば、国、州、またはデータセンタ)で部分を指定することができ得るという点で、ある意味で部分独立性がある。
迅速な弾力性(elasticity):機能が迅速かつ弾力的に、いくつかのケースでは自動的にプロビジョニングされて、迅速にスケールアウトされ、迅速にリリースされ、迅速にスケールインされ得る。消費者にとって、プロビジョニングのために利用可能な機能は、多くの場合無制限であるように見え、任意の量をいつでも購入することができる。
測定サービス(measured service):クラウド・システムは、サービスのタイプ(たとえば、ストレージ、処理、帯域幅、およびアクティブ・ユーザ・アカウント)にとって適切なあるレベルの抽象化で測定機能を活用することによって、リソース使用を自動的に制御し、最適化する。リソース使用量が監視され、制御され、報告され、利用されるサービスのプロバイダと消費者の両方について透過性(transparency)が実現され得る。
サービス・モデルは以下の通りである。
Software as a Service(SaaS):消費者に提供される機能は、クラウド・インフラストラクチャ上で実行中のプロバイダのアプリケーションを使用することである。アプリケーションは、ウェブ・ブラウザなどのシン・クライアント・インターフェースを通じて、様々なクライアント・デバイスからアクセス可能である(たとえば、ウェブ・ベースのeメール)。消費者は、ネットワーク、サーバ、オペレーティング・システム、ストレージ、さらには個々のアプリケーション機能を含む、基礎となるクラウド・インフラストラクチャを管理または制御せず、可能性のある例外は、限定されたユーザ特有のアプリケーション構成設定である。
Platform as a Service(PaaS):消費者に提供される機能は、プロバイダによってサポートされるプログラミング言語およびツールを使用して作成された、消費者が作成または取得したアプリケーションをクラウド・インフラストラクチャ上に配置することである。消費者は、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含む、基礎となるクラウド・インフラストラクチャを管理または制御しないが、配置されたアプリケーション、および場合によってはアプリケーション・ホスティング環境構成(application hosting environment configuration)についての制御を有する。
Infrastructure as a Service(IaaS):消費者に提供される機能は、処理、ストレージ、ネットワーク、および他の基本コンピューティング・リソースをプロビジョニングすることであり、消費者は、オペレーティング・システムおよびアプリケーションを含み得る任意のソフトウェアを配置し、実行することができる。消費者は、基礎となるクラウド・インフラストラクチャを管理または制御しないが、オペレーティング・システム、ストレージ、配置されたアプリケーションについての制御を有し、場合によっては選択ネットワーキング構成要素(select networking component)(たとえば、ホスト・ファイアウォール)の限られた制御を有する。
Software as a Service(SaaS):消費者に提供される機能は、クラウド・インフラストラクチャ上で実行中のプロバイダのアプリケーションを使用することである。アプリケーションは、ウェブ・ブラウザなどのシン・クライアント・インターフェースを通じて、様々なクライアント・デバイスからアクセス可能である(たとえば、ウェブ・ベースのeメール)。消費者は、ネットワーク、サーバ、オペレーティング・システム、ストレージ、さらには個々のアプリケーション機能を含む、基礎となるクラウド・インフラストラクチャを管理または制御せず、可能性のある例外は、限定されたユーザ特有のアプリケーション構成設定である。
Platform as a Service(PaaS):消費者に提供される機能は、プロバイダによってサポートされるプログラミング言語およびツールを使用して作成された、消費者が作成または取得したアプリケーションをクラウド・インフラストラクチャ上に配置することである。消費者は、ネットワーク、サーバ、オペレーティング・システム、またはストレージを含む、基礎となるクラウド・インフラストラクチャを管理または制御しないが、配置されたアプリケーション、および場合によってはアプリケーション・ホスティング環境構成(application hosting environment configuration)についての制御を有する。
Infrastructure as a Service(IaaS):消費者に提供される機能は、処理、ストレージ、ネットワーク、および他の基本コンピューティング・リソースをプロビジョニングすることであり、消費者は、オペレーティング・システムおよびアプリケーションを含み得る任意のソフトウェアを配置し、実行することができる。消費者は、基礎となるクラウド・インフラストラクチャを管理または制御しないが、オペレーティング・システム、ストレージ、配置されたアプリケーションについての制御を有し、場合によっては選択ネットワーキング構成要素(select networking component)(たとえば、ホスト・ファイアウォール)の限られた制御を有する。
配置モデルは以下の通りである。
プライベート・クラウド:クラウド・インフラストラクチャがもっぱら組織のために運用される。クラウド・インフラストラクチャは、組織または第3者によって管理され得、オンプレミスまたはオフプレミスで存在し得る。
コミュニティ・クラウド:クラウド・インフラストラクチャがいくつかの組織によって共有され、共有される関心事(たとえば、ミッション、セキュリティ要件、ポリシー、およびコンプライアンス考慮事項)を有する特定のコミュニティをサポートする。クラウド・インフラストラクチャは、組織または第3者によって管理され得、オンプレミスまたはオフプレミスで存在し得る。
パブリック・クラウド:クラウド・インフラストラクチャが、一般的な公共グループまたは大規模産業グループに対して利用可能にされ、クラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド:クラウド・インフラストラクチャが、固有のエンティティのままであるが、データおよびアプリケーション・ポータビリティを可能にする標準化技術またはプロプラエタリ技術(たとえば、クラウド間のロード・バランシングのためのクラウド・バースティング)によって互いに結合される2つ以上のクラウド(プライベート、コミュニティ、またはパブリック)の合成である。
プライベート・クラウド:クラウド・インフラストラクチャがもっぱら組織のために運用される。クラウド・インフラストラクチャは、組織または第3者によって管理され得、オンプレミスまたはオフプレミスで存在し得る。
コミュニティ・クラウド:クラウド・インフラストラクチャがいくつかの組織によって共有され、共有される関心事(たとえば、ミッション、セキュリティ要件、ポリシー、およびコンプライアンス考慮事項)を有する特定のコミュニティをサポートする。クラウド・インフラストラクチャは、組織または第3者によって管理され得、オンプレミスまたはオフプレミスで存在し得る。
パブリック・クラウド:クラウド・インフラストラクチャが、一般的な公共グループまたは大規模産業グループに対して利用可能にされ、クラウド・サービスを販売する組織によって所有される。
ハイブリッド・クラウド:クラウド・インフラストラクチャが、固有のエンティティのままであるが、データおよびアプリケーション・ポータビリティを可能にする標準化技術またはプロプラエタリ技術(たとえば、クラウド間のロード・バランシングのためのクラウド・バースティング)によって互いに結合される2つ以上のクラウド(プライベート、コミュニティ、またはパブリック)の合成である。
クラウド・コンピューティング環境は、ステートレス性(statelessness)、低結合、モジュラリティ、およびセマンティック相互運用性(semantic interoperability)に対して焦点を向けるサービスである。クラウド・コンピューティングの核心は、相互接続されたノードのネットワークを含むインフラストラクチャである。
図5には、クラウド・コンピューティング・ネットワーク(500)が示されている。図示されるように、クラウド・コンピューティングネットワーク(500)は、クラウド消費者によって使用されるローカル・コンピューティング・デバイスが通信し得る1つまたは複数のクラウド・コンピューティングノード(510)を有するクラウド・コンピューティング環境(550)を含む。これらのローカル・コンピューティング・デバイスの例としては、以下に限定されないが、携帯情報端末(PDA)またはセルラ電話(554A)、デスクトップ・コンピュータ(554B)、ラップトップ・コンピュータ(554C)、もしくは自動車コンピュータ・システム(554N)、またはその組合せが挙げられる。ノード(510)内の個々のノード300は互いに通信し得る。それらは、プライベート、コミュニティ、パブリック、もしくはハイブリッド・クラウド、またはその組合せなどの1つまたは複数のネットワークに物理的または仮想的にグループ化され得る。これにより、クラウド・コンピューティング環境(500)が、インフラストラクチャ、プラットフォーム、もしくはソフトウェア、またはその組合せを、クラウド消費者がローカル・コンピューティング・デバイス上でリソースを維持する必要がないサービスとして提供することが可能となる。図5に示されるコンピューティング・デバイス(554A~N)のタイプは例示的なものに過ぎず、クラウド・コンピューティング環境(550)が、任意のタイプのネットワークもしくはネットワーク・アドレス指定可能な接続あるいはその両方を介して(例えば、ウェブ・ブラウザを用いて)任意のタイプのコンピュータ化デバイスと通信できることを理解されたい。
図6を次に参照すると、図5のクラウド・コンピューティング・ネットワークによって提供される1組の機能抽象化層(functional abstraction layer)が示されている。図6に示されるコンポーネント、層、および機能は例示を意図されているに過ぎず、実施形態はそれに限定されないことをあらかじめ理解されたい。図示されるように、以下の層:ハードウェアおよびソフトウェア層(610)、仮想化層(620)、管理層(630)、ならびに作業負荷層(640)、ならびに対応する機能が設けられる。
ハードウェアおよびソフトウェア層(610)は、ハードウェアおよびソフトウェア・コンポーネントを含む。ハードウェア・コンポーネントの例としては、メインフレームであり一例ではIBM(登録商標)zSeries(登録商標)システム、RISC(縮小命令セット・コンピュータ)アーキテクチャ・ベースのサーバであり一例ではIBM pSeries(登録商標)システム、IBM xSeries(登録商標)システム、IBMBladeCenter(登録商標)システム、記憶デバイス、ならびにネットワークおよびネットワーキング・コンポーネントが挙げられる。ソフトウェア・コンポーネントの例としては、ネットワーク・アプリケーション・サーバ・ソフトウェアであり一例ではIBM WebSphere(登録商標)アプリケーション・サーバソフトウェア、およびデータベース・ソフトウェアであり一例ではIBM DB2(登録商標)データベース・ソフトウェア(IBM、zSeries、pSeries、xSeries、BladeCenter、WebSphere、およびDB2が、世界中の数多くの管轄内で登録されたインターナショナル・ビジネス・マシンズ・コーポレーションの商標である)が挙げられる。
仮想化層(620)は、仮想エンティティの以下の例が提供され得る抽象化層を提供する:仮想サーバ、仮想ストレージ、仮想プライベート・ネットワークを含む仮想ネットワーク、仮想アプリケーションおよびオペレーティング・システム、ならびに仮想クライアント。
一例として、管理層(630)は、以下の機能を提供し得る:リソース・プロビジョニング、計測および価格設定(Metering and Pricing)、ユーザ・ポータル、サービス・レイヤ管理、ならびにSLAの計画および履行。リソース・プロビジョニングは、クラウド・コンピューティング環境内のタスクを実施するために利用されるコンピューティング・リソースおよび他のリソースの動的獲得を実現する。計測および価格決定は、リソースがクラウド・コンピューティング環境内で利用されるときのコスト追跡と、これらのリソースの消費に対する課金または請求とを実現する。一例として、これらのリソースはアプリケーション・ソフトウェア・ライセンスを含み得る。セキュリティは、クラウド消費者およびタスクについての識別検証、ならびにデータおよび他のリソースに対する保護を実現する。ユーザ・ポータルは、消費者およびシステム管理者に対してクラウド・コンピューティング環境へのアクセスを実現する。サービス・レイヤ管理は、必要とされるサービス・レベルが満たされるようにクラウド・コンピューティング・リソースの割振りおよび管理を実現する。 サービス・レベル合意書(Service Level Agreement、SLA)の計画および履行は、SLAに従って将来の要件が予想されるクラウド・コンピューティング・リソースの事前構成および獲得を実現する。
作業負荷層(640)は、クラウド・コンピューティング環境が利用され得る機能性の例を提供する。この層から提供され得る作業負荷および機能の例としては、以下に限定されないが、マッピングおよびナビゲーション、ソフトウェア開発およびライフサイクル管理、仮想クラスルーム教育配信、データ解析処理、トランザクション処理、ならびに合成データの生成および強化学習が挙げられる。
本実施形態の具体的な実施形態が示され記載されている一方で、本明細書の教示に基づき、本実施形態およびそのさらに広義の態様から逸脱することなく変形および改変がなされ得ることが、当業者には明らかとなる。そのため、添付の特許請求の範囲は、その範囲内に、すべてのそのような変形および改変を、本実施形態の真の趣旨および範囲内にあるように包含するものとなる。さらに、本実施形態は、添付の特許請求の範囲によってのみ定義されることが理解されよう。具体的な数の特許請求の範囲の構成要件の導入が意図されている場合、そのような意図は明示的に特許請求の範囲に記載されるものとなり、そのような記載がない場合、そのような制限はないことを、当業者は理解するものとなる。非制限的な例として、理解の一助として、以下の添付の特許請求の範囲は、請求項の構成要件を導入するための「少なくとも1つ」および「1つまたは複数の」という導入句の利用を含む。しかし、そのような句の使用は、不定冠詞「a」または「an」により請求項の構成要件を導入することが、その導入された請求項の構成要件を含む任意の具体的な請求項を、その構成要件を1つのみ含む実施形態に限定することを含意するものと解釈されるべきではなく、同じ請求項が導入句「1つまたは複数の」または「少なくとも1つ」および「a」や「an」などの不定冠詞を含んでいたとしてもそのように解釈されるべきではない。請求項における定冠詞の使用についても同様である。
本実施形態は、システム、方法、もしくはコンピュータ・プログラム製品、またはそれらの組合せであり得る。さらに、本実施形態の選択された態様は、全体的にハードウェアの実施形態、全体的にソフトウェアの実施形態(ファームウェア、常駐ソフトウェア、マイクロコードなどを含む)、または本明細書では全て一般的に「回路」、「モジュール」、または「システム」と呼ばれることがあるソフトウェアもしくはハードウェアまたはその両方の態様を組み合わせた実施形態の形態をとり得る。さらに、本実施形態の態様は、プロセッサに本発明の態様を行わせるためのコンピュータ可読プログラム命令をその上に有するコンピュータ可読記憶媒体(または複数の媒体)内に組み込まれているコンピュータ・プログラム製品の形をとっていてもよい。したがって具現化されて、開示されたシステム、方法、もしくはコンピュータ・プログラム製品は、人工知能プラットフォームの機能性および動作を改善して、フェデレートされた学習フレームワークを構築するように動作する。
本実施形態の態様は、本実施形態による方法、装置(システム)、およびコンピュータ・プログラム製品のフローチャート図もしくはブロック図またはその両方を参照して本明細書に説明される。フローチャート図もしくはブロック図またはその両方の各ブロック、ならびにフローチャート図もしくはブロック図またはその両方におけるブロックの組合せは、コンピュータ可読プログラム命令によって実装できることが理解されよう。
これらのコンピュータ可読プログラム命令は、汎用コンピュータ、専用コンピュータ、または他のプログラム可能なデータ処理装置のプロセッサに提供されて、コンピュータまたは他のプログラム可能なデータ処理装置のプロセッサを介して実行される命令がフローチャートもしくはブロック図またはその両方の1つまたは複数のブロックにおいて指定された機能/動作を実装する手段を生成するように、機械を生成し得る。これらのコンピュータ可読プログラム命令はまた、コンピュータ、プログラム可能なデータ処理装置、もしくは他のデバイス、またはそれらの組合せを特定の方法で機能させることのできるコンピュータ可読記憶媒体に格納されてもよく、ゆえに、命令を中に格納したコンピュータ可読記憶媒体は、フローチャートもしくはブロック図またはその両方の1つまたは複数のブロックにおいて指定された機能/動作の態様を実装する命令を含む、製品を含み得る。
コンピュータ可読プログラム命令はまた、コンピュータ、他のプログラム可能な装置、または他のデバイス上で実行される命令がフローチャートもしくはブロック図またはその両方の1つまたは複数のブロックにおいて指定された機能/動作を実装するように、コンピュータ、他のプログラム可能なデータ処理装置、または他のデバイス上にロードされて、一連の動作ステップをコンピュータ、他のプログラマブル装置、または他のデバイス上で実施させて、コンピュータ実装プロセスを生じる。
図中のフローチャートおよびブロック図は、本実施形態の様々な実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実施形態のアーキテクチャ、機能性、およびオペレーションを説明する。この点に関して、フローチャートまたはブロック図の各ブロックは、指定されたロジック機能を実装するための1つまたは複数の実行可能な命令を含む、命令のモジュール、セグメント、または部分を表すことがある。いくつかの代替的な実施形態では、ブロックに記載された機能は、図に記載された順序の外に生じ得る。例えば、連続して示される2つのブロックが、実際には、実質的に同時に実行されてもよいし、またはブロックが、関与する機能性に応じて、逆の順序で実行されてもよい。また、ブロック図もしくはフローチャート図またはその両方の各ブロック、ならびにブロック図もしくはフローチャート図またはその両方におけるブロックの組合せは、指定された機能もしくはオペレーションを実行するか、または専用ハードウェアとコンピュータ命令との組合せを実施する、専用ハードウェアベースのシステムによって実装できることに留意されたい。
説明を目的として特定の実施形態が本明細書に記載されてきたが、実施形態の趣旨および範囲から逸脱することなく様々な変更が可能であることが理解されよう。したがって、実施形態の保護の範囲は、以下の特許請求の範囲およびそれらの同等物によってのみ限定される。
Claims (18)
- メモリに動作可能に結合されたプロセッサと、
強化学習をサポートするために前記プロセッサと通信し、ツールを有する人工知能(Al)プラットフォーム
とを含み、前記ツールは、
訓練されたニューラル・ネットワークにグラウンド・トゥルースの第1のパッセージおよびグラウンド・トゥルースの第1の回答を入力し、前記訓練されたニューラル・ネットワーク内の質問ジェネレータによって生成された第1の合成質問を取得する質問マネージャであって、前記生成された第1の合成質問は、前記グラウンド・トゥルースの第1のパッセージと第1の回答とに意味的な対応を有する、質問マネージャと、
前記訓練されたニューラル・ネットワークに前記第1の合成質問を入力し、前記訓練されたニューラル・ネットワークによって生成された第1の回答を前記グラウンド・トゥルース・パッセージから取得する回答マネージャであって、前記第1の回答は、前記生成された第1の合成質問および前記グラウンド・トゥルース・パッセージに意味的に関連する、回答マネージャと、
前記生成された第1の回答に関する前記生成された第1の合成質問を自動的に評価する評価マネージャであって、前記評価は、前記生成された第1の合成質問の多様性および精度を把握する報酬関数を組み込むためのものである、評価マネージャと、
前記評価マネージャに動作可能に結合され、前記評価に応答する前記質問ジェネレータを選択的に修正する強化学習を採用するディレクタであって、前記修正された質問ジェネレータは、前記修正前よりもテキストの多様性の増加した1つまたは複数の合成質問を生じる、ディレクタと
を有する、コンピュータ・システム。 - 前記質問ジェネレータの前記選択的な修正は、核サンプリングを採用して、前記第1の合成質問とは異なる前記1つまたは複数の合成質問を生成する、請求項1に記載のシステム。
- 前記生成された第1の合成質問の変化の最適化は、前記ディレクタが前記生成された第1の合成質問を多様性スコアで表し、前記多様性スコアに基づき前記訓練されたニューラル・ネットワークの1つまたは複数のパラメータを修正することを含み、前記最適化は、前記第1の質問と同様のコンテキストを有する訓練されたニューラル・ネットワークからの出力としての第2の合成質問の生成を緩和する、請求項2に記載のシステム。
- 前記評価マネージャが、前記第1の生成された回答と前記グラウンド・トゥルース回答との比較により、前記生成された第1の合成質問の精度を評価し、前記精度評価を精度スコアで定量化すること、ならびに前記質問マネージャが、前記精度スコアに応答する1つまたは複数の質問生成パラメータを選択的に修正することをさらに含む、請求項3に記載のシステム。
- 前記評価マネージャが、前記精度スコアと前記多様性スコアとの凸結合として報酬関数を計算すること、前記質問マネージャが、前記計算された報酬関数に応答する1つまたは複数の質問生成パラメータを選択的に修正すること、ならびに前記修正が、前記生成された第1の合成質問と意味的に類似した第2の合成質問の産生を緩和することをさらに含む、請求項4に記載のシステム。
- 前記評価マネージャが、前記報酬関数の1つまたは複数のコンポーネントを選択的に優先順位付けするように前記凸結合を調整することをさらに含む、請求項5に記載のシステム。
- 強化学習をサポートするためのコンピュータ・プログラム製品であって、それを以て具現化されるプログラム・コードを有するコンピュータ可読記憶媒体を含み、前記プログラム・コードは、プロセッサによって、
訓練されたニューラル・ネットワークにグラウンド・トゥルースの第1のパッセージおよびグラウンド・トゥルースの第1の回答を入力し、前記訓練されたニューラル・ネットワーク内の質問ジェネレータによって生成された第1の合成質問を取得することであって、前記生成された第1の合成質問は、前記グラウンド・トゥルースの第1のパッセージと第1の回答とに意味的な対応を有すること、
前記訓練されたニューラル・ネットワークに前記第1の合成質問を入力し、前記訓練されたニューラル・ネットワークによって生成された第1の回答を前記グラウンド・トゥルース・パッセージから取得することであって、前記第1の回答は、前記生成された第1の合成質問および前記グラウンド・トゥルース・パッセージに意味的に関連すること、
前記生成された前記第1の回答に関する前記生成された第1の合成質問を自動的に評価することであって、前記評価は、前記生成された第1の合成質問の多様性および精度を把握する報酬関数を組み込むためのものであること、
前記評価に応答する前記質問ジェネレータを選択的に修正する強化学習を採用することであって、修正された質問ジェネレータは、修正前よりもテキストの多様性が増加した1つまたは複数の合成質問を生じること
を実行可能である、コンピュータ・プログラム製品。 - 前記質問ジェネレータの前記選択的な修正は、前記プログラム・コードが核サンプリングを採用して前記第1の合成質問とは異なる前記1つまたは複数の合成質問を生成することを含む、請求項7に記載のコンピュータ・プログラム製品。
- 前記生成された第1の合成質問の変化の最適化は、前記プログラム・コードが前記生成された第1の合成質問を多様性スコアで表し、前記多様性スコアに基づき前記訓練されたニューラル・ネットワークの1つまたは複数のパラメータを修正することを含み、前記最適化は、前記第1の合成質問と同様のコンテキストを有する前記訓練されたニューラル・ネットワークからの出力としての第2の合成質問の産生を緩和する、請求項8に記載のコンピュータ・プログラム製品。
- 前記プログラムが、前記第1の生成された回答と前記グラウンド・トゥルース回答との比較により、前記生成された第1の合成質問の精度を評価し、前記精度評価を精度スコアで定量化すること、ならびに前記プログラム・コードが、前記精度スコアに応答する1つまたは複数の合成質問生成パラメータを選択的に修正することをさらに含む、請求項9に記載のコンピュータ・プログラム製品。
- 前記プログラム・コードが、前記精度スコアと前記多様性スコアとの凸結合として報酬関数を計算し、前記計算された報酬関数に応答する1つまたは複数の質問生成パラメータを選択的に修正すること、ならびに前記修正が、前記生成された第1の合成質問と意味的に類似した第2の合成質問の産生を緩和することをさらに含む、請求項10に記載のコンピュータ・プログラム製品。
- 前記プログラム・コードが、前記報酬関数の1つまたは複数のコンポーネントを選択的に優先順位付けするように前記凸結合を調整することをさらに含む、請求項11に記載のコンピュータ・プログラム製品。
- 訓練されたニューラル・ネットワークにグラウンド・トゥルースの第1のパッセージおよびグラウンド・トゥルースの第1の回答を入力し、前記訓練されたニューラル・ネットワーク内の質問ジェネレータによって生成された第1の合成質問を取得することであって、前記生成された第1の合成質問は、前記グラウンド・トゥルースの第1のパッセージと第1の回答とに意味的な対応を有すること、
前記訓練されたニューラル・ネットワークに前記第1の合成質問を入力し、前記訓練されたニューラル・ネットワークによって生成された第1の回答を前記グラウンド・トゥルース・パッセージから取得することであって、前記第1の回答は、前記生成された第1の合成質問および前記グラウンド・トゥルース・パッセージに意味的に関連すること、
前記生成された前記第1の回答に関する前記生成された第1の合成質問を自動的に評価することであって、前記評価は、前記生成された第1の合成質問の多様性および精度を把握する報酬関数を組み込むためのものであること、
強化学習を採用し、前記評価に応答する前記質問ジェネレータを選択的に修正することであって、修正された質問ジェネレータは、前記修正前よりもテキストの多様性が増加した1つまたは複数の合成質問を生じること
を含む、コンピュータ実装方法。 - 前記質問ジェネレータの前記選択的な修正は、核サンプリングを採用して前記第1の合成質問とは異なる前記1つまたは複数の合成質問を生成することを含む、請求項13に記載のコンピュータ実装方法。
- 前記生成された第1の合成質問の変化の最適化は、前記生成された第1の合成質問を多様性スコアで表すこと、ならびに前記多様性スコアに基づき前記訓練されたニューラル・ネットワークの1つまたは複数のパラメータを修正することを含み、前記最適化は、前記第1の合成質問と同様のコンテキストを有する前記訓練されたニューラル・ネットワークからの出力としての第2の合成質問の生成を緩和する、請求項14に記載のコンピュータ実装方法。
- 前記第1の生成された回答と前記グラウンド・トゥルース回答との比較により、前記生成された第1の合成質問の精度を評価し、前記精度評価を精度スコアで定量化すること、ならびに前記精度スコアに応答する1つまたは複数の合成質問生成パラメータを選択的に修正することをさらに含む、請求項15に記載のコンピュータ実装方法。
- 前記精度スコアと前記多様性スコアとの凸結合として前記報酬関数を計算すること、ならびに前記計算された報酬関数に応答する1つまたは複数の質問生成パラメータを選択的に修正することをさらに含み、前記修正は、前記生成された第1の合成質問と意味的に類似した第2の合成質問の産生を緩和する、請求項16に記載のコンピュータ実装方法。
- 前記報酬関数の1つまたは複数のコンポーネントを選択的に優先順位付けするように前記凸結合を調整することをさらに含む、請求項17に記載のコンピュータ実装方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/825,517 | 2020-03-20 | ||
US16/825,517 US11741371B2 (en) | 2020-03-20 | 2020-03-20 | Automatically generating diverse text |
PCT/IB2021/051903 WO2021186286A1 (en) | 2020-03-20 | 2021-03-08 | Automatically generating diverse text |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023518220A true JP2023518220A (ja) | 2023-04-28 |
Family
ID=77746884
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022555159A Pending JP2023518220A (ja) | 2020-03-20 | 2021-03-08 | 多様なテキストを自動的に生成する方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11741371B2 (ja) |
JP (1) | JP2023518220A (ja) |
KR (1) | KR20220127332A (ja) |
CN (1) | CN115298659A (ja) |
AU (1) | AU2021236965B2 (ja) |
GB (1) | GB2609337A (ja) |
WO (1) | WO2021186286A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11544478B2 (en) * | 2020-06-04 | 2023-01-03 | International Business Machines Corporation | Generating dialog system workspaces |
US11875120B2 (en) * | 2021-02-22 | 2024-01-16 | Robert Bosch Gmbh | Augmenting textual data for sentence classification using weakly-supervised multi-reward reinforcement learning |
CN114970563B (zh) * | 2022-07-28 | 2022-10-25 | 山东大学 | 融合内容和形式多样性的中文问题生成方法和系统 |
US11983488B1 (en) * | 2023-03-14 | 2024-05-14 | OpenAI Opco, LLC | Systems and methods for language model-based text editing |
CN116501859B (zh) * | 2023-06-26 | 2023-09-01 | 中国海洋大学 | 基于冰箱领域的段落检索方法、设备和介质 |
Family Cites Families (41)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9177485B2 (en) * | 2008-01-11 | 2015-11-03 | Infosys Limited | Method and system for automatically generating questions for a programming language |
US20140074645A1 (en) * | 2012-09-12 | 2014-03-13 | Centurion Research Solutions | Bid Assessment Analytics |
US9830556B2 (en) * | 2014-05-21 | 2017-11-28 | Excalibur Ip, Llc | Synthetic question formulation |
US10366621B2 (en) * | 2014-08-26 | 2019-07-30 | Microsoft Technology Licensing, Llc | Generating high-level questions from sentences |
US10318870B2 (en) * | 2014-11-19 | 2019-06-11 | International Business Machines Corporation | Grading sources and managing evidence for intelligence analysis |
US9727642B2 (en) * | 2014-11-21 | 2017-08-08 | International Business Machines Corporation | Question pruning for evaluating a hypothetical ontological link |
US9984050B2 (en) * | 2015-12-01 | 2018-05-29 | International Business Machines Corporation | Ground truth collection via browser for passage-question pairings |
US10394950B2 (en) * | 2016-08-22 | 2019-08-27 | International Business Machines Corporation | Generation of a grammatically diverse test set for deep question answering systems |
US10332137B2 (en) * | 2016-11-11 | 2019-06-25 | Qwalify Inc. | Proficiency-based profiling systems and methods |
EP3593262A4 (en) | 2017-03-10 | 2020-12-09 | Eduworks Corporation | AUTOMATED TOOL FOR GENERATING QUESTIONS |
CN106932743B (zh) * | 2017-03-23 | 2023-01-24 | 苏州美柯医疗科技有限公司 | 用于磁共振成像的射频线圈单元和射频线圈 |
US10572595B2 (en) * | 2017-04-13 | 2020-02-25 | Baidu Usa Llc | Global normalized reader systems and methods |
US10902738B2 (en) * | 2017-08-03 | 2021-01-26 | Microsoft Technology Licensing, Llc | Neural models for key phrase detection and question generation |
WO2019036035A1 (en) * | 2017-08-16 | 2019-02-21 | ODH, Inc. | DATA PROCESSING APPARATUS FOR ACCESSING A SHARED MEMORY IN PROCESSING STRUCTURED DATA FOR MODIFYING A DATA STRUCTURE OF A PARAMETER VECTOR |
US10837926B2 (en) * | 2017-09-01 | 2020-11-17 | Case Western Reserve University | Multi-modal spectroscopic analysis |
US11508479B2 (en) * | 2017-10-16 | 2022-11-22 | Optum, Inc. | Automated question generation and response tracking |
US10789451B2 (en) * | 2017-11-16 | 2020-09-29 | Global Life Sciences Solutions Usa Llc | System and method for single channel whole cell segmentation |
US11227218B2 (en) * | 2018-02-22 | 2022-01-18 | Salesforce.Com, Inc. | Question answering from minimal context over documents |
US10838951B2 (en) * | 2018-04-02 | 2020-11-17 | International Business Machines Corporation | Query interpretation disambiguation |
US11074829B2 (en) * | 2018-04-12 | 2021-07-27 | Baidu Usa Llc | Systems and methods for interactive language acquisition with one-shot visual concept learning through a conversational game |
JP2021529382A (ja) * | 2018-06-19 | 2021-10-28 | エリプシス・ヘルス・インコーポレイテッド | 精神的健康評価のためのシステム及び方法 |
CN108846130B (zh) | 2018-06-29 | 2021-02-05 | 北京百度网讯科技有限公司 | 一种问题文本生成方法、装置、设备和介质 |
US11086911B2 (en) * | 2018-07-31 | 2021-08-10 | Wipro Limited | Method and system for generating question variations to user input |
US11580145B1 (en) * | 2018-09-25 | 2023-02-14 | Amazon Technologies, Inc. | Query rephrasing using encoder neural network and decoder neural network |
US11042576B2 (en) * | 2018-12-06 | 2021-06-22 | International Business Machines Corporation | Identifying and prioritizing candidate answer gaps within a corpus |
US11682474B2 (en) * | 2018-12-12 | 2023-06-20 | International Business Machines Corporation | Enhanced user screening for sensitive services |
US11205097B2 (en) * | 2019-02-01 | 2021-12-21 | The University Of Chicago | Training artificial neural networks using context-dependent gating with weight stabilization |
US11526674B2 (en) * | 2019-03-01 | 2022-12-13 | Rakuten Group, Inc. | Sentence extraction system, sentence extraction method, and information storage medium |
EP3892005A4 (en) * | 2019-03-21 | 2022-07-06 | Samsung Electronics Co., Ltd. | METHOD, DEVICE, DEVICE AND MEDIA FOR GENERATION OF SUBTITLING INFORMATION FROM MULTIMEDIA DATA |
US11036941B2 (en) * | 2019-03-25 | 2021-06-15 | International Business Machines Corporation | Generating a plurality of document plans to generate questions from source text |
CN109992657B (zh) | 2019-04-03 | 2021-03-30 | 浙江大学 | 一种基于强化动态推理的对话式问题生成方法 |
US11531818B2 (en) * | 2019-11-15 | 2022-12-20 | 42 Maru Inc. | Device and method for machine reading comprehension question and answer |
US20230069935A1 (en) * | 2019-11-20 | 2023-03-09 | Korea Advanced Institute Of Science And Technology | Dialog system answering method based on sentence paraphrase recognition |
US11914954B2 (en) * | 2019-12-08 | 2024-02-27 | Virginia Tech Intellectual Properties, Inc. | Methods and systems for generating declarative statements given documents with questions and answers |
US20210201192A1 (en) * | 2019-12-30 | 2021-07-01 | 42 Maru Inc. | Method and apparatus of generating question-answer learning model through reinforcement learning |
US11397762B2 (en) * | 2020-01-24 | 2022-07-26 | Accenture Global Solutions Limited | Automatically generating natural language responses to users' questions |
KR20210097588A (ko) * | 2020-01-30 | 2021-08-09 | 삼성전자주식회사 | 컨텍스트 정보와 대응되는 문장을 획득하는 전자 장치 및 그 동작 방법 |
US11449556B2 (en) * | 2020-02-04 | 2022-09-20 | Accenture Global Solutions Limited | Responding to user queries by context-based intelligent agents |
US20210241099A1 (en) * | 2020-02-05 | 2021-08-05 | Baidu Usa Llc | Meta cooperative training paradigms |
US11568267B2 (en) * | 2020-03-12 | 2023-01-31 | International Business Machines Corporation | Inducing creativity in an artificial neural network |
US11544478B2 (en) * | 2020-06-04 | 2023-01-03 | International Business Machines Corporation | Generating dialog system workspaces |
-
2020
- 2020-03-20 US US16/825,517 patent/US11741371B2/en active Active
-
2021
- 2021-03-08 WO PCT/IB2021/051903 patent/WO2021186286A1/en active Application Filing
- 2021-03-08 CN CN202180022536.1A patent/CN115298659A/zh active Pending
- 2021-03-08 JP JP2022555159A patent/JP2023518220A/ja active Pending
- 2021-03-08 AU AU2021236965A patent/AU2021236965B2/en active Active
- 2021-03-08 GB GB2215281.3A patent/GB2609337A/en active Pending
- 2021-03-08 KR KR1020227029545A patent/KR20220127332A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
GB2609337A (en) | 2023-02-01 |
GB202215281D0 (en) | 2022-11-30 |
WO2021186286A1 (en) | 2021-09-23 |
AU2021236965A1 (en) | 2022-09-01 |
AU2021236965B2 (en) | 2023-11-30 |
KR20220127332A (ko) | 2022-09-19 |
CN115298659A (zh) | 2022-11-04 |
US20210295172A1 (en) | 2021-09-23 |
US11741371B2 (en) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108630190B (zh) | 用于生成语音合成模型的方法和装置 | |
US11501187B2 (en) | Opinion snippet detection for aspect-based sentiment analysis | |
JP2023518220A (ja) | 多様なテキストを自動的に生成する方法 | |
US11551437B2 (en) | Collaborative information extraction | |
US20230049747A1 (en) | Training machine learning models using teacher annealing | |
JP2023501469A (ja) | リカレント・ニューラル・ネットワークを用いたマルチモーダル・データの融合 | |
US11599826B2 (en) | Knowledge aided feature engineering | |
US10825071B2 (en) | Adaptive multi-perceptual similarity detection and resolution | |
US11030402B2 (en) | Dictionary expansion using neural language models | |
US11294884B2 (en) | Annotation assessment and adjudication | |
US20210357778A1 (en) | Using machine learning to evaluate data quality during a clinical trial based on participant queries | |
US11188517B2 (en) | Annotation assessment and ground truth construction | |
JP2023510241A (ja) | 仮想エージェント対話システムの会話ログの検索方法、システム、プログラム | |
US20220383119A1 (en) | Granular neural network architecture search over low-level primitives | |
US20210150270A1 (en) | Mathematical function defined natural language annotation | |
US11797611B2 (en) | Non-factoid question answering across tasks and domains | |
US11934922B2 (en) | Predictive data and model selection for transfer learning in natural language processing | |
US20200134025A1 (en) | Augmentation of a Text Representation Model | |
JP2022518671A (ja) | デュアル・ネットワークと共に訓練された主ネットワークを介した多目的タスクの実行 | |
JP2023002475A (ja) | コンピュータシステム、コンピュータプログラムおよびコンピュータで実装される方法(因果関係知識の識別および抽出) | |
US11288322B2 (en) | Conversational agents over domain structured knowledge | |
US11947536B2 (en) | Identifying and processing poly-process natural language queries | |
US20230335123A1 (en) | Speech-to-text voice visualization | |
WO2022194086A1 (en) | A neuro-symbolic approach for entity linking | |
US11074420B2 (en) | Self-learning input-driven brokering of language-translation engines |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220929 |
|
RD16 | Notification of change of power of sub attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7436 Effective date: 20221007 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230810 |