Искусственный интеллект может пригодиться в самых неожиданных областях

Каких — узнали на конференции «Сбера», посвящённой ИИ.

Материал подготовлен при поддержке «Сбера»

23–24 ноября прошла конференция «Путешествие в мир искусственного интеллекта» — AI Journey 2022, где «Сбер» обсуждал новейшие исследования в сфере ИИ и машинного обучения вместе с теоретиками и практиками индустрии. Посмотреть все выступления можно на сайте конференции, а в этом материале мы собрали самые интересные тезисы.

Павел Гращенков, руководитель команды текстовых нейронавыков, SberDevices.

Марина Ермолаева, ведущий разработчик, SberDevices.

Тема выступления: «Нейрофэнтези: сочиняем с ruGPT-3»

• Марина и Павел генерируют русскоязычные квесты — игровые истории, которые нейросеть в реальном времени пишет совместно с пользователем — с помощью ruGPT-3-модели (третье поколение алгоритма обработки естественного языка от OpenAI). Их проект «Нейрофэнтези» уже доступен пользователям ассистентов «Салют» и, по словам создателей, не уступает англоязычному нейроквесту AI Dungeon.
• Но для ИИ важно правильное обучение, чтобы сюжет был складным. Удачная модель будет состоять из двух частей. Первая, обученная, например, на описаниях фильмов или сказок, будет генерировать изначальный сеттинг — средневековый замок, инопланетный корабль или дом с привидениями. Вторая отвечает и за предлагаемые действия, и за развитие сюжета на их основе.
  
• Для обучения первой модели, создающей начало историй, использовали тексты разных жанров, из которых с помощью синтаксического парсера извлекли словосочетания нужных типов. После этого был задан шаблон, который модель заполняла. Например, такой: «Вы — [одушевлённое существительное], которое [относительное предложение]. Теперь вам предстоит [глагол в неопределённой форме]. В этом вам поможет [неодушевлённое существительное]». В фэнтези-модели появятся разнообразные драконы, замки и рыцари. В жанре фантастики — инопланетяне и космические корабли.
  

• От второй модели команде было нужно развитие сюжета. На это влияют логичные и при этом отличные друг от друга действия, между которыми игрок делает выбор, и последовательные части истории, которые система предлагает следом за ходом игрока. Чтобы модель предлагала разные действия, команда добавила кластеризацию и брала лучшие предложения из каждого кластера. А чтобы модель выдавала связные и логичные пассажи, её научили согласовывать текст предыдущего саджеста (блока с выбором) и начало следующего пассажа (части истории).

• Модель обучали на квестах из русскоязычных открытых источников и текстах, написанных профессиональными редакторами специально для проекта. Также команда создала инструмент, который преобразовывает обычные художественные тексты без разметки в обучающие данные.

Пушпак Бхаттачария, профессор кафедры компьютерных наук и инженерии, Индийский институт технологий в Бомбее.

Тема выступления: «NLP и общество: взгляд на анализ чувств, эмоций и мониторинг психического здоровья»

• Пушпак Бхаттачария учит роботов распознавать сарказм — одну из самых неочевидных форм коммуникации. Алгоритмам тяжело распознавать его, потому что значение одних и тех же слов в саркастичных предложениях может меняться в разных контекстах. В исследованиях профессор и его команда опирались на классификацию сарказма, предложенную когнитивными психологами. Они утверждают, что в некоторых случаях сарказм основан на сочетании противоположных по интонации слов. Например: «Обожаю, когда меня игнорируют». Также на сарказм может указывать определённое начало фразы. К примеру: «Как будто тебе не всё равно!». Ещё один тип сарказма — иллокутивный — когда какой-то невербальный знак противоречит тексту. Например, если текст сообщения и прикреплённая картинка противоречат друг другу или человек благодарит кого-то за помощь с явным выражением раздражения на лице.

• В тексте алгоритмы профессора учатся захватывать знаки, которые могут указывать на наличие сарказма: чрезмерное использование пунктуации, междометий, заглавных букв, эмоджи, намеренное нарушение орфографии. Кроме этого, команда пытается обучить алгоритмы фиксировать несоответствие между разными словами в предложении. Возьмём выражение: «Мужчине нужна женщина, как рыбе велосипед». «Как» указывает на то, что вторая часть предложения должна быть схожа с первой. Но слова «мужчина» и «женщина» похожи, а «рыба» и «велосипед» — нет. Задача профессора и его команды — выразить эти сходства или различия математически, а затем натренировать алгоритмы их распознавать.
• Команда разработала виртуального помощника, который должен подбадривать людей в тяжёлых ситуациях: успокаивать, давать надежду, мотивировать. Алгоритмы обучали распознавать признаки психических расстройств — тревожного, депрессивного, обсессивно-компульсивного. Использовали базу данных, состоящую из переписок между людьми, нуждающимися в психологической поддержке, и виртуальными агентами. Кроме этого, команда учила алгоритмы распознавать склонность человека к суициду и определять его психотип на основе классификации Майерса — Бриггса: в ней 16 разных характеров.
  

Радослав Нейчев, data-scientist, преподаватель МФТИ

Тема выступления: «Распознавание активности и поведения человека»

• Технологии умеют узнавать лица и отпечатки пальцев, но им пока сложно распознавать движения и поведение. В медицине такая технология поможет распознать спазмы или нарушения работы двигательного аппарата. А на производстве ИИ проконтролирует, соблюдают ли сотрудники технику безопасности.

• Важно научиться анализировать движение на основе не только видеозаписей, но и любых доступных данных. Например, можно восстановить траекторию движения руки человека, который носит смарт-часы, потому что в них встроен акселерометр (прибор, который измеряет ускорение — он нужен для определения положения устройства в пространстве). Однако пока наборов данных из разных источников не хватает, поэтому Радослав с исследовательской командой решили собрать их самостоятельно. Цель — отследить положение разных частей тела в пространстве в определённые промежутки времени. Сначала они привязывали изолентой к руке телефон и прыгали с ним перед камерой (позже всё-таки использовали спортивные бинты). Потом перешли на небольшие IMU-датчики (инерциальные измерительные блоки, проще говоря — датчики положения).

• Когда вопрос с распознаванием движения будет решён, исследователям предстоит выяснить, как можно объединить такие данные с информацией, например, о здоровье человека.