Диалоговые системы

Диалоговая система – Энциклопедия по экономике

Диалоговые системы
Технология обработки данных в диалоговом режиме на ЭВМ предполагает организацию в реальном времени непосредственного диалога пользователя и машины, в ходе которого ЭВМ информирует человека о состоянии решаемой задачи и предоставляет ему возможность активно воздействовать на ход ее решения обеспечение реактивности, т.е.

оперативной циркуляции сообщений как между функциональными задачами (программами), так и между задачами и пользователем создание для конечных пользователей — специалистов управления достаточно прозрачной диалоговой системы, требующей от них лишь выполнения привычных служебных действий.
 [c.

173]
Для решения практических задач структура диалога включает различные возможные способы обмена информацией между пользователем и ЭВМ, т.е. диалоговая система содержит множество запросов и соответствующих им ответных сообщений. Каждому запросу соответствует несколько альтернативных ответных сообщений.

Схема диалога разрабатывается обычно сразу на весь комплекс решаемых задач. Каждому пользователю выделяются отдельные части схемы диалога с целью автоматического контроля его полномочий и для предотвращения несанкционированного доступа.
 [c.

173]

Диалоговая система планирования должна обеспечить возможность активного взаимодействия лица, принимающего плановое решение, с вычислительной системой в процессе идентификации, распознавания и анализа планово-производственных ситуаций, оценки альтернатив и исходов на множестве предпочтений ЛПР и выработки решения.
 [c.188]

Вычислительная система (ВС), включающая программные и аппаратные средства обработки информации, должна обеспечивать реализацию режима реального масштаба времени, при котором время реакции системы на запросы ЛПР не превышает некоторой пороговой величины, после которой ЛПР утрачивает интерес к запрашиваемой информации. Реализация диалога предполагает активный обмен информацией между ВС и ЛПР, в процессе которого происходит взаимное уточнение представлений о конкретной предметной области, допустимых способах действия и последствиях тех или иных действий. Информационная база, языковые и программные средства диалоговой системы должны обеспечивать получение как ЛПР, так и вычислительной системой разнообразной информации, необходимой для развертывания процесса поиска наилучших альтернатив в условиях наличия формализованных и неформализованных факторов.
 [c.188]

Плановое решение в диалоговой системе, как уже отмечалось, формируется в процессе взаимодействия ЛПР и ВС.

ЛПР на основании информации, представленной ВС, оценивает планово-производственную ситуацию, определяет способы распределения ресурсов и использование производственных мощностей, при которых производственная программа, по мнению ЛПР, является оптимальной. При этом в процессе диалога уточняются представления ЛПР и ВС о существующей, прогнозируемой и желаемой ситуациях.
 [c.188]

Задачи принятия плановых решений, в связи с множественностью показателей качества плана, по своей природе являются многокритериальными. Наличие множества критериев, наряду со слабой структуризацией процедуры принятия планового решения, является одной из основных причин, обусловливающих объективную необходимость создания диалоговой системы планирования.
 [c.191]

Рис. 6.1. Схема функционирования диалоговой системы.

Диалоговая система планирования обеспечивает такое распределение ресурсов между множествами способов производства, при котором, с точки зрения ЛПР, выполняются соотношения системы показателей с выбранными уровнями удовлетворения.
 [c.196]

Эффективность диалоговой системы принятия решений в значительной мере определяется качеством представления знаний в вычислительной системе.
 [c.196]

В связи с этим рассмотрим известные [106, 107] подходы к представлению знаний в диалоговых системах с точки зрения их применимости в системах принятия управленческих решений.
 [c.196]

В диалоговых системах, базирующихся на естественном языке, в вопросно-ответных системах нашли применение языки предикатов. Предикатные языки эффективно описывают формальные математические тексты.

Разнообразие свойств и состояний производственно-экономических систем, неоднозначность и множественность внешних и внутренних связей и преобразований практически исключают возможность использования предикатных языков для описания экономической среды.
 [c.196]

Сложные понятия, не поддающиеся явному описанию в виде предикатных формул или отношений в диалоговых системах, описываются так называемыми ролевыми языками или аппаратом фреймов [106]. Фрейм состоит из имени понятия /, обязательных ролей р,, р2,. .., рт и необязательных ролей рт + j, pm+2. …. Рп  [c.197]

Реализация диалоговой системы принятия плановых решений связана с выбором языковых и математических средств описания прикладной предметной области, созданием развитой информационной базы, разработкой формальных и неформальных процедур идентификации, анализа производственно-экономических ситуаций и принятия решений, программной реализации указанных процедур, а также с использованием технических средств, обеспечивающих интерактивный режим обработки информации.
 [c.201]

Необходимо отметить, что предложенная процедура обеспечивает эффективное распознавание производственных ситуаций и может быть использована в многошаговых алгоритмах принятия решений в диалоговых системах.
 [c.215]

Дезагрегирование показателей 17 Диалоговая система планирования
 [c.226]

АСУ рекомендующее решение” (принятие плановых решений) 169, 172 диалоговой системы 194 комплекса программных
 [c.229]

Использование нечеткой логики 1. Диалоговые системы медицинской диагностики [69]. 2. Принятие решений при оценке функционального состояния человека.
 [c.93]

Разработанная на кафедре технологии машиностроения и ремонта многоцелевая диалоговая система проектирования технологических процессов предназначена для решения следующих задач проектирование единичных и групповых технологических процессов организация, хранение и предоставление в соответствии с запросами пользователя информации о материалах, трудоёмкости изготовления, средствах технологического оснащения, загрузке оборудования, потребности в режущем инструменте и расходных материалах и др. [27, 30].
 [c.210]

Следующий шаг — выделение частей, реализуемых как подсистемы реального времени. Существует два принципиальных отличия системы реального времени от просто диалоговой системы.

Первое из них связано с концептуальным уровнем в системе реального времени время поступления события в систему само по себе несет определенную информацию, которая не может быть закодирована.

Второе связано с уровнем реализации время от-
 [c.110]

Таким образом, в ИС включаются и те типы систем, которые еще десять — пятнадцать лет назад рассматривались как отдельные от ИС диалоговые системы решения задач и системы управления различными технологическими процессами (как ИС не рассматриваются системы прямого управления механизмами и агрегатами, но возможно их использование как компонентов ИС).
 [c.115]

Выбор позиций 1—6 приводит к появлению на экране меню следующего уровня. Выбор позиции 9 — к выходу из диалоговой системы. Позиции 7 и 8 имеют вспомогательное значение.
 [c.328]

Борьба с указанными трудностями состоит, прежде всего, в переходе к человеко-машинам, диалоговым системам выработки плановых решений.

В рамках этих систем специалисты, ЛПР включаются в процесс расчета на ЭВМ и этот процесс последовательно корректируется на основе их неформальных суждений и оценок.

В современной вычислительной технике есть эффективные средства ведения диалога человека с ЭВМ.
 [c.118]

В книге на основе отечественного и зарубежного опыта применения микроЭВМ в сфере управления, а также непосредственного участия авторов в работе по внедрению вычислительной техники на ряде предприятий Киева и Софии теоретически обоснована диалоговая система хозяйственного учета на персональных ЭВМ и показана практика ее реализации по всем участкам учета промышленного предприятия.
 [c.5]

Исходя из требований микрокомпьютерной технологии обработки данных рассмотрено информационное, правовое, организационное и эргономическое обеспечение диалоговой системы учета.
 [c.6]

При выборе локальной сети как технического базиса диалоговой системы хозяйственного учета необходимо учитывать как особенности конкретных сетей, так и информационные характеристики и требования функций хозяйственного учета.

В условиях хозяйственного расчета и самофинансирования не менее важное значение должно уделяться также вопросам эффективности и окупаемости компьютеризации организационно-управленческой деятельности, т. е.

должен учитываться фактор стоимости локальных вычислительных сетей.
 [c.73]

Постановка конкретной задачи состоит в определении ее сущности, выходной и входной информации по задаче, алгоритма ее решения. Порядок описания постановок задач и алгоритмов их решения на ЭВМ определен ГОСТ 24.204 — 80 и 24.211—82 системы технической документации на АСУ.

Вместе с тем эти документы ориентированы на условия централизованных систем обработки данных и, по нашему мнению, имеют избыточную описательную информацию.

В связи с тем, что в проектировании диалоговой системы хозяйственного учета непосредственное участие должен принимать бухгалтер (а при развитии системы — самостоятельно ставить и решать задачи на ПЭВМ), эти документы могут и должны быть значительно
 [c.80]

Специалист в прикладной области, а тем более высокой квалификации, не может тратить много времени на изучение основ программирования и архитектуры ЭВМ, операционных систем и т. п. Поэтому современные диалоговые системы должны учитывать особенности человека (ограниченный объем внимания, забывчивость, потерю внимания при длительности ожидания
 [c.143]

При создании диалоговой системы хозяйственного учета, базирующейся на сети функциональных автоматизированных рабочих мест (АРМ) исполнителей учетно-информационных и аналитических работ, необходимо исходить из общих принципов технологии системы учета.
 [c.151]

Информационная технология диалоговой системы хозяйственного учета является, как уже отмечалось в 2.3, в своей основе децентрализованной, или распределенной. Децентрализация сейчас стала одним из доминирующих направлений в развитии современных систем обработки данных.
 [c.152]

Распределенная диалоговая система хозяйственного учета может базироваться на сетевых файловых организациях двух типов. При первом способе файлы распределены по сети, включающей только АРМ работников учета, а при втором способе функциональными АРМ дополнительно используется информация центральных баз данных ВЦ.
 [c.154]

По функциональной роли, которую выполняют файлы в распределенной диалоговой системе хозяйственного учета, их можно подразделить на два вида динамические и статические. Динамические файлы отражают хозяйственные средства, их источники и процессы в режиме реального времени.

В них информация поступает сразу после совершения хозяйственных операций или в момент оформления на микроЭВМ первичного документа, представляя, таким образом, как бы динамическую книгу системы. К статическим файлам относятся справочные, нормативные, расценочные и т. п.

Может быть названа статической книгой система, которая, безусловно, должна постоянно корректироваться на изменения и дополнения.
 [c.154]

При создании диалоговой системы хозяйственного учета для каждого функционального АРМ должны быть решены два основных вопроса  [c.154]

Диалоговые системы решения экономических задач для пользователей-специалистов в области экономико-организационного управления должны обеспечивать относительно простые, но надежные сервисные функции по синтактическому, логическому и численному контролю исходных данных корректировке хранимой в памяти ЭВМ информации прерыванию процедуры выполнения алгоритмического процесса с возвратом в ближайшую к прерванной процедуре точку алгоритма с восстановлением соответствующих ей исходных состояний файлов.
 [c.172]

Диалоговые системы должны использовать достижения эргономики и современного дизайна. Привлекательный по цветности, графике диалог, многооконность делают работу комфортной, менее утомительной и более производительной.
 [c.175]

Диалоговые системы различаются между собой по различным признакам виду обрабатываемой информации, технической базе, автономности и тд. Для выбора диалоговой системы, ориентированной на решение однотипного класса задач, устанавливается система критериев или показателей оценки.

Целесообразно эффективность диалоговой системы определять с точки зрения пользователя, который главными показателями системы считает время отклика и время ожидания обслуживания, время решения задачи и степень мобильности, обеспечивающей пользователю перечень действий в нерегламентных условиях.

/
 [c.177]

Динамические модели и сценарии нередко комплексно используются при системном анализе и разр подход применяется в диалоговых системах, где руководитель может оценить будущее развитие с данные с учетом собственного видения проблемы.
 [c.112]

Фаттахов Р.В. Диалоговая система оценки крупномасштабных проектов в
 [c.264]

Рис.5.4. Многоцелевая диалоговая система САПР ТЕХПРО

Результаты исследований, изложенных в монографии, реализованы в виде программных систем, специализированных для решения задач технологической подготовки производства TEHPRO , обоснование парка металлорежущих станков с ЧПУ для многономенклатурного производства отраслевых методик Многоцелевая диалоговая система проектирования
 [c.288]

Быков А.В. и др. Многоцелевая диалоговая система проектирования технологических процессов механической обработки на персональных ЭВМ / Быков А.В., Быков В.В., Бокарев А.В. и др, //Проблемы лесного машиностроения / Науч. тр. Моск. лесотехн. ин-т. – выл, 251. – М МЛТИ, 1992.-С. 4-9.
 [c.291]

На основе этого базового системного программного обеспечения, выступающего в роли общего инструментального средства, разрабатываются нужные программные модули и таким образом как бы персонализируется решение задач конкретной предметной области хозяйственного учета и экономического анализа, например учета основных средств, производственных запасов и т. д. Для диалоговой системы хозяйственного учета на базе использования персональных профессиональных микроЭВМ характерна во многом безбумажная информационная технология обработки данных. Вся необходимая для решения функциональных учетных задач информация организуется, хранится и ведется во внешней памяти ЭВМ. Это обеспечивает возможность оперативной ее обработки для целей учета, контроля, экономического анализа и управления не за традиционно принятый в бухгалтерском учете месячный цикл, а за любые другие периоды — день, пятидневку и т. п.
 [c.152]

Создание сетевых файловых систем и РБД будет играть решающее значение в становлении и развитии диалоговой системы хозяйственного учета на базе персональных автоматизированных мест работников учета.

Это позволит оптимизировать организацию информационной базы учета, повысить достоверность и снизить избыточность данных. Это вытекает из того, что многие информационные файлы общесистемны для АСУП, будут вестись централизованно на ВЦ и использоваться всеми АРМ учетных служб.

Другие файлы являются общеподсистемными, необходимыми для решения задач на всех или большинстве функциональных учетных АРМ. К таким файлам относятся, например, файлы бухгалтерских записей по синтетическим счетам, различные справочные файлы (корреспонденции счетов, классификаторы и т. п.

), файлы накапливаемой информации (оборотов и сальдо по счетам, для формирования отчетности, анализа и т. п.). Эти файлы должны вестись только на одном АРМ (в одном пункте сети) и поддерживаться в достоверном и рабочем состоянии необходимыми способами, а использоваться эти файлы будут всеми АРМ.

При этом должны быть определенные режимы использования каждого файла соответствующими АРМ только чтение, чтение и запись и т. п.
 [c.153]

По назначению динамические файлы распределенной диалоговой системы хозяйственного учета можно подразделить на хронологические и систематические.

Хронологические файлы отражают хозяйственные процессы в текущем (хронологическом) порядке.

Систематические файлы — это выходные файлы-машинограммы, в которых учетные данные группируются в разрезах, необходимых для управления, контроля, экономического анализа.
 [c.154]

Источник: https://economy-ru.info/info/43867/

Интеллектуальные диалоговые системы с интерфейсом на естественном языке

Диалоговые системы

Как Вы уже наверно поняли, речь пойдет о так называемых виртуальных собеседниках или, как их еще называют, чат-ботах.

В названии поста я умышленно использовал понятие «интеллектуальная диалоговая система» (для краткости дальше по тексту сокращенно — ИДС), поскольку считаю, что понятия «чат-бот» и «виртуальный собеседник» полностью дискредитированы и не отражают всей сути этого «явления».

В посте пойдет речь о проектировании ИДС и сложностях, которые при этом возникают. Также будут рассмотрены распространенные алгоритмы, используемые в ИДС, их достоинства, недостатки и многое многое другое. Если эта тема Вам интересна, добро пожаловать под кат.

Зачем нужны ИДС?

Спектр применения подобных систем невероятно широк. Первое, что приходит на ум:

  • для автоматической проверки знаний (школьников, студентов, соискателей на какую-либо должность и т.д.)
  • в качестве автоматизированной службы поддержи пользователей
  • для диагностики (болезней, неисправностей и пр.)
  • для развлечения в конце концов

Как обстоят дела с ИДС в России?

Плачевно. Программ подобного рода довольно много, но подавляющее большинство примитивны и ни о какой интеллектуальности даже речи быть не может. Ни самообучения, ни умения поддерживать беседу на заданную тему как правило нет.

Максимум до чего могут додуматься их создатели — это два десятка строчек кода и база типа вопрос-ответ. Не так давно на глаза попалась компания «Наносемантика», которая создает, так называемых инфов (виртуальных собеседников). Но при близком знакомстве с этими инфами был разочарован.

Выглядит красиво, а на поверку ничего заслуживающего внимания нет.

На сайте компании написано:

Помимо прочего, в комплексную платформу входит база знаний инфа — набор гибких сценариев с заданными вариантами вопросов и ответов на них. Самообучения нет.

Диалог поддерживать инфы не умеют (разве что «учитель» сильно постарается и забьет в базу очень, ну просто очень, много ответов). То есть опять примитив. Но ругать Наносемантику не буду.

Понятно, что это коммерческий проект, преследующий чисто прагматические цели.

Портрет идеальной ИДС

Какой же минимум должна уметь действительно интеллектуальная диалоговая система? По моему глубокому убеждению: 1. Диалоговая система претендующая на интеллектуальность должна уметь поддерживать беседу на заданную тему. В идеале, она должна не просто отвечать на вопросы, но и задавать их, спорить, отстаивать свою точку зрения (ну и иметь ее конечно).

Понятно, что добиться этого на практике очень трудно, но некоторые наработки и идеи (говорю о себе) уже есть. 2. ИДС должна иметь механизм самообучения (хотя бы примитивный). Без этого назвать ее интеллектуальной просто язык не поворачивается. 3.

ИДС должна уметь конструировать ответ на естественном языке (хотя бы в каких-то конкретных случаях), а не просто тупо выдавать забитый в нее ответ. 4. Диалоговая система должна иметь собственную цель. В начале диалога такой целью может быть знакомство с человеком, выяснение его пола, возраста, потребностей, интересов и так далее.

Потом на основе этих данных она должна обращаться к пользователю, например, по имени или по имени отчеству или на Вы/Ты (по желанию человека). Также должен быть механизм «запоминания» и «узнавания». Чтобы в новой беседе не пришлось все начинать сначала. 5. Диалоговая система в ряде случаев должна обладать индивидуальностью и эмоциями.

В противном случае общаться с такой системой будет скучно. 6. Еще одно, пусть не самое важное, но все же необходимое умение — умение выполнять какие-либо действия. Открыть какой-то адрес в интернете, выполнить поиск по сайту, зарегистрировать пользователя, отправить электронное сообщение и так далее.

Естественно, наличие тех или иных умений должно быть обусловлено сферой применения системы. Так, например, автоматической support-системе не зачем (и даже вредно) иметь эмоции. Уже представляю себе разгневанного пользователя, который вместо решения своей проблемы получает в ответ: «А не пошел(-а) бы ты на… Грущу я. Вот!»

Внутреннее устройство ИДС

Практически все ныне существующие ИДС (по крайней мере из тех с чьим устройством я знаком) имеют базу знаний в форме:

фраза пользователя или ее значимая часть|один или несколько вариантов ответа системы

Есть конечно исключения, но в основном это так. Такой подход неизбежно приводит к проблемам. Во-первых, теряется возможность отвечать человеку в соответствии с его полом и приходится просто тыкать/выкать. Во-вторых, приходится учитывать опечатки и ошибки пользователя. А это значит, что в базе должны быть, например, такие записи:

как тебя зовут|меня зовут так-то
как тибя завут|меня зовут так-то

Если ошибки не учитывать, то на вопрос «как тибя завут» программа не ответит адекватно. В-третьих, если база состоит не из полных фраз — неизбежны некорректные ответы системы. Например база содержит такую строку:

сколько лет|Мне 2 года

Очевидно, автор хотел предусмотреть несколько вариантов вопроса о возрасте программы. «Сколько лет тебе?», «Тебе сколько лет?» — на них программа корректно ответит: «Мне 2 года» А что если ее спросят «Сколько лет твоему создателю?» или «Сколько лет планете Земля?» Вероятно, ответ «Мне 2 года» пользователя в этом случае не устроит. В-четвертых, при таком способе хранения знаний очень трудно обеспечить возможность «держать тему». Выводы: описанный метод хранения данных (он является традиционным) не оптимален. При наличии большой базы, которая содержит самые распространенные вопросы, программа может показаться довольно «умной», но как только человек затронет тему не представленную в базе, весь интеллект тут же испарится и система начнет дико тупить. Если Вы решили, что я категорически против описанного метода хранения данных, то Вы ошибаетесь. Такой подход имеет право на жизнь (с определенными оговорками), но если используется только он, то это тупик. Итак, в каких же случаях и при каких условиях можно использовать традиционный способ хранения знаний в базе данных ИДС? 1. Непосредственно перед поиском в базе реплика пользователя должна быть проверена на возможные опечатки и ошибки. Естественно при их наличии они должны быть исправлены. Сделать это можно с помощью специального модуля — спеллчекера. 2. В базе должен храниться полный вариант реплики пользователя, а не просто ее значимая часть. Это позволит исключить ошибочные ответы системы. Действительно, зачем использовать морфологию, синтаксис, семантику и другие средства, если нужно дать ответ на вопрос «Как дела?». Такие очень распространенные вопросы можно (а порой полезно, например, для быстродействия) хранить в базе традиционным способом. Как же хранить все остальное? Я считаю, что для этих целей нужно разработать внутренний язык, понятный системе. То есть запрос пользователя подвергается предварительной обработке (например, упомянутые ранее исправление ошибок/опечаток, морфология, синтаксис, семантика и прочее). Далее он переводится во внутреннюю, понятную системе форму. И только после этого ищется в базе. Применяя такой подход можно приводить разные варианты запроса к единому виду. Проиллюстрирую свою мысль. Допустим имеем реплики пользователя:

Сколько тебе лет? Сколько тибе лет?

Какой твой возраст?

Источник: https://habr.com/post/135420/

Диалоговые системы — лекции на ПостНауке

Диалоговые системы

ВИДЕО БАНК ЗНАНИЙ ПостНаука продолжает рассказывать о современных технологиях в проекте «Банк знаний», подготовленном совместно с Корпоративным университетом Сбербанка.

Одним из наиболее интересных, перспективных и захватывающих направлений в области применения современных нейросетевых методов, методов глубокого обучения и вообще, наверное, одной из таких наиболее интригующих областей искусственного интеллекта являются диалоговые системы.

Сейчас исследования в этой области получают название разговорного интеллекта (в простонародье — чат-боты).

Почему это очень интересная задача? Прежде всего, сегодня она становится действительно очень востребованной. Почему? Потому что, по статистике, сегодня пользователей мессенджеров стало уже больше, чем пользователей социальных сетей.

И очевидно, что все компании тоже будут стремиться идти за человеком и предоставлять свои услуги не только, например, через веб-сайты, когда вы должны выбрать какие-то графические элементы на веб-сайте, кликнуть на какие-то ссылки, но и через текстовые каналы коммуникации, когда вы сможете общаться с какими-то сервисами в форме диалога и решать какие-то свои проблемы.

Очевидно, что здесь может быть много применений, начиная с применения в сфере услуг, когда вы можете заказать что-то и подобрать какой-то продукт или услугу в вашем мессенджере, просто общаясь с каким-то чат-ботом.

С другой стороны, это может быть помощь, когда вы решаете какую-то свою проблему, связанную с каким-то сервисом или продуктом, тоже общаясь с чат-ботом как с какой-то службой техподдержки.

В будущем эти чат-боты станут основой некоторых персональных помощников, которые помогут вам спланировать ваш день, понять, чего вы хотите, и, возможно, подсказать вам какие-то решения тех проблем, которые у вас возникнут через пять минут, но про которые вы еще не знаете.

С другой стороны, это очень интересная исследовательская задача, потому что она находится именно в таком русле фундаментальной проблемы искусственного интеллекта.

Можем ли мы сделать такого интеллектуального агента, с которым мы могли бы общаться, как с человеком? И при этом понятно, что у большинства из нас образ искусственного интеллекта — это некоторый робот, который ходит как человек, говорит как человек и действует как человек или даже лучше.

Но на самом деле, если мы посмотрим на построение робототехнических систем, мы увидим, то сегодня антропоморфных роботов не так много, потому что проблемы, связанные с управлением движениями, до сих пор искусственным интеллектом до конца не решены.

И кажется, что если мы хотим перейти именно к самому ядру проблемы, к самой интересной ее части, то мы должны отбросить, например, задачу управления движениями и попытаться именно смоделировать интеллект в форме диалога.

И кажется, что это как раз один из оптимальных путей. Почему? Потому что эта задача может решаться постепенно. То есть агент может сначала вести достаточно примитивные диалоги, потом все более и более сложные.

С другой стороны, так как для нейросетевых систем необходимо много примеров, много данных для обучения, очевидно, что найти много данных для обучения движениям робота, ведения им диалога и взросления не так-то просто.

Нужно искать данные под конкретного робота. Но если мы будем искать данные о диалогах пользователей, например, с какой-нибудь службой поддержки, очевидно, что найти такие диалоги гораздо проще.

Тоже, может быть, не так просто, но все-таки эта проблема проще.

Таким образом, у нас есть данные, на которых мы можем отлаживать и обучать наши системы, с одной стороны. С другой стороны, мы видим, что у нас проблема постепенно нарастает.

И решение этой задачи позволит улучшить жизнь многих людей. Потому что не каждый может себе сразу же, наверное, позволить робота, который похож на человека, в ближайшем будущем.

Но позволить себе какого-нибудь чат-бота, с которым ты общаешься, в принципе много людей сможет.

Сегодня у нас есть некоторый уже сложившийся подход к разработке диалоговых агентов, или разговорных диалоговых систем, или разговорных агентов. Из чего состоит такой стандартный современный чат-бот? Он состоит из нескольких основных частей.

Первая часть — это некоторый блок, цель которого — понять, о чем же говорит пользователь. Чтобы что-то ответить пользователю, для начала нужно понять, чего же он хочет и о чем он говорит.

Вообще традиционные архитектуры в основном направлены на разработку так называемых целеориентированных диалоговых систем. Что значит «целеориентированные диалоговые системы»? Это та диалоговая система, которая направлена на решение какой-то конкретной проблемы пользователя.

Например, это заказ пиццы или бронирование гостиницы. Таким образом, этот первый блок называется natural language understanding — блок понимания реплик на естественном языке.

Его цель — получить на вход предложение от пользователя, некоторый запрос или сообщение, говорящее о параметрах того, что пользователь хочет получить, и извлечь из этого значение тех переменных, о которых я говорю.

Если пользователь говорит: «Я хочу заказать пиццу „Маргарита“ с доставкой через три часа на улицу Первомайская, дом 9», то бот должен из этой фразы как бы понять, что речь идет об улице Первомайская, доме 9, типе пиццы и о том, когда эта пицца должна быть доставлена.

Это как раз функция первого блока обработки в диалоге. То есть на входе этого блока имеется входное предложение, на выходе этого блока имеется описание фразы в терминах внутреннего представления системы (обычно это называется dialogue frame).

Это некоторый фрейм, в котором заполнены переменные.

Естественные и искусственные нейросети

Затем есть следующая часть системы, так называемый трекер состояния диалога (dialogue state tracker).

Он берет на вход то, что мы извлекли из текущей фразы, и он имеет уже текущее состояние диалога, то есть что мы уже раньше узнали от пользователя о том, что он хочет.

И он совмещает эти две вещи, таким образом устраняя какую-то неопределенность в решении задачи. Фактически это та часть, в которой у нас хранится история нашего взаимодействия с пользователем.

Следующая часть должна принять решение, что же мы делаем дальше. Это так называемый dialogue manager, policy manager.

То есть это некоторая стратегия ведения диалога, некоторая структура, которая, получив на вход информацию, в каком состоянии диалог находится, принимает решение: либо нам задать какой-то уточняющий вопрос, потому что мы не до конца определили все переменные, которые нам необходимы, либо же, например, спросить подтверждение, так как мы уже все знаем. Или, например, эта часть может сгенерировать какое-то обращение во внешнюю базу данных, запросить какие-то данные. Например, если человек говорит: «Какие фильмы сейчас идут в кинотеатре рядом с метро Тимирязевская?», наша диалоговая система, поняв этот запрос, должна сформировать запрос к базе данных, которая выдаст список всех кинотеатров, по списку этих кинотеатров она должна заполнить список названий фильмов, идущих в ближайших кинотеатрах, и потом выдать его пользователям.

После того как информация, которую мы хотим запросить от пользователя или сказать пользователю, готова, она представлена в каком-то внутреннем представлении системы. То есть это какая-то запись базы данных, это какая-то таблица. Нам необходимо ее прокоммуницировать пользователю.

Сначала мы его поняли, теперь нам нужно ему ответить. Здесь последняя, финальная часть нашей системы работы с пользователем — это так называемая система natural language generation, то есть система генерации ответа на естественном языке.

Она получает на вход команду, что нужно сделать, данные и генерирует ответ, по шаблону вставляя туда те данные, которые она получала от системы. И этот текст представляется пользователю.

Модульная архитектура диалогового агента состоит из модуля понимания, модуля отслеживания состояния диалога, модуля принятия решений и модуля генерации ответа.

Мы сейчас видим, что происходит замена каких-то блоков модульной диалоговой системы на нейросетевые решения. Еще недавно это были там стандартные методы машинного обучения и анализа данных.

А сегодня, например, в блоке понимания высказываний пользователя уже наиболее эффективными являются нейросетевые методы, которые получают на вход последовательность слов. Там могут быть сверточные сети или рекуррентные сети с двунаправленным кодированием.

Они обрабатывают, выделяют признаки в этом предложении, делают некие скрытые внутренние представления этого всего предложения, и затем для каждого слова мы можем решать задачу классификации, к какой переменной, например, относится данное слово.

Например, данное слово относится к названию кинотеатра или ко времени и так далее. Мы таким образом делаем разметку всех слов и, уже получив эти данные, можем заполнить фрейм нашего диалога. А дальше мы можем, например, использовать стандартные методы.

ПостНаука продолжает рассказывать о современных технологиях в проекте «Банк знаний», подготовленном совместно с Корпоративным университетом Сбербанка.

Но и та часть, которая называется dialogue manager, сейчас тоже реализуется на основе нейронных сетей. Здесь как раз используются методы обучения с подкреплением, потому что необходимо научиться выбирать действие, которое максимизирует скорость достижения результата в диалоге.

То есть мы можем учить то, как на основе описания текущей ситуации, то есть нашего состояния диалога, нужно выбирать действия, запросить пользователя или обратиться в базу данных, для того чтобы как можно скорее решить задачу, которую пользователь поставил, и тогда наша система получит подкрепление и сможет обучиться.

Здесь тоже используются нейросетевые методы.

И для генерации текста также сейчас активно внедряются так называемые нейросетевые генеративные модели, когда при подаче некоторых скрытых представлений модель по ним может сгенерировать последовательность, которая наиболее близко соответствует диалогу на естественном языке. И эти нейросетевые методы лучше стандартных, например, методов, основанных на шаблонах, потому что последовательности, которые генерирует нейросеть, более вариативны и богаче, чем-то, что является стандартным ответом по шаблону.

Таким образом, очевидно, что, скорее всего, следующим шагом станет как раз попытка делать сначала по всем модулям to-end-архитектуру, потому что сейчас существуют гибридные архитектуры, в которых часть модулей нейросетевая, а часть модулей — нет. И только-только появляются самые первые исследования последние два года, когда все модули присутствуют именно в нейросетевой имплементации. И очевидно, что все мы, конечно же, хотим и стремимся к тому, чтобы сделать это обучение end-to-end.

Сверточные нейронные сети

Но на самом деле эта описанная модульная архитектура в основном применяется в таком целенаправленном диалоге, при котором разворачивается сценарий, который я описывал.

Но зачастую пользователю необходимо сочетать такой целенаправленный диалог, например, с другой функциональностью, такой как ответы на вопросы или поиск какой-то информации, а также просто поддержание беседы и какое-то развлечение.

Существуют не только такие целенаправленные агенты, но и вообще есть направление, где мы исследуем то, как построить агентов для ответа на вопросы. Также мы исследуем направление, как построить агентов, которые ведут просто такую болтовню, беседу с пользователем.

К чему в идеале мы могли бы стремиться? К тому, чтобы у нас был такой некоторый идеальный агент, такой персональный помощник, который бы объединял в себе разные типы агентов и переключался бы между своими функциональностями, между своими характерами в зависимости от того, в какой задаче он сейчас использовался.

И внедрение таких агентов, конечно же, открывает абсолютно новые интересные задачи, которые необходимо решить. Потому что получается, что такой персональный помощник должен, с одной стороны, хорошо знать своего пользователя, с которым он работает.

Таким образом, он должен накапливать какую-то информацию о нем, подстраивать свои алгоритмы под данного конкретного пользователя.

С другой стороны, он должен иметь возможность интегрироваться с внешними сервисами (например, делать запросы во внешние базы данных, получать оттуда информацию, обрабатывать ее, саммаризировать, выделять важное и это коммуницировать пользователю).

На самом деле это очень интересная исследовательская задача, которую еще предстоит решить. А в идеале мы, возможно, получим такого агента, как в фильме «Она», который бы помогал нам по жизни, шел бы с нами и, возможно, даже у некоторых вызывал бы какие-то теплые чувства.

Источник: https://postnauka.ru/video/82039

Что такое диалоговые системы, или Кое-что об Элизе

Диалоговые системы

Диалоговые системы давно и прочно вошли в нашу жизнь. В заглавии упомянута и на картинке представлена ELIZA — диалоговая система-психоаналитик (сейчас, ее назвали бы чат-бот), родом из 60-ых годов. Если вам интересно, как человек дошел до общения с ботами-психоаналитиками и что еще есть интересного в диалоговых системах, добро пожаловать под кат.

В самом деле сейчас диалоговые системы можно встретить где угодно: если вы звоните в банк, вы общаетесь (по крайней мере сначала) с диалоговой системой, когда вы делаете заказ или пытаетесь задать маршрут в навигаторе — тоже, может быть, вы пользуетесь Siri от Apple или Cortana от Microsoft, и это тоже они.

Чем привлекательны диалоговые интерфейсы? Тем, что это естественный для человека способ получения информации. (Собственно, поэтому робот, с которым вы разговариваете, когда куда-то звоните, называет “автоинформатор”.)

Классификация

Диалоговые системы можно охарактеризовать по следующим признакам: General — Task-oriented (общего назначения — задачеориентированный) и Open Domain — Closed Domain (способный говорить на любую тему или только на строго определенную). В каждой из пар первый компонент существенно сложнее второго. Давайте рассмотрим несколько примеров:

Начнем с самого простого — с автоинформаторов, они совершенно точно task-oriented и closed domain.

Вышеупомянутая ELIZA — closed domain (она умеет говорить только на тему психоанализа), но при этом general — у нее нет четко поставленной задачи, с ней можно “поболтать”.

Еще один пример бота, c которым можно поболтать, — CharRNN от Андрея Карпаты (Andrej Karpathy). Сама CharRNN — это просто нейросетевая модель, которая умеет продолжать данную ей строку, если натренировать ее, например, на субтитрах к фильмам и сериалам, то она научится “отвечать” на ваши реплики.

В этом смысле она является general — у нее нет четко выраженной цели — и open domain — потенциально может говорить на любую тему.

Проблема заключается только в том, что эта модель исключительно простая, она просто продолжает данную ей строку, не имея никакого понятия о диалоге, фразах и даже отдельных словах.

Из примеров остались два: ConvAI — это наше соревнование, о котором ниже, и true AI.

Почему я отдельно выделил, что AI здесь “настоящий”? Потому что сейчас пошла мода называть AI все, что угодно, вплоть до автоинформаторов.

Я же хотел подчеркнуть, что это полноценный искусственный интеллект, способный говорить на любую тему. И — самое важное — он способен вести беседу, то есть имеет представление о диалоге.

ConvAI

Теперь пришло время рассказать о нашем соревновании, чем оно отличается от приведенного выше и зачем мы решили его делать.

ConvAI — это Conversational Intelligence Challenge, соревнование разговорного искусственного интеллекта. А раз это соревнование, то нужно как-то участников сравнивать. И тут оказывается, что стандартные метрики сравнения текстов, известные по машинному переводу BLEU, ROUGE, etc. здесь не работают.

Получается, что машинные метрики, которые мы знаем, не коррелируют с человеческими суждениями (в то время как человеческие оценки между собой прекрасно коррелируют — верхняя правая картинка). Источник [1].

Из этого следует, что сравнивать системы общего назначения между собой пока не представляется возможным — мы просто не знаем, как это делать. Но зато мы совершенно точно можем сравнивать задачеориентированные системы с помощью простейшей метрики Task Completion Rate (TCR).

То есть мы можем их сравнить по количеству диалогов, которые достигли цели. В качестве цели для нашего соревнования мы выбрали обсуждение небольшого куска текста, например, короткой новостной статьи или отрывка из Википедии.

Человек, пообщавшись на тему представленного текста с другим человеком/ботом, ставит свою оценку. При этом мы не даем пользователю информации о “естественности” или “искусственности” интеллекта собеседника.

Базируясь на собранных оценках мы сможем отранжировать ботов наших участников так, чтобы построить цепочку от самого простого CharRNN до человека. (По крайней мере, мы на это надеемся.)

Стоит еще упомянуть, что наш challenge прошел жесткий отбор и был выбран, как NIPS Live Competition этого года. А также то, что соорганизаторами соревнования являются Йошуа Бенжио (Yoshua Bengio), который не нуждается в представлении, а также Александр Рудницкий (Alexander Rudnicky) и Алан Блэк (Alan W. Black) из университета Карнеги-Мэллон (Carnegie-Mellon University).

Всю информацию про соревнование, включая правила, API нашего сервера и другое, можно найти на его сайте convai.io.

Датасеты

Отдельно стоит сказать про доступные датасеты для исследований в области разговорного интеллекта. Существует несколько общедоступных датасетов для диалоговых систем [2].

Прежде всего, стоит выделить Dialog State Tracking Challenge, в этом году он, кстати, будет проводиться уже в шестой раз. Он рассчитан на системы, которые могут вести диалог, отслеживая его состояние (state), то есть является, пожалуй, самым близким к цели нашего соревнования.

Но у этого датасета есть важная особенность — он является closed domain, то есть исключительно рассматривает одну конкретную тему.

Open domain и task-oriented общедоступного датасета не существует, и мы рассчитываем, что после нашего соревнования будет сформирован новый датасет, состоящий из разговоров добровольцев и участников команд с ботами, который будет выложен в общий доступ для всех исследователей.

Заключение

Надеемся, что у вас сформировалось некоторое представление о диалоговых системах.

Более того, если вы хотите попробовать себя в их создании, то мы будем рады вас видеть в качестве участника или добровольца (нам нужны люди, которые будут разговаривать с ботами наших участников).

Если вы не представляете, с чего начать, то мы специально для вас сделали базовое решение. Оно требует немного пререквизитов для запуска — по факту, один только Docker. Так что — дерзайте!

P.S. Если вам интересно поучаствовать в создании искусственного интеллекта не только во время соревнования, но и на постоянной основе, у нас есть открытые позиции. Информацию можно почерпнуть на сайте ipavlov.ai.

Литература

  1. Chia-Wei Liu et al. How NOT To Evaluate Your Dialogue System: An Empirical Study of Unsupervised Evaluation Metrics for Dialogue Response Generation. arxiv:1603.08023
  2. Iulian Vlad Serban et al. A Survey of Available Corpora for Building Data-Driven Dialogue Systems. arxiv:1512.05742

Источник: https://habr.com/post/330228/

Инженер-программист (диалоговые системы). М. М. Зимнев [1988 – – Мир профессий. Человек – знаковая система]

Диалоговые системы

Традиционным режимом взаимодействия человека с электронно-вычислительной машиной является пакетный.

При этом программист пишет программу на формализованном языке программирования, программа “набивается” на перфокарты, из них составляется “колода”, которая передается оператору ЭВМ.

Он вкладывает “колоду” перфокарт в устройство ввода, и машина работает по введенной программе. Результаты работы распечатываются на листах бумаги, которые возвращаются программисту (в лучшем случае через несколько часов).

Это очень неудобно, потому что программист должен заранее предусмотреть все возможные варианты работы ЭВМ и приготовить всю необходимую информацию, к тому же для внесения небольших изменений или исправления мелких ошибок необходимо повторить цикл операций заново.

Современным способом работы с электронно-вычислительной машиной является диалоговый, при котором программист, работая непосредственно за терминалом, управляет работой ЭВМ, сообщает необходимую ей информацию и делает запросы о ее работе.

Средствами, сделавшими возможным такой режим работы, стали многопрограммный режим работы ЭВМ, при котором все программисты работают как бы независимо и одновременно, и терминалы. Большую роль в развитии диалоговых систем сыграло и появление микроЭВМ – персональных компьютеров. При диалоговом, режиме исчезают промежуточные бумажные носители информации: перфокарты, “распечатки” программ и др.

Программист непосредственно работает с ЭВМ, вводя информацию с помощью клавиатуры и наблюдая на экране ответы машины в текстовой или графической форме.

Каким же должен быть диалог? Каковы правила обмена сообщениями для наиболее эффективной работы человека и ЭВМ? На каком языке они должны “разговаривать”? Как строить диалоговые системы, чтобы их мог использовать любой пользователь-специалист, незнакомый с программированием? Вот проблемы, которые приходится решать инженеру-программисту, разработчику диалоговых систем.

Разработчик диалоговых систем должен владеть основами инженерной психологии, изучающей проблемы взаимодействия человека и техники; прикладной лингвистики, изучающей возможности использования языка для решения практических задач, а также знаниями, необходимыми каждому программисту: принципами построения ЭВМ, теорией алгоритмов, математической лингвистикой, современными языками программирования и др. Необходимо также понимать специфику задач конкретной предметной области, в которой будет работать диалоговая система.

Построение диалоговых систем – это нахождение компромисса между многими противоречивыми факторами: между требованиями заказчика к системе и уровнем развития технических средств ее реализации, адекватностью действий системы реальной обстановке и ограниченностью формальной модели, ориентацией языка взаимодействия с системой на неподготовленного пользователя и недопустимостью замедленной реакции системы при обработке сложных запросов.

Основная трудность в работе разработчика диалоговых систем состоит в ее многоплановости и универсальности.

Разработчик должен охватывать все этапы построения системы: составление проекта (предугадывая возможные изменения в требованиях заказчика), анализ предметной области, построение формальной модели, выбор методов представления знаний, разработку алгоритмов системы и организацию диалога пользователя с системой.

Эта профессия предъявляет ряд требований к ее представителям. Разработчик диалоговых систем должен уметь быстро ориентироваться в задачах конкретных предметных областей; находить общий язык с представителями других областей знания; представить реакцию пользователя при работе с системой.

Диалоговый режим изменяет стиль работы не только программистов, но и пользователей вычислительной техники. ЭВМ становится непосредственным интеллектуальным помощником, усиливающим способности человека по обработке и накоплению большого количества информации, которому можно поручить значительную часть черновой работы, используя принцип: “Машина должна работать, а человек – думать”.

В настоящее время основной проблемой при построении диалоговых систем является проблема выбора наиболее эффективного способа взаимодействия человека и ЭВМ.

Развитие современной вычислительной техники характеризуется приближением ее к пользователю, в частности, приближением языков, воспринимаемых ЭВМ, к профессиональному языку специалиста предметной области.

Это отражается также и в способах взаимодействия человека и.- диалоговых систем на разных этапах короткой еще истории их появления и развития.

Первым и до сих пор наиболее распространенным способом ведения диалога является диалог с формальными правилами ответа на запрос ЭВМ. Вот пример запросов с перечислением возможных вариантов ответа, называемый “меню”:

ЭВМ: Выберите подсистему:

1. Игра в шахматы

2. Посадка на Луну

3. Крестики-нолики

Человек: 1.

После ответа “1” ЭВМ переходит к алгоритму игры в шахматы и может предложить выбрать цвет фигур.

ЭВМ: Выберите цвет фигур:

1. Белые

2. Черные

Человек: 2.

И далее система сообщит свой первый ход и будет ждать ответного хода.

По мере накопления опыта построения систем с формальным языком общения выработался определенный свод правил, которого следует придерживаться при работе с такими системами.

Например, машина должна помочь, если человек не знает нужного варианта ответа и запрашивает: “Помоги”. После такого запроса о помощи ЭВМ должна объяснить правила ввода сообщений и напечатать список возможных ответов.

Лучшие системы могут объяснить свои действия, отвечая на запрос пользователя “Почему?”.

Однако диалог с формальными правилами неудобен и длителен при работе с большим количеством разнообразных запросов, на которые опытный пользователь мог бы дать ответ сразу. Так появились системы, воспринимающие некоторые предложения естественного языка.

Как правило, это системы, работающие в очень узкой ограниченной предметной области, в которой можно описать правила анализа несложных предложений с небольшим набором терминов. Вот пример работы системы ПОЭТ (Э. В. Попов и др.

), ведущий диалог с пользователем в области транспортных перевозок.

Пользователь: Какие перевозки водным транспортом были совершены в 1970 году?

Система: Слово “водным” отсутствует в словаре системы. “Водным” понято как характеристика транспорта.

Пользователь: Что известно о видах транспорта?

Система: Различаются следующие виды транспорта: морской, речной, автомобильный и железнодорожный.

Пользователь: Какие перевозки угля морским и речным транспортом совершены в 1970 году?

Система: В 1970 году совершено 5715 перевозок морским и речным транспортом. Надо перечислять все?

Пользователь: Нет. Как система классифицирует перевозки?

Система: Перевозки классифицируются по: отправителю, получателю, виду груза, объему груза, времени.

Системы, понимающие такие предложения и способные формировать свои ответы в виде предложений естественного языка, должны обладать значительными сведениями о правилах доставления русских предложений, о значениях слов и их различных сочетаний, а также иметь модель знаний предметной области, без которых она не могла бы ни выполнить нужных действий, ни даже понять смысла предложения.

Построение диалога на естественном языке без всяких ограничений в настоящее время не представляется возможным. Естественный язык отличает неоднозначность толкования, как отдельных слов, так и структур предложений.

Основной проблемой построения диалоговых систем является проблема представления знаний, которая возникает также при построении систем “искусственного интеллекта”.

Для того чтобы ЭВМ была действительно интеллектуальным помощником человека и могла выполнять сложные действия по обработке и накоплению информации, имитации мыслительной деятельности, принятию оптимальных решений в сложных ситуациях с большим количеством параметров, необходимо хранить в ее памяти множество фактов, отношений и зависимостей между объектами реального мира. Возникают проблемы: как описать знания о внешнем мире, как организовать хранение этих знаний в памяти системы, как изменять и пополнять их по мере обучения системы в процессе работы. Уже построено несколько способов описания структурированных знаний, опирающихся на различные методы математической логики, но они не являются универсальными для широкого круга задач.

Тесно связанной с проблемой представления знаний является и вторая основная проблема построения диалоговых систем – проблема лингвистического обеспечения диалога на естественном языке.

Исследование способов представления знаний о языке для использования их в ЭВМ смыкается с одним из новых направлений в современной лингвистике – структурной лингвистикой.

Однако полное представление языковых конструкций в виде формализованных структур еще не построено.

Диалог является составной частью многих типов систем: автоматизированных систем управления, систем автоматизированного проектирования, автоматизированных систем технологической подготовки производства, систем управления базами данных, экспертных систем и др. Поэтому разработчики диалоговых систем работают всюду, где эти системы создаются: в НИИ, вычислительных центрах, научно-исследовательских лабораториях вузов и т. д.

Разработка крупных диалоговых систем ведется большими коллективами программистов, что требует умения работать в коллективе и, по мере роста квалификации, умения руководить людьми.

Профессия инженера-программиста, разработчика диалоговых систем, еще очень молода, и не существует единой специальности, охватывающей все аспекты проблемы. Подготовка по некоторым из них ведется на математических факультетах вузов по специальностям “Теоретическая кибернетика”, “Прикладная математика”, “Математическая лингвистика”.

Источник: http://genling.ru/books/item/f00/s00/z0000022/st123.shtml

Интеллектуальные диалоговые системы признаки, назначение, примеры, реализация – презентация, доклад, проект

Диалоговые системы
Слайд 1
Описание слайда:

Интеллектуальные диалоговые системы Признаки, назначение, примеры, реализация

Слайд 2
Описание слайда:

Признаки интеллектуальных диалоговых систем Наличие базы знаний Обучаемость Формулировка реплик на естественном языке из имеющихся знаний Исполнение назначения Реплики – полноценные предложения, не набор ссылок

Слайд 3
Описание слайда:

Назначение интеллектуальных диалоговых систем Поддержка пользователей Консультация пациентов (медицина) Разъяснение (образование)

Слайд 4
Описание слайда:

Примеры интеллектуальных диалоговых систем

Слайд 5
Описание слайда:

Инструменты для создания диалоговых систем Конструкторы онтологий (Protégé) Компоненты полнотекстового поиска в составе СУБД (MySQL, MS SQL) Библиотеки для морфологического анализа слов (pyMophy), и синтаксического анализа предложений (SDK грамматического словаря)

Слайд 6
Описание слайда:

Сложности естественного языка Произвольный порядок слов Буря мглою небо кроет Буря кроет мглою небо Омонимия слов и целых предложений Эти типы стали есть у нас на складе Синонимия рассматривать / изучать Морфология падежи / числа / лица / роды / …

Слайд 7
Описание слайда:

Научный стиль речи Четкий порядок членов предложения Использование терминологии во избежание синонимии

Слайд 8
Описание слайда:

Принципы архитектуры 2 этапа, аналогично поисковым системам: Наполнение базы знаний (индексация) Поиск подходящей реплики в базе знаний 3 компонента: База знаний Модуль индексирования Модуль диалога с пользователем

Слайд 9
Описание слайда:

Реализация базы знаний Размеченный файл (XML, JSON) Таблица реляционной базы данных Сетевая база данных Требуется обеспечить удобство заполнения, анализа при поиске и получения грамотных реплик

Слайд 10
Описание слайда:

Индексация Перевод слов в начальную форму (инфинитив глаголов и именительный падеж единственное число именных частей речи) Выделение частей (ключевых объектов и типов связей)

Слайд 11
Описание слайда:

Индексация вручную Из этого следует вывод, что для превращения воды в пар требуется приток теплоты, подобно тому как это имеет место при превращении кристалла (льда) в жидкость Лед является кристаллом

Слайд 12
Описание слайда:

Индексация вручную

Слайд 13
Описание слайда:

Поиск в базе знаний Проблемы: Синонимия Морфология Инструменты: Функции работы со строками Регулярные выражения Платформа ASP.NET

Слайд 14
Описание слайда:

Создание веб-приложения ASP.NET

Слайд 15
Описание слайда:

Создание веб-приложения ASP.NET

Слайд 16
Описание слайда:

Структура проекта

Слайд 17
Описание слайда:

Клиентская часть (Default.aspx)

Слайд 18
Описание слайда:

Серверная часть (Parser.aspx)

Слайд 19
Описание слайда:

Отправка асинхронного запроса

Слайд 20
Описание слайда:

Поиск с помощью регулярных выражений Разбиение вопроса на слова Поиск сказуемого в вопросе Формирование регулярного выражения для сказуемого Формирование регулярного выражения для подлежащего Поиск по двум регулярным выражениям Если результата нет, попытка поиска только по подлежащему

Слайд 21
Описание слайда:

Разбиение вопроса на слова

Слайд 22
Описание слайда:

Псевдоокончания для поиска сказуемых

Слайд 23
Описание слайда:

Поиск сказуемого в вопросе

Слайд 24
Описание слайда:

Формирование регулярных выражений

Слайд 25
Описание слайда:

Поиск по двум регулярным выражениям

Слайд 26
Описание слайда:

Поиск по подлежащему, если предыдущий поиск не дал результатов

Слайд 27
Описание слайда:

Отладка (Default.aspx)

Слайд 28
Описание слайда:

Синонимия

Слайд 29
Описание слайда:

Пути развития Добавление в качестве ключевых объектов изображений, звука и видео Выделение в ответе ссылок на упоминаемые ключевые объекты Озвучивание ответа при помощи веб-сервисов или специальных библиотек Реализация ввода вопроса голосом

Источник: https://myslide.ru/presentation/skachat-intellektualnye-dialogovye-sistemy-priznaki--naznachenie--primery--realizaciya

Book for ucheba
Добавить комментарий