Watson (inteligència artificial)

Watson (inteligència artificial)

Erro al crear miniatura:

El superordenador Watson

Watson és un sistema basat en inteligència artificial capaç de respondre a preguntes formulades en llenguage natural, desenrollat per l'empresa nortamericana IBM. Forma part del proyecte de l'equip d'investigació DeepQA, liderat pel investigador principal David Ferrucci. Se li va assignar este nom en honor del fundador i primer president de IBM, Thomas J. Watson.

Watson respon a les preguntes gràcies a una base de senyes almagasenada localment. L'informació continguda en eixa base de senyes prové de multitut de fonts, incloent enciclopèdies, diccionaris, tesauros, artículs de notícies, i obres lliteràries, de la mateixa manera que bases de senyes externes, taxonomia, i ontologia (específicament DBpedia, WordNet).

Per a provar les seues capacitats reals va participar durant tres dies en febrer de 2011 en un partit especial de dos jocs en el concurs de televisió nortamericana Jeopardy!, derrotant als seus dos oponents humans: Brad Rutter, el guanyador de la major cantitat de diners en tota l'història del programa, i Ken Jennings, el posseïdor del récort per la racha més llarga de campeonats (despuix d'haver guanyat 75 partits). Watson va rebre el primer premi de $1.000.000, mentres Ken Jennings i Brad Rutter varen rebre $300.000 i $200.000 respectivament. Tant Jennings com Rutter varen prometre donar la mitat dels seus guanys respectius a organisacions de caritat seleccionades per ells (Jennings va elegir a VillageReach, i Rutter a Lancaster County Community Foundation), mentres IBM va dividir els guanys de Watson entre dos organisacions (World Vision i World Community Grid).

Watson va superar als seus oponents humans constantment en el dispositiu de senyalisació amprat pel joc, pero va tindre problemes per a respondre a unes poques categories, especialment les compostes per pistes curtes en poques paraules. Per a cada pista, les respostes més provables de Watson es varen mostrar per la pantalla de televisió. Watson va tindre accés a 200 000 000 de pàgines de contingut, estructurat i no estructurat, utilisant quatre terabytes d'almagasenament en disc, incloent el text complet de la Wikipedia en anglés. Watson no estava conectat a Internet durant el joc.

Erro al crear miniatura:

L'arquitectura d'alt nivell amprada per la tecnologia DeepQA, que IBM va utilisar específicament per a Watson.

Watson és un sistema informàtic per a busca de respostes (question answering en anglés), desenrollat per IBM. La corporació ho descriu com "una aplicació de tecnologies alvançades dissenyades per al processament de llenguages naturals, la recuperació d'informació, la representació del coneiximent, el raonament automàtic, i l'aprenentage automàtic al camp obert de busques de respostes," que és "construït en la tecnologia DeepQA de IBM per a la generació d'hipòtesis, la recopilació de proves massives, l'anàlisis i la calificació."

Segons IBM, Watson és un sistema optimisat per a treball que es dissenya per a analítica complexa, que es fa possible per l'integració de processadors massivament paralels de POWER7 i el software DeepQA desenrollat per la corporació. El seu soport d'hardware per a la competició en Jeopardy! comprenia dos unitats en 5 bastidors de nodos controladors, en noranta servidors IBM POWER 750, cada servidor utilisant un processador de 3.5 GHz en 8 núcleus, a on cada núcleu soporta per hardware 4 fils d'eixecució (threads en anglés). El sistema conta en un total de 2880 núcleus de processament POWER7, i un total de 16 Terabytes de RAM. El fet de que el processador POWER7 és capaç de processar en una manera massivament paralela ho convertix en un complement ideal per al software DeepQA integrat en Watson per IBM, que és embarazosamente paralel (és dir, un treball que és fàcilment dividit en múltiples tasques paraleles.)

Segons John Rennie, Watson pot processar 500 giga bytes per segon (l'equivalent d'un milló de llibres). L'inventor principal i consultor sénior de IBM, Tony Pearson, va estimar que el cost total de l'hardware per a Watson va ser de prop de $3.000.000. Rennie ha declarat que el contingut de Watson va ser almagasenat en el seu RAM per al joc, perque les senyes almagasenades en discs durs són massa llents per a accedir.

El software incorporat en Watson va ser escrit utilisant els llenguages de programació Java i C++, i usa dos estructures amprades per l'Apache Software Foundation — l'estructura Hadoop per a computació distribuïda, i el sistema UIMA (Unstructured Information Management Architecture) per a anàlisis de materials impresos — aixina com el software DeepQA desenrollat per IBM i el sistema operatiu SUSE Linux Enterprise Server 11. Segons IBM, Watson usa més de 100 tècniques diferents per a analisar el llenguage natural, identificar fonts, trobar i generar hipòtesis, buscar i puntuar evidències, combinar i classificar hipòtesis.

Funcionament

Introducció al sistema deepQA

Per a poder concursar en Jeopardy!, l'equip de IBM necessitava desenrollar una tecnologia de QA (Question Answering en anglés) que tinguera un rendiment molt paregut i inclús superior al dels campeons del concurs. Necessitaven que Watson encertara més del 85% de les preguntes que responguera i tenia que ser més ràpit que els atres dos concursants en el 70% de les preguntes totals. Quan va escomençar el desenroll de Watson ya s'havia fet investigació en el camp del processament del llenguage natural, i existien atres tecnologies, com PIQUANT o OpenEphyra. Estes estaven entre les millors de la Text Retrieval Conference (TREC), en la qual se'ls donava uns documents i unes preguntes per a respondre en un temps determinat. El problema és que en Jeopardy! les pistes que es proporcionen són molt complexes, tenen un llenguage natural molt ric, en moltes expressions, la majoria de voltes ambigües, i de moltíssims temes totalment diferents. En canvi, en la TREC, les preguntes eren molt concretes i més estructurades, del tipo ¿On va nàixer John Lennon?, en les que resulta més fàcil saber qué estan preguntant. Ademés, el fet de tindre que respondre el 70% de totes les preguntes del concurs significava que necessitaven que Watson fora molt ràpit en trobar la resposta, pero això no és suficient, ya que cal respondre-la be per a conseguir eixa precisió. Per lo tant el sistema devia ser ràpit també a l'hora d'estimar la confiança per a decidir si respondre o no.

Encara que ya s'havia fet investigació en el camp de el QA, Jeopardy! suponia un repte molt major que el que s'havia tingut fins al moment, d'ahí que IBM desenrollara el seu propi sistema, al que varen cridar DeepQA.

Adquisició de contingut

Abans de poder respondre qualsevol pregunta, cal establir el contingut que usarà el sistema quan necessite buscar informació relacionada en la pregunta.

Lo primer que cal fer és buscar eixemples de preguntes per a poder saber de quin tipo seran les que el sistema tindrà que respondre i el domini d'estes. A partir d'un anàlisis d'estes preguntes d'eixemple, cal donar-li a DeepQA un conjunt de diferents fonts d'informació (artículs, obres lliteràries, enciclopèdies…). A partir d'esta base inicial de senyes, el sistema buscarà en atres fonts en la web, extraurà diferents recursos que tinguen relació en les fonts inicials, i els donarà una puntuació en funció de lo informatius que siguen. Per últim, DeepQA fusionarà les fonts que haja trobat en major puntuació en el seu conjunt inicial, aixina tindrà molta més informació i recursos que consultar. Un dels sistemes usats per a adquirir coneiximent de forma automàtica i guardar-los de manera estructurada és PRISMATIC.

Watson té senyes de molts tipos, estructurats, semiestructurados (com a bases de senyes i ontologia) i no estructurats (mencionats anteriorment), d'entre els quals es troben els següents: Wikipedia, Freebase, WordNet, DBPedia i l'ontologia Yago.

Anàlisis de la pregunta

En este pas es rep com a entrada la pregunta que Watson deu respondre, i per lo tant lo primer que cal fer és determinar qué és lo que s'està preguntant per a poder després buscar les respostes. Per a la realisació d'un bon anàlisis, DeepQA utilisa una gran varietat d'algoritmes i sistemes experts. Esta fase està composta de diferents passos.

Classificació de la pregunta

Per a poder buscar qué tipo de resposta necessitem, primer cal saber quin és el tipo de pregunta, si una definició, si una pregunta matemàtica, un puzle… A estes diferents formes de classificar una pregunta se'ls crida Qclasses (Question classes). DeepQA té que determinar a quina classe pertany la pregunta, per a fer-ho utilisa diferents métodos independents entre ells. Açò pot donar resultat a que diferents tècniques detecten classes distintes per a la mateixa pregunta. En cas de trobar dos o més classes incompatibles, es necessita d'un atre component que trie la millor opció. Una volta es té el tipo de pregunta, este resultat servirà per a determinar els métodos i models de machine learning que s'usaran posteriorment.

Detecció del focus i els LATs

El cridat focus d'una pregunta és la part d'esta que és una referència a la resposta. Açò vol dir que si ho substituïm per la resposta, la pregunta es convertix en una afirmació o fet. En els eixemples de preguntes de Jeopardy! següents, la part en negreta és el focus:

• Número de poemes als quals Emily Dickinson va donar permís per a publicar.
• Ella es va unir al Wild West show de Buffalo Bill Cody despuix de conéixer-ho en la Cotton Expo en New Orleans.

El LAT (lexical answer type) és una paraula o chicoteta frase que nos diu com és el tipo de resposta que es demana. Normalment és una paraula que pertany al focus, llevat alguns casos. En els eixemples anteriors, número és el primer LAT, i Ella és el segon.

Trobar el LAT d'una pregunta nos permet determinar si una resposta trobada és instància d'est, és dir, si es correspon en lo que nos demana la pregunta (si el LAT és ella, la resposta té que ser el nom d'una dòna). Per lo tant, serà útil per a determinar si la resposta generada és vàlida o no.

Detecció de relacions

Moltes preguntes contenen relacions de tot tipo, sintàctiques, o entre objectes dins de la frase. Estes es poden aprofitar i buscar-les directament en bases de senyes relacionals, les quals estan estructurades en taules. Per lo tant podem buscar si hi ha alguna en la que es troba la relació que hem trobat. Per eixemple, en la pregunta Són els dos estats que podries estar re entrant si creues la frontera nort de Florida, podríem buscar les fronteres de Florida en alguna base de senyes disponible i trobar la resposta directament allí. El problema és que en un estudi realisat en preguntes de Jeopardy! es va observar que estos casos són molt escassos i la majoria de voltes no servix esta tècnica.

Descomposició

Una part molt important de l'anàlisis d'una pregunta és descompondre-la en diferents preguntes i respondre cada una independentment de les atres. D'esta manera, quant més correcta siga una resposta en cada sub-pregunta, més provable serà que siga la resposta correcta a la pregunta inicial.

Hi ha dos tipos de sub-preguntes. Les primeres són les que es poden analisar i respondre en paralel, ya que no hi ha dependències entre elles. Les atres necessiten respondre's secuencialmente, ya que una pregunta requerix de la resposta d'una atra per a poder respondre's. Per eixemple, en la pregunta Una polèmica película de guerra de 1979 va estar basada en el treball realisat en 1902 per este autor és necessari saber a quina película es referix (Apocalypse now) per a poder trobar l'autor que s'està preguntant.

Generació d'hipòtesis

En esta fase, s'utilisa els resultats de l'anàlisis de la pregunta per a buscar respostes i generar candidats o hipòtesis. Després el sistema tindrà que demostrar que són correctes en un nivell de confiança. Per a conseguir-ho, el procés es dividix en diferents etapes.

Primera busca

Per a escomençar en la generació d'hipòtesis, es realisa una busca en l'objectiu de trobar qualsevol contingut que puga estar relacionada en la resposta. S'utilisen tècniques de busca en texts, consultes en bases de senyes i inclús busca basada en el coneiximent de l'informació.

Generació de candidats

En els resultats de la busca inicial es tenen que generar candidats, que són possibles respostes. Es tenen que extraure de manera diferent per a cada tipo de busca, si es realisa sobre una base de senyes de noms de persones, cada nom trobat pot ser un candidat. En atres tipos a on els resultats de la busca són més llarcs i complexos, es requerixen atres tècniques més alvançades.

En esta fase es generaran tots els candidats que Watson analisarà posteriorment per a validar-los i extraure el millor. Açò significa que si la resposta correcta no es troba entre els candidats, el sistema no podrà respondre la pregunta.

Soft Filtering

De la busca inicial, es generen molts candidats, cada u dels quals té que ser analisat i se li té que donar una puntuació per a determinar lo correcte que és. Açò pot causar problemes, ya que és un procés costós i consumix molts recursos. Per lo tant, abans de puntuar els candidats, es realisa un anàlisis previ no molt exhaust i en menys consum per a eliminar hipòtesis i aixina aforrar càlculs.

El soft filtering (en anglés), consistix en aplicar un filtre als candidats. Este li assigna una puntuació, en algoritmes més llaugers, i segons el resultat es decidix si passarà a la següent fase. Una de les maneres per a calcular esta puntuació és determinar si un candidat és instància de el LAT de la pregunta, és dir, el tipo del candidat és el mateix que demana la pregunta, si és una persona el sistema descartarà tot lo que no es corresponga en una. A este procés se li crida Type Coercion.

Gràcies a este método, dels centenars de candidats que ixen de la generació d'hipòtesis, solament una part passarà a l'etapa de puntuació, i el restant s'enviarà directament a l'etapa de fusió dels resultats.

Puntuació de les hipòtesis

Als candidats que passen el soft filtering, cal analisar-los rigorosament. Este anàlisis consistix en buscar proves sobre la validea de cada candidat i evaluar estos resultats per a poder puntuar les hipòtesis.

Recopilació de proves

Per a poder determinar si un candidat és correcte, cal buscar proves que ho demostren. Una de les tècniques usades consistix en realisar una busca similar a la realisada en l'etapa de generació d'hipòtesis, pero un requisit és que el candidat es trobe en el text. D'esta manera les proves trobades contindran l'hipòtesis en el context usat en la pregunta.

Puntuació

En esta fase és a on es calcula el grau de certea en el que les proves recolzen a cada candidat, usant múltiples tècniques. Estes medixen diferents aspectes i dimensions de la pregunta, és dir, uns algoritmes més simples simplement determinaran si la prova s'assembla a la pregunta, mentres que uns atres tindran en conte atres aspectes, com si el candidat és l'objecte o el subjecte de la frase a on apareix, entre uns atres.

Fusió de les respostes

Abans de procedir a l'etapa final i triar la resposta definitiva, DeepQA fusiona totes les respostes que siguen equivalents o estiguen molt relacionades. Això vol dir que també tindrà que fusionar les diferents puntuacions i proves trobades en l'etapa anterior. Per eixemple, si la pregunta demana el nom d'una persona, Watson fusionarà tots els candidats que siguen noms de la mateixa persona. Açò es deu a que la següent etapa s'usen tècniques basades en les diferències relatives entre els candidats.

Rànquing i estimació de la confiança

L'últim pas inclou estimar una confiança sobre lo correcta que és una hipòtesis, segons les seues puntuacions, i colocar cada candidat en un rànquing. Per a realisar estes tasques, Watson utilisa aprenentage automàtic, el qual necessita que se li entrene en una série de preguntes en respostes conegudes i un model d'aprenentage basat en les puntuacions, per a que aixina escomence en una base de coneiximent vàlit.

Una volta s'obté el rànquing en la seua confiança, Watson ya té lo necessari per a determinar si té que respondre la pregunta i quin usar de totes les que té.

Operació

Per a complir en el requisit principal per a tots els concursants de Jeopardy!, Watson estava obligat a esperar fins que el presentador, Alex Trebek, llegira cada pista en la seua totalitat, i en eixe moment, una llum s'encenia com una senyal per a indicar que el sistema està llest. El primer concursant que activa el botó en el seu brunzidor guanya l'oportunitat de respondre. Watson va rebre les pistes en forma de texts electrònics al mateix temps en que les mateixes varen ser posades a disposició dels participants humans. Després analisaria les pistes en diferents paraules clau i fragments d'oració per a trobar frases estadísticament relacionades. L'innovació principal de Watson no va ser en la creació d'un nou algoritme per a esta operació, sino més be en la seua capacitat d'eixecutar ràpidament mils d'algoritmes provats per a anàlisis del llenguage natural al mateix temps per a trobar la resposta correcta. La provabilitat de la correcció de Watson es medix pel número d'algoritmes que troben la mateixa resposta independentment. Una volta que Watson té un número chicotet de solucions possibles, és capaç de fer comparacions en la seua base de senyes per a determinar si la solució té sentit. En una seqüència de 20 simulacres, els participants humans varen ser capaços d'usar el temps mig de sis o sèt segons que Watson va necessitar per a escoltar la pista i decidir si volien senyalar una resposta. Durant eixe temps, Watson també deu evaluar la resposta i determinar si el resultat és correcte d'una manera suficient per a senyalar. Una part del sistema usat per Watson per a guanyar el concurs varen ser els circuits electrònics que varen rebre la senyal "llest" i després varen examinar si el nivell de confiança de Watson va anar suficientment gran per a activar el brunzidor. Per la velocitat d'estos circuits en comparació a la velocitat dels temps en que els sers humans són capaços de respondre, el temps de reacció de Watson va ser més ràpit que el dels concursants humans llevat quan els humans varen anticipar (en lloc de reaccionar a) la senyal "llest." Despuix de la senyalisació, Watson va parlar en una veu electrònica, sintetisada a partir de gravacions fetes per Jeff Woodman per a un programa de text a veu desenrollat per IBM en 2004, donant les respostes en el format de "resposta i pregunta" associat en Jeopardy!

Vore també

• Deep Blue (computadora)
• Blue Gene
• Inteligència artificial
• Llista de proyectes d'inteligència artificial
• Processament de llenguages naturals
• IA Fort
• Mya (Assistent Virtual)