Las respuestas aquí ya cubren casi todo el espectro de áreas de productos prometedores para ML en los próximos 2 a 3 años.
Así que esto es más una esperanza que una promesa de que las máquinas mejoren en “sentido común” ( o tengan mejores modelos mundiales en lenguaje formal ) para que los productos existentes con interfaces basadas en el lenguaje como Siri, Alexa, etc. impulsar ( no incremental ) en su rendimiento.
Para tener una idea del tipo de modelos de mundo que las máquinas pueden crear por sí mismas al leer el libro de cuentos de un niño, aquí hay un extracto de un reciente artículo de ICLR de 2017 Seguimiento del estado mundial con redes de entidades recurrentes, Yann Le Cun y otros
- ¿Qué cosas nuevas podemos hacer a través de la pantalla de doble borde del Samsung Galaxy S6?
- ¿Cuáles son algunos casos judiciales históricos y actos legislativos en la historia de la tecnología?
- ¿Por qué amas tu X220?
- ¿Cómo funciona el mecanismo que hace vibrar un teléfono celular?
- ¿Las redes sociales y la tecnología tienen efectos en las relaciones humanas? ¿Los están fastidiando o mejorando?
El desafío aquí es que, en muchos casos, la información de texto dada por sí sola no contiene toda la información necesaria para comprenderla. Es el modelo o experiencia mundial que tenemos en nuestros cerebros lo que nos permite dar sentido al texto dado utilizando información que no está presente en el texto. Por ejemplo, el ejemplo “infame” de Winograd Schema Challenge de dar sentido a una oración
- El trofeo no cabe en la caja porque era demasiado pequeño.
- El trofeo no cabe en la caja porque era demasiado grande.
Los modelos de aprendizaje automático más avanzados que tenemos hoy en día no pueden vincular el “it” en la oración anterior al objeto correcto ( recuadro en la primera oración, trofeo en la segunda ) en función de los objetos en la oración, algo que un niño de kinder puede hacer con facilidad . En el caso de que un niño no lo haga, todo lo que tenemos que hacer es darle algunos ejemplos y le darán el siguiente: las máquinas de hoy simplemente no pueden hacer lo que un niño puede hacer, incluso con grandes cantidades de datos de entrenamiento. – sus modelos mundiales pálido en sofisticación en comparación con un niño de kindergarten.
El horizonte para resolver el problema “it” puede ser una ventana de tiempo más larga, pero esperamos ver algún progreso real en esta área en los próximos 2 a 3 años …