Uno de los desarrollos recientes en el campo de la PNL es la creciente comprensión de que los enfoques tradicionales de aprendizaje automático como el aprendizaje profundo son inadecuados para resolver los problemas de aprendizaje del lenguaje natural que enfrentan la mayoría de las empresas.
Deep Learning se ha desarrollado para datos estructurados, lo que significa que tiene dos problemas: 1. Necesita muchos datos para entrenarse; y 2. Estos datos deben ser anotados por humanos. (Para obtener más información, vea mi respuesta anterior al respecto).
Compare eso con enfoques como Calibrated Quantum Mesh. Se acerca al lenguaje natural con tres supuestos:
- Cómo terminar con éxito CS50x como estudiante universitario a tiempo completo
- ¿Cuál es la diferencia principal entre la función Calloc y Malloc?
- ¿Qué debo elegir, LPU o Amity Bijwasan?
- ¿Qué habilidades de programación específicas necesitan los estudiantes para producir prototipos en el MIT Media Lab?
- ¿Quora incorporó algún modelo de aprendizaje automático en la función 'preguntas para usted'?
- Nada en un sistema CQM es una clave: par de valores, más bien cada clave se asigna a una distribución de probabilidad de varios valores (estados cuánticos).
- CQM conserva las relaciones y la información el mayor tiempo posible, suponiendo que la mayoría de las cosas estén relacionadas entre sí en una malla cognitiva.
- CQM utiliza restricciones de datos y otras fuentes para calibrar estas probabilidades de malla para aprender, predecir y resolver problemas.
Estamos viendo resultados muy interesantes con CQM, hasta un 98% de precisión en muchos casos. Esta característica tiene mucha más información: INTELIGENCIA ARTIFICIAL Y PROCESAMIENTO DE LENGUAJE NATURAL