Waylay Projesi, Yapay Zeka Örnekleri

Waylay, geliştiricilerin her yerde kurumsal düzeyde otomasyon uygulamasına olanak tanıyan düşük kodlu bir platformdur. Sensörleri bağlayın, verileri aktarın ve düşük kodlu otomasyonun avantajlarından yararlanmaya başlayın.

Otomasyon kuralları, Waylay platformunun çekirdeğini oluşturur. Geliştiriciler küçük kod parçacıkları yazar (veya önceden var olanları kullanır) ve otomasyon kurallarını tanımlamak için bunları mantıksal işleçlerle birlikte zincirler. Kuralları, hava 3 gün boyunca yağmur yağmadan güneşliyse su fıskiyelerini açmanıza veya birçok sensöründen birinde bir anormallik algılanırsa endüstriyel bir makine için bir inceleme planlamanıza izin veren bir şey olarak düşünün. Bu kuralları birbirine zincirleyerek, keyfi olarak karmaşık otomasyon yazılımı oluşturabiliriz.

Bu otomasyon teknolojisini herkes için erişilebilir kılmak, Waylay'in temel değerlerinden biridir. Bu otomasyon motoruyla ses veya metin kontrolü üzerinden doğal bir şekilde basit bir etkileşim kurabildiğimizi hayal edin. NLP'nin devreye girdiği yer burasıdır. Tipik bir şekilde bir bilgisayarla etkileşim kurmak yerine, bir fabrika işçisinin makinesine "5. fırının sıcaklığı nedir?" veya "Dondurucunun sıcaklığı -10 derecenin üzerine çıkarsa ve kapısı açıksa kritik uyarı verin" demek.

Bunu doğru yapmak kesinlikle kolay değil. İnsanlar tarafından konuşulan kurallar çok fazla belirsizlik içerebilir ve Waylay otomasyon kurallarını doğru bir şekilde ayrıştırmak ve çevirmek için çok fazla zeka gerektirir.

Çözüm

"Geleneksel" yöntemlere dayalı bir derin öğrenme çözümü oluşturmak istiyorsak, halletmemiz gereken birkaç sorun var. Öncelikle, veri eksikliği ile uğraşıyoruz. İnsan sözlerini güçlü bir şekilde ayrıştırmak ve bunları Waylay sisteminin anlayabileceği bir şeye çevirmek için gerekli bilgileri yakalamak amacıyla, farklı konuşma biçimlerini ve farklı Waylay kurallarını kapsayan büyük miktarda veriye ihtiyacımız olacaktır. Bu veri şu anda mevcut değil. Bu verilere sahip olsak bile, yeni bir konuşma tarzına veya yeni bir Waylay kuralına hizmet etmesini istediğimiz her seferinde modelimizin yeniden eğitilmesi gerekir.

Sorunlarımızı çözmek için hızlı mühendisliğe dönüyoruz. Zor işi bizim için yapması için GPT3'ü kullanabilirsek, yeni vakalarla başa çıkmak için yeniden eğitilmesi gerekmeyen, yüksek düzeyde veri verimli bir sistem oluşturabiliriz. Bu ne kadar güzel olurdu?

Şimdi soru şu hale geliyor: "Kirli işleri bizim yerimize yapması için GPT3'ün yeteneklerinden nasıl yararlanabiliriz?". Ne yazık ki, GPT3'e Waylay'in doğal bir dil girdisine dayalı olarak ihtiyaç duyduğu doğru dahili veri yapısını çıkarmasını öğretmek çok zordur. Neyse ki, zekice bir hack ile bu sorunu çözebiliriz (bunun için Microsoft'taki [3] akıllı insanları takdir etmeliyiz). Çözümümüzde, GPT3'ün kurallı bir cümle çıkarmasına izin vereceğiz. Bu cümle, doğal dil girdimizle aynı bilgileri içerir, ancak daha yapılandırılmış bir şekilde. Örneğin, ifadeler "David'e Paris'te yağmur yağarken dikkatli sürmesini söyleyen bir mesaj gönder" ve "yalnızca Paris'te hava yağmur yağdığında David'e "Güvenli sür!" sms yoluyla' her ikisi de 'Paris'te hava yağmur yağıyorsa, David'e "Güvenli sür!" mesajıyla birlikte SMS gönderin' şeklindeki kanonik cümleye indirgenebilir.

Çözüm

Anlamsal ayrıştırma görevimizi bir çeviri görevi olarak yeniden ifade ederek, tüm zor işi bizim yerimize yapması için önceden eğitilmiş büyük dil modellerinden (GPT3) yararlanabildik. Çözümümüz son derece az veri noktasıyla çalışıyor, yeniden eğitim gerektirmeden yeni durumlara kolayca uyarlanabiliyor ve derin öğrenme modelini kendimiz barındırmamıza bile gerek kalmıyor. GPT3'ün güçlü yetenekleri nedeniyle, çözümümüz görünmeyen senaryolara (ve hatta görünmeyen dillere!) yönelik dikkate değer bir genelleme göstermektedir.

Blog gönderisinin tamamını https://www.waylay.io/articles/nlp-case-study-by-waylay adresinde okuyun Yazar: Karel-D'Oosterlinck