Revista I+D en TIC Volúmen 8 Nùmero (1) pp. 31-33 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic/index
Chat inteligente, la herramienta del futuro ¿Cuál es la
mejor manera de crearla?
Smart chat, the tool of the future What is the best way to
create it?
Nadine Castillo, Roymer Camacho, Luis Castilla, Katherine De la Hoz,
Universidad Simon Bolivar, Barranquilla
Resumen
Sabiendo que un chat inteligente es un a poderosa herramienta informática que simula el comportamiento
humano, siendo capaz de mantener una conversación coh erente gracias al aprendizaje profundo de un
determinado lenguaje; se realiza un análisis de los servicios que nos permiten crear este tipo de
herramientas, se escogen las de mayor relevancia como son AMAZON, BLUEMIX y TENSORFLOW;
llegando a la conclusión de que TENSORFLOW es la herramienta más accesible y fácil de usar debido a
que puede empezar a utilizarse sin generar cobro.
Palabras clave:
Inteligencia Artificial, Maquinas de aprendizaje, Redes neuronales, Amazon, Bluemix, Tensorflow.
Abstract
Knowing that an intelligent chat is a powerful computer tool that simulates human behavior, being able to
maintain a coherent conversation thanks to the deep learning of a certain language; An analysis of the
services that allow us to create this type of tools is done, the most rele vant ones are chosen such as
AMAZON, BLUEMIX and TENSORFLOW; Concluding that TENSORFLOW is the most accessible and
easy to use tool because it can start to be used.
Key words:
Artificial Intelligence, Machine Learning, Neural network. ks, Amazon, Bluemix, Tensorflow.
I. Introducción
El aprendizaje profundo es una forma de aprendizaje automático
que se orienta hacia el avance de la inteligencia computacional.
En el aprendizaje de máquina, se expone un equipo poco a poco
a los nuevos datos durante u n período de tiempo y se enseña a
hacer predicciones basadas en esos datos. Luego, los
desarrolladores se remontan en el software y hacen ajustes a los
parámetros con el fin de mejorar la calidad de la predicción.
Cuando se trata de este tema novedoso aparecen diferentes
servicios que facilitan a desarrolladores de todos los niveles de
habilidad el uso de la tecnología de aprendizaje automático. En
el siguiente artículo realizaremos el recuento del desarro llo de
las actividades realizad as para la escogencia de la mejor
herramienta entre:
AMAZON: Amazon Machine Learning – Amazon Lex
BLUEMIX: IBM WATSON
TENSORFLOW
Google emplea Deep Learning en sus algorit mos de
reconocimiento de voz y reconocimiento de imagen basados en
el software libre TensorFlow
En Amazon son pioneros aplicando estás técnicas en tareas
como motores de reco mendación, búsqueda de productos y
detección de fraudes de comercio electrónico. Además están
buscando científicos especializados en machine learning para
expandirse a muchas otras áreas. lo utilizan para adelantarse a
tus gustos y los investigado res del MIT (Instituto T ecnológico
de Massachusetts) para predecir el futuro.
Aprendizaje automático
Amazon y aprendizaje automatico
Amazon Machine Learning es un servicio que facilita a
desarrolladores de todos los niveles de habilid ad el uso de la
tecnología de aprendizaje automático. Amazon Machine
Learning proporciona asistentes y herramientas de visualización
que le guían a lo largo del proceso de creación de modelos de
aprendizaje automático (ML) sin tener que aprender
complicados algoritmos y tecnología de ML. Una vez que los
modelos están listos, Amazon Machine Learning le permite
obtener predicciones de su aplicación co n facilidad utilizando
API sencillas, sin tener que implementar código de generación
de predicciones personalizado ni administrar infraestructuras.
[1]
Revista I+D en TIC Volúmen 8 Nùmero (1) pp. 31-33 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic/index
Amazon Machine Learnin g se basa en la tecnología ML
probada y altamente escalable que la comunidad interna de
científicos de datos de Amazon ha usado durante años. El
servicio utiliza algoritmos potentes para crear modelos de ML
al detectar patrones en los datos existentes. A continuación,
Amazon Machine Learning utiliza estos modelos para procesar
datos nuevos y generar predicciones para su aplicación. [2]
Amazon Machine Learning es altamente escalable y puede
generar miles de millones de predicciones al día, además de
abastecer d ichas predicciones en tiempo real y con un
desempeño excelente. Con Amazon Machine Learning no se
necesita ninguna inversión inicial en hardware o software.
Pagará lo que utilice, de modo que podrá comenzar con pocos
recursos y escalar el servicio a medida que crezca su aplicación.
[3]
IBM Watson Y Aprendizaje Automático
Watson es un sistema informático de inteligencia artificial que
es capaz de responder a preguntas formuladas en lenguaje
natural, desarrollado por la corporación estadounidense IBM.
Forma parte del proyecto del equipo de investigación DeepQA,
liderado por el investigador principal David Ferrucci. Lleva su
nombre en honor del fundador y primer pr esidente de IBM,
Thomas J. Watson.
Watson responde a las preguntas gracias a una base de datos
almacenada localmente. La información contenida en ese base
de datos proviene de multitud de fuentes, incluyendo
enciclopedias, diccionarios, tesauros, artículos de noticias, y
obras literarias, al igual que bases de datos externos,
taxonomías, y ontologías [4].
Tensor flow y Aprendizaje Automático
Las aplicaciones de Google ahora son más inteligentes gracias
al nuevo sistema de aprendizaje automático TensorFlow, que es
más rápido, inteligente y flexible que su anterior sistema. Se
puede adaptar con mayor facilidad a nuevos productos y es
altamente escalable. Se puede ejecutar en un solo teléfono
inteligente o en los miles de ordenadores en los centros de datos.
Además, permite construir redes neuronales hasta cinco veces
más rápidas que el anterior sistema de primera generación usado
por Google.
El sistema de aprendizaje automático TensorFlow está
especializado para el reconocimiento de voz, reconocimiento de
textos y reconocimiento de imágenes, pero su inteligencia
artificial todavía está en s u infancia. Según Google todavía no
puede hacer lo que un niño de 4 años hacer sin esfuerzo, como
saber el nombre de un dinosaurio después de ver solamente un
par de ejemplos, o entender que "vi el Gran Cañón volando a
Chicago" no significa que el cañón estaba volando sobre la
ciudad.
Google ha visto que TensorFlow tendrá un impacto aún más
grande fuera de sus instalaciones y productos. Por ello, para que
su sistema de aprendizaje automático evolucione con mayor
rapidez y hayan más aplicaciones inteligentes, han liberado el
código fuente del proyecto TensorFlow para que investigadores
y desarrolladores colaboren junto a Google para mejorar este
gran sistema de inteligencia artificial. [5]
II. Desarrollo de la investigación
Los modelos basados en reglas facilitan que cualquier persona
cree un chatbot. Pero es increíblemente difícil crear un bot que
responda a consultas complejas. La coincidencia de patrones es
un poco débil y por lo tanto, los bots basados en
AIML(Artificial Intelligence Markup Language) sufren cuando
encuentran una oración que no contiene patrones conocidos.
Además, es mucho tiempo y requiere mucho esfuerzo para
escribir las reglas manualmente. ¿Qué pasa si podemos
construir un bot que aprende de conversaciones existentes (entre
humanos)? Aquí es donde entra en juego el aprendizaje
automático.
Llamemos a estos modelos que aprenden automáticamente de
los datos, modelos inteligentes. Los modelos inteligentes
pueden ser clasificados en:
Modelos basados en la recuperación
Modelos Generativos
Los modelos basados en Recuperación seleccionan una
respuesta de una colección de respuestas basada en la consulta.
No genera nuevas oracio nes, por lo tanto no necesitamos
preocuparnos por la gramática [6]. Los modelos Generativos
son bastante inteligentes. Generan una respuesta, palabra por
palabra basada en la consulta. Deb ido a esto, las respuestas
generadas son propensas a errores gramaticales. Estos modelos
son difíciles de entrenar, ya que necesitan aprender la estructura
de o ración adecuada por sí mismos. Sin embargo, una vez
entrenados, lo s modelos generativos superan a los modelos
basados en recuperación en términos de manejo de consultas no
vistas anteriormente y crear una impresión d e hablar con un
humano (un niño pequeño puede ser) para el usuario .
SEQ TO SEQ
El modelo Sequence To Sequence introducido en el aprendizaje
de representaciones de frases utilizando RNN Encoder-Decoder
para Statistical Machine Translation se ha convertido desde
entonces en el modelo Go-T o para sistemas de diálogo y
traducción automática. Consiste en dos RNNs (Recurrent
Neural Network): un codificador y un decodificador[7]. El
codificador toma una secuencia (oración) como entrada y
procesa un símbolo (palabra) en cada timestep. Su objetivo es
convertir una secuencia de símbolos en un vector de
características de tamaño fijo que codifica sólo la información
importante en la secuencia mientras se pierde la información
innecesaria [8-10].
Revista I+D en TIC Volúmen 8 Nùmero (1) pp. 31-33 Universidad Simón Bolívar, Barranquilla–Colombia. ISSN:2216-1570
http://revistas.unisimon.edu.co/index.php/identic/index
Cada estado oculto influye en el siguiente estado oculto y el
estado oculto f inal p uede se r visto co mo el res umen d e la
secuencia. Este estado se lla ma contexto o vector de
pensamiento, ya que r epresenta la intención de la secuencia.
Desde el contexto, el decodificador genera otra secuencia, un
símbolo (palabra) a la vez.
III. Conclusiones
Luego de analizar de forma detallada las características de los
servicios AMAZON MACHINE LEARNING, BLUEMIX y
TENSORFLOW se encuentra que las tres herr amientas tienen
grandes funcionalidades, sin embargo, están dirigidas a distintos
tipos de clientes ya que dos de ellas AM AZON y BLUEMIX
generan cobro inmediato por su uso, mientras que
TENSORFLOW escogida como la mejor herramienta, puede
trabajarse inicialmente sin cobro, todo está en la necesidad y
posibilidades de cada usuario. Adicionalmente fue posible
determinar que para la creación de un chat inteligente es
necesario utilizar el modelo generativo debido a que este es
capaz de generar una respuesta, palabra por p alabra basada en
una consulta utilizando el modelo Sequence T o Sequence que
tiene como objetivo convertir una secuencia de símbolos en un
vector de características de tamaño fijo que codifica sólo la
información importante en la secuencia mientras se pierde la
información innecesaria.
IV. Referencias bibliograficas
[1] J. Parra, L. Trujillo, and P. Melin, " Backpropagation
learning with a (1+1) ES, " presented at the Proceedings
of the 12th annual conferen ce companion on Genetic a nd
evolutionary computation, Portland, Oregon, USA, 2010.
[2] W. Choi et al., " Hybrid network-on-chip architectures
for accelerating deep learning kernels on heterogeneous
manycore platforms, " presented at the Proceedings of the
International Conference on Compilers, Architectures and
Synthesis for Embedded Systems, Pittsburgh, Pennsylvania,
2016.
[3] J. Goncalves, V. Kostakos, and J. Venkatanathan, "
Narrowcasting in social media: effects and perceptions, "
presented at the Proceedings of the 2013 IEEE/ACM
International Conference on Advances in Social Networks
Analysis and Mining, Niagara, Ontario, Canada, 2013.
[4] Z. Zhang, F. Masseglia, R. Jain, and A. D. Bimbo, "
KDD/MDM 2006: The 7< sup> th</sup> KDD
Multimedia Data Mining workshop report, " SIGKDD
Explor. Newsl., vol. 8, no. 2, pp. 92-95, 2006.
[5] W. W. Zadrozny, S. Gallagher, W. Shalaby, and A.
Avadhani, " Simulating IBM Watson in the Classroom,
" presented at the Proceedings of the 46th ACM Technical
Symposium on Computer Science Education, Kansas City,
Missouri, USA, 2015.
[6] G. Banavar, " Watson and the Era of Cognitive
Computing, " SIGARCH Co mput. Archit. News, vol. 43,
no. 1, pp. 413-413, 2015.
[7] O. Temam, " The rebirth of neural networks,"
SIGARCH Comput. Archit. News, vol. 38, no. 3, pp. 349-349,
2010.
[8] Y. Rivera Julio, " Bases De Datos Geográficas Y
Autocorrelación Espacial Para Identificar P atrones De
Distribuciones Espaciales", Revista Investigación e Innovación
en Ingenierías, vol. 2 (1), 2014.
[9] E. De La Hoz, L. Lopez, y L. Perez, “Modelo de gestión de
relaciones con los clientes en empresas de consultoría”, Revista
Investigación e Innovación en Ingenierías, vol. 5 (2), 2017.
[10] F. Rólon, «Opciones de la banca comercial en productos de
importación,» Dictamen Libre, vol. 12/13, pp. 71-75, 2013.
