2019-10-15 13:12:34

ИИ заменит редактора

ИИ заменит редактора

Сравнительно недавно китайцы создали робота, умеющего писать новости. Сразу же вслед за ними корпорация Google запустила искусственный интеллект для написания целого контента службы новостей.

Автор Сергей Станочник

Эти новшества, конечно, не могли пройти мимо журналистов и редакторов новостных изданий, заинтересовавшихся тем, насколько эффективна здесь работа роботов и сможет ли робот на этом поле деятельности заменить человека? Все дело в том, что сегодня идет такой информационный поток, который читатель просто не в состоянии проглотить. А потому основополагающей задачей журналистов здесь становится не просто написание новости, а создание ее оригинальной упаковки, чтобы выделить ее из бесконечного новостного потока, и тем самым привлечь к ней внимание читателей. А вот этого пока сделать искусственный интеллект не может.

Почему робот пока не может создавать креативные заголовки

Как известно, в первую очередь информационному сообщению нужен яркий, оригинальный, подчас неожиданный заголовок, способный мгновенно привлечь читателя. Это с одной стороны. А с другой стороны, заголовок есть самое краткое содержание текста. Ни то, ни другое пока искусственному интеллекту сделать не по силам. Работа нейросетей по созданию заголовков состоит из трех составляющих:

  • • input representer — формы, в которой представлены ключевые слова и идеи;
  • • encoder — программы, рассчитывающие основополагающие направления, изложенные в документе;
  • • decoder, алгоритма, который занимается раскодировкой нужных слов «конспекта».

Но вся эта работа робота-редактора не дает полезных результатов, чаще выдавая очередной курьез.

Метод Abstract Meaning Representation

Abstract Meaning Representation
Abstract Meaning Representation

Метод под названием Abstract Meaning Representation (AMR), что в переводе означает "абстрактное представление значения", дает возможность сделать схожее образование с целыми предложениями без нарушений синтаксических и семантических свойств их структуры. На проводимой Японией в 2016 году конференции по компьютерной лингвистике японские специалисты выдвинули идею – сочетать AMR с ABS с моделью Attention-based summarization, предсказывающей последовательность слов и делающей выжимку из сообщения в соответствии с языковой моделью нейросети и входящего предложения, закодированного математической функцией.

Учитывая то обстоятельство, что учиться на примерах заголовков, сочиненных человеком (к тому же не всегда точно передающих содержание статьи) роботу нелегко, в 2017 году китайские ученые из Пекинского университета предложили свою методику, так называемый «грубо-точный» подход с применением достаточно хорошо изученных техник суммаризации. В результате такого подхода из многочисленного числа «конспектов» при поддержке «модели иерархического внимания», фиксирующей наиболее значимые слова в предложениях, происходит создание заголовка. Однако этот метод весь документ «понимает» с трудом.

Существует еще один подход – применение рекуррентных нейронных сетей, т. е. нейросетей с обратной связью. Данный подход (с нейросетью Long Short Term Memory) изложен в научной работе японских исследователей из Колледжа наук об устойчивых системах (Осака). Но при использовании этого метода задействовано только первое предложение статьи в качестве материала для кодирования и последующей работы. Исходя из этого, авторы этой методики сознаются в том, что чаще всего заголовки на выходе становятся бессмысленным набором слов.

Заказать тексты для сайта

Комментарии 0
Логин и пароль
Запомните логин и пароль для последующего входа