Piłka do gry czy piłka do metalu?

Przez ponad 50 lat językoznawcy i informatycy próbowali z marnym skutkiem nauczyć komputery rozumienia mowy ludzkiej. Katrin Erk, badaczka z uniwersytetu teksańskiego w Austin postanowiła zabrać się do tego ambitnego zadania w nieco inny sposób.

Zamiast tworzyć programy, które sprawią, że komputery będą myślały w podobny sposób jak ludzie lub będą w stanie przeszukiwać słowniki, prof. Katrin Erk z Texas Advanced Computing Center postanowiła zapisać w ich pamięci dużą liczbę tekstów (które odzwierciedlają wiedzę ludzką) i użyć związków pomiędzy słowami do stworzenia mapy znaczeń. – Intuicja podpowiada mi, że można zwizualizować różne znaczenia tego samego słowa jako punkty w przestrzeni – mówi prof. Erk.

Jej zdaniem, znaczenia tych samych słów mogą być odległe, jak np. piłka do gry i piłka do metalu, a czasem znaczenia słów o różnym brzmieniu – bardzo bliskie: np. piłka i bramka (piłka wpada do bramki). Zdaniem badaczki znaczenie słowa w konkretnym kontekście moglibyśmy oznaczyć jako punkty w przestrzeni. – W tej sytuacji niekoniecznie musimy się zastanawiać nad tym, ile znaczeń ma konkretne słowo, zamiast tego możemy powiedzieć – użycie danego słowa jest zbliżone do użycia tego drugiego w innym zdaniu, ale bardzo odległe do trzeciego – wyjaśnia Erk.

Aby stworzyć model, który odtworzy w sposób dokładny naszą intuicyjną zdolność do rozróżniania znaczenia słów, potrzebne jest wiele przykładowych zdań i olbrzymia moc obliczeniowa. – Dolna granica to 100 milionów słów – tłumaczy Erk. – Jeśli zaś dysponowałabym kilkoma miliardami, byłabym jeszcze bardziej zadowolona. Ale jak przetworzyć tę masę informacji? Od tego są superkomputery – mówi Erk.

Karol Chlipalski

Źródło: University of Texas at Austin. „Linguistics researcher develops new system to help computers 'learn’ natural language.” ScienceDaily. www.sciencedaily.com/releases/2013/08/130824131405.htm (accessed July 7, 2015).