Local blog for Italian speaking developers
Presentazione di due nuovi set di dati dialogici basati sul linguaggio naturale
16 ottobre 2019
Pubblicato da Bill Byrne e Filip Radlinski, Research Scientists, Google Research
Agli assistenti digitali di oggi viene richiesto di svolgere incarichi e restituire risultati personalizzati relativamente alle questioni più disparate, come liste di film, prenotazioni di ristoranti e piani di viaggio. Tuttavia, nonostante l'incredibile progresso degli ultimi anni, questi sistemi non hanno ancora raggiunto una capacità di comprensione pari a quella umana. Ciò è dovuto, in parte, alla mancanza di dati di addestramento di qualità che riflettano accuratamente il modo in cui le persone esprimono le proprie esigenze e preferenze a un assistente digitale. La ragione di tale lacuna può essere riscontrata nei pregiudizi che le limitazioni di questi sistemi generano rispetto a ciò che diciamo: il nostro obiettivo è essere compresi, quindi adattiamo le nostre parole a quello che ci aspettiamo che un assistente digitale sia in grado di capire. In altre parole, le conversazioni tipo con gli assistenti digitali di oggi non raggiungono il livello di complessità di dialogo di cui abbiamo bisogno per modellare una capacità di comprensione pari a quella umana.
Per tentare di sopperire a questa lacuna, rilasceremo i set di dati dialogici
Coached Conversational Preference Elicitation
(CCPE) e
Taskmaster-1
. Entrambe le raccolte fanno uso di una piattaforma
Wizard-of-Oz
che associa due persone che intrattengono una conversazione orale del livello che si spererebbe di avere con un assistente digitale altamente efficiente. Per entrambi i set di dati, è stata progettata internamente un'interfaccia Wizard-of-Oz pensata per imitare in modo univoco gli assistenti vocali di oggi, preservando le caratteristiche del discorso orale nel contesto di un sistema automatico. Poiché gli "assistenti" umani comprendono esattamente la richiesta dell'utente, come farebbe qualsiasi persona, siamo in grado di acquisire il modo in cui gli utenti si esprimerebbero realmente con un assistente digitale "perfetto", così da poter continuare a migliorare questi sistemi. Tutti i dettagli del set di dati CCPE sono descritti nel nostro
paper di ricerca
che sarà pubblicato in occasione della
2019 Annual Conference of the Special Interest Group on Discourse and Dialogue
, mentre il set di dati Taskmaster-1 è descritto in dettaglio in un
paper di ricerca
che sarà presentato in occasione della
2019 Conference on Empirical Methods in Natural Language Processing
.
Elicitazione delle preferenze
Nel set di dati
CCPE
orientato ai film, i soggetti nel ruolo di utente parlano in un microfono e l'audio viene riprodotto direttamente alla persona nel ruolo di assistente digitale. L'"assistente" digita la risposta, che viene poi riprodotta all'utente attraverso un meccanismo text-to-speech. Questi dialoghi tra due persone includono le naturali disfluenze e gli errori che si verificano spontaneamente tra gli interlocutori e che sono difficili da replicare con un dialogo generato da sintesi vocale. Questo crea una raccolta di conversazioni naturali ma strutturate sulle preferenze cinematografiche delle persone.
Tra le informazioni contenute in questo set di dati, troviamo che i modi in cui le persone descrivono le loro preferenze siano incredibilmente ricchi. Questo set di dati è il primo a caratterizzare tale ricchezza su scala. Inoltre, le preferenze non sempre sembrano riflettere il modo in cui gli assistenti digitali, o meglio i sistemi di raccomandazione, caratterizzano le opzioni. In altri termini, i filtri presenti sul vostro sito web o servizio di film preferito probabilmente non rispecchiano il linguaggio che usereste per descrivere i generi di film che vi piacciono quando chiedete consiglio a una persona.
Dialogo orientato alla richiesta
Il set di dati
Taskmaster-1
fa uso sia della metodologia descritta in precedenza sia di una tecnica scritta monologica per ampliare le dimensioni del corpus ed estendere la diversità degli oratori: circa 7700 voci monologiche scritte e 5500 dialoghi orali tra due persone. Per i dialoghi in forma scritta, abbiamo coinvolto delle persone per ricreare una vera e propria conversazione basata su scenari specifici per ogni attività, mettendo in atto un gioco di ruoli tra l'utente e l'assistente. Quindi, sebbene i dialoghi in forma orale riflettano in modo più veritiero il linguaggio conversazionale, i dialoghi in forma scritta risultano sufficientemente ricchi e complessi e, al contempo, più economici e semplici da raccogliere. Il set di dati si basa su una di queste sei attività: ordinare una pizza, prendere appuntamento per una riparazione auto, pianificare un servizio di trasporto a chiamata, ordinare i biglietti per il cinema, ordinare un caffè e riservare un tavolo al ristorante.
Questo set di dati, inoltre, utilizza un semplice schema di annotazione che fornisce un punto di partenza soddisfacente per i dati e aiuta gli operatori ad attuare un processo di etichettatura coerente. Rispetto alle tradizionali strategie dettagliate che rendono difficile agli operatori trovare un compromesso valido, noi ci concentriamo esclusivamente sugli argomenti API per ciascun tipo di conversazione, ovvero sulle variabili richieste per eseguire la transazione. Ad esempio, in un dialogo sulla pianificazione di un trasporto in auto, etichettiamo le posizioni "a" e "da" insieme al tipo di auto (economica, di lusso, trasporto collettivo, ecc.). Per i biglietti del cinema, etichettiamo il titolo del film, il cinema, l'orario, il numero di biglietti e a volte anche il tipo di spettacolo (ad es., 3D o standard). La pubblicazione del corpus include un elenco completo delle etichette.
Ci auguriamo che questi set di dati possano essere utili alla comunità di ricercatori per le attività di sperimentazione e analisi condotte sia nei sistemi dialogici sia nei sistemi di raccomandazione conversazionali.
Ringraziamenti
Vorremmo ringraziare i nostri co-autori e collaboratori che, con il loro duro lavoro e le loro competenze, hanno reso possibile il rilascio di questi set di dati: Karthik Krishnamoorthi, Krisztian Balog, Chinnadhurai Sankar, Arvind Neelakantan, Amit Dubey, Kyu-Young Kim, Andy Cedilnik, Scott Roy, Muqthar Mohammed, Mohd Majeed, Ashwin Kakarla e Hadar Shemtov.
Etichette
Android
Firebase
machine learning
Google Cloud Platform
GDL
Eventi
Google Developers Live
Google Play
TensorFlow
App
Chrome
Cloud
api
GDLItalia
GDE
GDG
Google Assistant
iOS
Kotlin
Actions on Google
Deep Learning
AppEngine
AMP
BigQuery
Cloud Functions
Flutter
Android Studio
Google Developers Expert
Università
Google AppEngine
JavaScript
AI
Android Wear
GAE
Google Play Store
HTML5
Maps
security
Android App Development
AngularJS
IoT
Kubernetes
Annunci
Cloud Firestore
Cloud Machine Learning
Google I/O
Polymer
Android Things
Community
DevTools
Google App Engine
intelligenza artificiale
Entrepreneurship
Firebase Analytics
GSoC
Games
Google Cast
ML
open source
Crashlytics
Dart
Diversity
Drive
Google Data Studio
Google Play Games
TensorFlow Lite
Android Developers
Android O
Cloud Spanner
Cloud TPU
Compute Engine
DevFest
Google Compute Engine
Google Developers
Material Design
Mobile
PWA
Python
Startup
AIY Project
ARCore
Android Jetpack
AndroidDev
Androidq
Apps Script
Artificial Intelligence
Augmented Reality
Firebase Cloud Messaging
Google Cloud
Google Maps
Gsuite
IO19
ML kit
Research
VR
coding
unity
#io19
AR
Android Dev Summit
Android Developer
Android Q
Cardboard
Cloud AI
Coral
Developers
Dialogflow
Firebase Realtime Database
Gmail
Google AI
Google Cloud Messaging
Google ContainerEngine
Google Play Console
Kotlin Coroutines
NLP
Programming
Responsive Design
TensorFlowjs
Testing
WTM
Women
beacons
cloud storage
developer
node JS
student programs
women techmakers
API Cloud Vision
Add-ons
Android P
AndroidDevStory
Animation
AutoML
Brillo
Classroom
DSC
Database
Developer Student Clubs
Edge TPU
Fabric
Featured
Flutter Web
G Suite
GWT
GoLang
Google
Google Brain
Google Cloud Next
Google Container Engine
Google Developer Groups
Google I/O Extended
Graph
Hosting
Instant Apps
Keras
Livedata
Mobile Sites
Prediction
Privacy
Project Tango
SDK
Stackdriver
Tales
UI
Udacity
Virtual Reality
Web
Web Development
YouTube
analytics
android security
api.ai
courses
google io
indies
natural language processing
reti neurali
sign-in
young developers
2d Animation
3d
AIY
ARkit
Adversarial Learning
Alpha
Android App
Android App Developmen
Android App bundle
Android Architecture
Android Architecture Components
Android Auto
Android Automotive OS
Android Dev Summit Android Developer
Android Developer Challenge
Android Developers GooglePlayAwards
Android Development
Android Go
Android Instant App
Android Pie
Android Q Scoped Storage
Android Q audio
Android Styles
Android audio playback capture
Android codelabs
AndroidTV
AndroidX
Angular
Aogdevs
Api Design
App Development
App Distribution
Apps
Architecture
Architecture Components
Arduino
Best Practices
Betatesting
Bugs
C++
Certification
Cloud Anchors
Cloud Next
Cloud Run
Cloud Service Platform
Cloud Shell
Cloud Study Jam
Coached Conversational Preference Elicitation
Commerce
Community Connector
Computer Science
Consistency
Containers
Converge
Conversation Design
Crash Reporting
DLS Design
Dagger
Data Science
Databases
Dependency Injection
Design
Developer Communities
Developer Community
Developer Culture
Developer Story
Developing Media Apps
Development
Eager
Edge TPU Dev Board
Education
Emulatore Android
Error Message
Eslint
Europe
Firebase Extensions
Firebase Summit 2019
Firebasehosting
Flutter 1.5
Flutter at IO
FlutterDark
GCE
GDD
Game Development
Gboard
Gesture Navigation
Glass
Go
Google AI Quantum
Google App Script
Google Cloud Functions
Google Cloud billing
Google Coral
Google Developer Days
Google Home Hub
Google IOS Android
Google Identity Platform
Google Launchpad
Google Lens
Google Now
Google Photos
Google Play Devs
Google Play Indie Games Festival
Google Play Instant
Google Plus
Google codelabs
Google+
GoogleDevWeekly
GoogleLaunchpad
GooglePlay
Graphics
Healthcare
I/O
IO
IO19 Flutter
In-app Billing
Indie Games
Indie Games Festival
Indie games showcase
Indie showcase
Ingress
Instant Games
Issues
Java
Jetpack
Knative
Kotlin Beginners
Kotlin Everywhere
Kotlin codelabs
Lighthouse
Live Caption
Live Streaming
Localization
Location
M-Theory
Mondaygram
Monetization
NYT
NativeScript
Navigation
Neural Graph Learning
Neural Structured
Nodejs
OS
OS Updates
Olivex
One Time Codes
Online Education
PHA
Performance Monitoring
Policy
Posenet
Project Mainline
Project Treble
Quantum Computing Theory
Reactive Programming
Regression
Remote Config
Resonance Audio
Room
Scoped Storage
Semantics
Semi Supervised Learning
Serverless
Sms Retriever Api
Sms Verification
Speech Recognition
Swift
Tensorflow Core
Tensorflow Hub
Test Lab
Text
Tokenizer
Tpu
Transformers
UX
UX Design
UX Research
Universal Sentence Encoder
Unsupervised Data Augmentation
Unsupervised Learning
User Experience
Viewmodel
Voice
WWW
Wear OS
WebAssembly
Widget
Women in Tech
WomenTechmakers
android kotlin
app stability
assistant
audio recording
augmented faces
authsub
best practices and updates
billing
botnet
business
c++ games
cancer
chatbot
chrome privacy
codelab
codelabs
competition
daydream
designer
dominio .dev
error handling
event
firebase games
firebase gdc
firebase hosting
firebase unity
game center authentication
game testing
games authentication
gdc
google summer of code
googledevelopers
grow
hashcode
indie
indie developers
internship
kids
machine intelligence
machine learning accelerator
maker
multi-platform
nearby
oauth
openid
performance
persistent AR
privacy sandbox
prizes
prototype
purchase flows
queries
realtime
responsible AI
security rules
showcase
solutions challenge
startup africa roadtrip
startup times
students
summer of code
unity crashlytics
verify apps
win
Archivio Blog
2020
feb
gen
2019
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2018
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2017
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2016
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2015
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2014
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2013
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
Feed
Follow @GoogleDevsItaly