Waylay

Waylay - это платформа с низким уровнем кодирования, позволяющая разработчикам применять автоматизацию на уровне предприятия в любом месте. Подключайте сенсоры, передавайте данные и начинайте пользоваться преимуществами автоматизации с использованием низкоуровневого кода.

Автоматизационные правила являются основой платформы Waylay. Разработчики пишут небольшие фрагменты кода (или используют уже существующие), а затем объединяют их с помощью логических операторов для определения автоматизационных правил. Правила можно представить как что-то, что позволяет включить систему полива, если было солнечно без дождя в течение 3 дней, или запланировать проверку промышленного станка, если на одном из его множества датчиков было обнаружено отклонение. С помощью объединения этих правил мы можем создавать произвольно сложное программное обеспечение для автоматизации.

Одно из основных ценностей Waylay - сделать эту технологию автоматизации доступной каждому. Представьте себе, если бы мы могли взаимодействовать с этим механизмом автоматизации голосом или текстом, естественным образом. Вот где приходит на помощь NLP. Вместо того, чтобы взаимодействовать с компьютером по обычному образцу, мы можем представить себе, как рабочий на фабрике спрашивает свою машину "Какая температура в печи номер 5?" или говорит ей "Возбудить критическое предупреждение, если температура морозильника поднимется выше -10 градусов, и дверь открыта".

Это действительно непросто. Устные правила могут нести много неопределенности и требуют много интеллекта, чтобы их правильно разобрать и перевести в автоматизационные правила Waylay.

Решение

Если мы хотим построить глубокую обучающую систему на основе «традиционных» методов, у нас возникают несколько проблем. Прежде всего, у нас отсутствует достаточное количество данных. Для надежного разбора устных высказываний и получения необходимой информации для перевода их в понятный Waylay системе формат нам потребуется большое количество данных, охватывающих различные способы общения и различные типы автоматизационных правил Waylay. Эти данные в настоящее время отсутствуют. Даже если бы у нас были эти данные, нашу модель пришлось бы переобучать каждый раз, когда мы хотим использовать ее для нового способа говорить или нового типа правила Waylay.

Мы обращаемся к инженерии запросов для решения наших проблем. Если мы можем использовать GPT3, чтобы он сделал за нас всю тяжелую работу, мы можем построить систему с высокой эффективностью использования данных, которая не требует переобучения для работы с новыми случаями. Как бы это было здорово?

Теперь вопрос стоит так: "Как мы можем использовать возможности GPT3 для выполнения грязной работы за нас?". К сожалению, очень сложно научить GPT3 выдавать правильную внутреннюю структуру данных, которую Waylay требует на основе ввода на естественном языке. К счастью, мы можем обойти это с помощью умного хака (за что мы должны благодарить умных людей из Microsoft [3]). В нашем решении мы позволим GPT3 выдавать каноническое предложение. Это предложение содержит ту же информацию, что и наш ввод на естественном языке, но в более структурированной форме. Например, высказывания "отправить Дэвиду сообщение, чтобы ему было известно, что в Париже идет дождь" и "только когда в Париже идет дождь, скажи Дэвиду "Будь осторожен!" через SMS" могут быть сведены к каноническому предложению "если погода в Париже дождливая, то отправить SMS Дэвиду с сообщением "Будь осторожен!"'.

Вывод

Переформулируя нашу задачу семантического анализа в задачу перевода, мы смогли использовать крупные предварительно обученные языковые модели (GPT3) для выполнения всей тяжелой работы за нас. Наше решение работает с крайне небольшим количеством данных, легко адаптируется к новым ситуациям без повторного обучения, и нам даже не нужно самостоятельно размещать модель глубокого обучения. Благодаря высоким возможностям GPT3 наше решение проявляет замечательную обобщаемость к незнакомым сценариям (и даже к незнакомым языкам!).

Читайте полный блог по адресу https://www.waylay.io/articles/nlp-case-study-by-waylay Автор: Карел-Д'Оостерлинк