亞馬遜Alexa新算法：無需重新訓練模型，讓AI輕松善解人意

導語：Alexa的“隱式調(diào)用”功能將有可能通過CoNDA技術(shù)直接添加到技能商店，而無需浪費時間重頭訓練模型。

智東西5月5日消息，據(jù)外媒報道，Alexa最近獲得了亞馬遜所謂的“隱式調(diào)用”（name-free skill interaction）功能，這使得它能夠解析未明確指出的第三方語音應用的請求意圖。例如，向Alexa發(fā)出指令：“Alexa，給我一輛車”，你不必指定網(wǎng)約車服務的提供商，它可能就會打開Uber、Lyft或其他一些乘車服務。

但正如Alexa AI研究部門的科學家所說，這并不像看上去那么簡單，因為每次將新技能添加到Alexa技能商店時，理想情況下需要從頭開始重新訓練將話語映射成技能（被稱為“SHORTLISTER”）的人工智能系統(tǒng)，這需要重新訓練所有的原始訓練數(shù)據(jù)，以及與任何新技能相關(guān)的數(shù)據(jù)。而Alexa僅在過去一年就增加了數(shù)萬項新技能，如果神經(jīng)網(wǎng)絡要定期更新，這種做法將非常耗時且不切實際。

幸運的是，在今年新奧爾良舉辦的國際計算語言學協(xié)會（ACL，The Association for Computational Linguistics）北美分會上，Alexa的研究團隊發(fā)表的一篇新論文（《Continuous Learning for Large-scale Personalized Domain Classification》）中，研究人員提出了一種省力的替代方案CoNDA（連續(xù)神經(jīng)預適應，Continuous Neural Domain Adaptation）技術(shù)。它需要“凍結(jié)”AI模型的設(shè)置，并添加適應新技能的新網(wǎng)絡節(jié)點，然后僅在與新技能相關(guān)的數(shù)據(jù)上訓練這些被添加的節(jié)點。

研究人員報告說，在涉及900項技能的訓練數(shù)據(jù)集和100項新技能的再訓練數(shù)據(jù)集的實驗中，表現(xiàn)最佳的SHORTLISTER版本（總共六個版本）在現(xiàn)有技能上達到88％的準確率，僅比從頭開始重新訓練的模型的準確率低3.6％。

一、讓AI理解人類的隱含意思有多難？重頭訓練模型太麻煩

有時候，人們說一句話不會說全，這個時候聽者怎么執(zhí)行就要靠悟性。

人們常說會看眼色行事是高情商的表現(xiàn)，那么機器可以說是低情商的典型，往往只能呆板的執(zhí)行明確的指令，“猜”不出人們話語中的引申義。

要讓機器猜透你的所思所想，那可是相當不容易的一件事，它需要建立一個將人的口頭語映射到智能個人數(shù)字助理中（IPDA）的自然語言理解（NLU）領(lǐng)域任務的神經(jīng)網(wǎng)絡，這個過程叫做域分類（Domain classification）。這是主流IPDA行業(yè)的主要組成部分。

域是智能個人數(shù)字助理中對天氣、日歷或音樂等特定的應用或功能的定義。例如，用戶對Alexa說“我要用優(yōu)步搭車”，相應的域就會調(diào)用“Uber”應用程序。除官方域名外，外部開發(fā)人員還會創(chuàng)建數(shù)千個第三方域名來提升IPDA的能力。

每當讓AI掌握一個新的“引申義”（即增加一個新域），就意味著需要更新這個網(wǎng)絡。

傳統(tǒng)上IPDA只支持數(shù)十個分離良好的域名，為了增加域名覆蓋范圍并擴展IPDA的功能，主流IPDA發(fā)布了允許第三方開發(fā)人員構(gòu)建新域的工具。Amazons Alexa Skills Kit，Googles Actions和Microsofts Cortana Skills Kit就是這樣的例子工具。而且，為了應對新域的涌入，已經(jīng)提出了像SHORTLISTER這樣的大規(guī)模域分類方法，并取得了良好的效果。

隨著越來越多的新域名迅速發(fā)展，大規(guī)模域名分類的主要挑戰(zhàn)之一是在不會失去已知預測能力的情況下如何快速適應新域，一個直截了當?shù)慕鉀Q方案是，從頭開始訓練網(wǎng)絡，重新訓練所有的原始訓練數(shù)據(jù)，以及所有和新技能相關(guān)的數(shù)據(jù)。

而Alexa僅在過去一年就增加了數(shù)萬項技能，如果每增加一個新技能都重新訓練一遍網(wǎng)絡，那將費時費力又浪費資源。

為了解決這一問題，提出了一種高效地更新系統(tǒng)使之適應新技能的解決方案連續(xù)神經(jīng)域適應CoNDA（Continuous Neural Domain Adaptation）。

他們用900個域作為初始訓練數(shù)據(jù)集，用另外100個新域作為測試集，一共測試了6個不同版本的神經(jīng)網(wǎng)絡。

經(jīng)過大量的實驗，結(jié)果證明CoNDA在新域和現(xiàn)有域的測試精度都非常高，100個新域的平均預測準確率達到95.6％，并且在100個新域之后的所有域上累計準確率達到88.2％。表現(xiàn)遠遠超過baseline。

二、CoNDA技術(shù)只針對新技術(shù)進行數(shù)據(jù)訓練

研究人員的方法依賴于嵌入（embeddings），嵌入將數(shù)據(jù)表示為固定大小的向量（坐標序列），坐標序列定義了多維空間中的點，在多為空間中具有相似屬性的項目彼此分組。為了提高效率，嵌入層存儲在大型索引表中并在運行時加載。

像Shortlister這樣的機器學習模型包括多個互相聯(lián)接的功能層，每個層由簡單的節(jié)點（或稱為“神經(jīng)元”組成，節(jié)點之間的連接有關(guān)聯(lián)的權(quán)重，訓練神經(jīng)網(wǎng)絡主要就是調(diào)整這些權(quán)重。

研究人員介紹了CoNDA技術(shù)，它是無名域名分類的最新技術(shù)Shortlister的變種。Shortlister有三個主要模塊。

第一個模塊用于生成表示Alexa用戶指令的向量，使用嵌入曾來表示用戶已啟用的所有技能（通常在10個左右）。

第二個模塊生成啟用技能的單一摘要向量，其中一些技能在話語向量的基礎(chǔ)上進行額外的強調(diào)。

第三個模塊將輸入（用戶話語，結(jié)合啟用技能信息）和輸出（技能分配）映射到同一向量空間，并根據(jù)他們應該執(zhí)行客戶請求的可能性來生成技能的候選名單。

第二個網(wǎng)絡被稱之為HypRank（假設(shè)排名，hypothesis ranker），它根據(jù)更細粒度的上下文信息來細化該列表。

為了提高效率，研究人員將技能嵌入存儲在一個大型查找表中。當有新技能被添加到Shortlister時，嵌入表會添加相應的一行，而所有其他嵌入保持不變。

類似地，Shortlister的輸出層由單行節(jié)點組成，每個節(jié)點對應于一個技能，每添加一項技能，將在該行擴展一個節(jié)點，每個添加的節(jié)點都連接到其下層中的所有節(jié)點。

接下來，凍結(jié)所有網(wǎng)絡連接的權(quán)重（除了新技能對應的輸出節(jié)點的權(quán)重），然后僅針對與技能相關(guān)的數(shù)據(jù)訓練新的嵌入和節(jié)點。

第三個模塊的映射即標準化過程，將矢量長度規(guī)范到統(tǒng)一空間。但當神經(jīng)網(wǎng)絡在新數(shù)據(jù)上重新訓練時，新的向量往往不會經(jīng)歷這種標準化過程。重新訓練的網(wǎng)絡可以簡單地通過使其矢量比其他所有數(shù)據(jù)更長，來確保新訓練數(shù)據(jù)的良好性能。

類似地，當神經(jīng)網(wǎng)絡學習新技能的嵌入時，也可以通過使新技能的向量比其他技能更長來提高性能。為了防止“災難性遺忘”（catastrophic forgetting），在訓練期間，Shortlister評估新技能的嵌入不僅僅考慮整個網(wǎng)絡對新數(shù)據(jù)的分類程度，還考慮其與現(xiàn)有嵌入的一致性。

此外，研究人員們還用另一種技術(shù)來防止災難性遺忘，除了加上新技能的數(shù)據(jù)重新訓練網(wǎng)絡外，他們還從每個現(xiàn)有的代表性技能中提取小數(shù)據(jù)樣本，因為它們最能代表各自的數(shù)據(jù)集。

結(jié)語：CoNDA技術(shù)將有助于語音助手更善解人意

通過CoNDA技術(shù)為IPDA添加新技能的時候，無需進行耗時的再培訓，而是通過“凍結(jié)”AI模型的設(shè)置，添加適應新技能的新組件，并僅用與其相關(guān)的數(shù)據(jù)訓練這些新組件。

此項技術(shù)如果能不斷成熟并被推廣，語音助手將能更快更好地理解用戶的指令，變得更加善解人意。