پرشین وی چگونه هوش مصنوعی به این مدل سوال ها جواب می دهد؟
علمیسیستمهای پاسخ‌گویی هوش مصنوعی
سیستم‌های پاسخ‌گویی هوش مصنوعی , یک کاربر برای تولید اطلاعات آنلاین نیازمند سیستم‌های اتوماتیک شده و جواب دادن به سوالات
زیادی است.
بنابراین به سیستم‌هایی که کاربر اجازه پرسیدن سوال به هر زبانی و دریافت جواب آن با سرعت و به‌طور مختصر
را دارد، مورد نیاز است.
ماشین‌های جست‌وجو در حال حاضر توانایی رتبه‌بندی لیستی از مستندات مربوطه را دارند، اما آن‌ها توانایی برگرداندن جواب کامل یا
مختصر به کاربرها را ندارند.
سیستم‌های پاسخ‌گویی به سوال این مشکل را مورد توجه قرار می‌دهد.
در آخرین موفقیت‌‌ها در سلسله تحولات پاسخ‌گویی به سوالات که در سال ۱۹۹۹ شروع شد و به‌عنوان بخشی
از کنفرانس بازیابی نوشته نام گرفت، گزارش شده است که بهترین سیستم‌ها در حال حاضر توانایی جواب دادن به بیش
از دو سوم سوالات واقعی را در این تحول دارند.
ابعاد مساله
اصولا برای پاسخ به یک پرسش، سیستم باید سوال را تحلیل و بررسی کند، همچنین باید یکی یا تعداد بیشتری
از جواب‌ها را با نتیجه‌گیری از منابع بیابد و پاسخ به بعضی از فرم‌های مناسب را به کاربر نمایش دهد.
ارزیابی از تست‌های درک مطلب استفاده شده راه متفاوت نزدیک شدن به جواب سوالات را فراهم می‌کند.
همچنین تست‌هایی وجود دارد که برای ارزیابی درک دانش‌آموزان استفاده می‌شود و براساس نتایج آن‌ها، اساس و بنیانی را برای
مقایسه کارآیی سیستم‌ها به منظور رسیدن به کارآیی بیشتر فراهم می‌کنند.
این مساله عنوان یک کنفرانس بود که در سال ۲۰۰۰ توسط جان هاپکینز در تابستان آن سال برگزار شد که
ما خلاصه‌ای از این کنفرانس را توضیح می‌دهیم.
الف- کاربردها:
جواب دادن سوال‌ها کاربردهای بسیاری دارد.
ما می‌توانیم این کاربردها را به زیربخش‌هایی تقسیم کنیم که اساس آن براساس منابع این سوال‌هاست: پایگاه‌ها داده، داده‌هایی نیمه
ساختار یافته یا نوشته‌های آزاد است که ما می‌توانیم در میان تحقیقات حول مجموعه جمع‌آوری شده مشخص، بیشتر تمایز قایل
شویم.
به عنوان مثال: جست‌وجو در وب، جست‌وجو در یک مجموعه یا کتاب یا جست‌وجو روی یک متن ساده
به‌عنوان ارزیابی برای درک مطلب.
سیستم‌های پاسخ‌گویی هوش مصنوعی
ب- کاربرها:
کاربرها می‌توانند مبتدی باشند یا کاربرهای اتفاقی برای تکرار کردن یا کاربرهای حرفه‌ای کسانی که ممکن است از این چنین
سیستم‌هایی در جریان کارهایشان استفاده کنند.
به‌وضوح این کلاس‌های متفاوت از کاربرها به واسطه‌های متفاوتی نیاز دارند که سوال‌های متفاوتی دارند و انواع جواب‌های متفاوتی را
با توجه به نیاز خود می‌طلبند.
ج- سوالات:
ما هنوز متوجه نشدیم که چگونه می‌توان پیش‌بینی کرد چه سوال‌هایی سختتر از سوال‌های دیگری هستند، حول جامعه تحصیلی
تست شده.
این موضوع یک موضوع با اهمیت است.
ما می‌توانیم سوال‌ها را با نوع جواب‌ها تشخیص دهیم، ما در این‌جا تمرکز خود را روی جواب‌های واقعی می‌گذاریم، مانند
تست‌های درک مطلب هرچند انواع دیگری از سوال‌ها را اغلب شامل می‌شوند.
سیستم‌های پاسخ‌گویی هوش مصنوعی
بعد از آن می‌توانیم بین انواع سوال‌ها تمایز قایل شویم؛ سوالات آری / خیر، درخواست‌های غیر مستقیم، تقاضاها.
با تمامی این‌ها باید به‌عنوان یک سوال برخورد شود.
ما اطمینان داریم که بعضی از انواع سوال‌ها از بقیه سختتر هستند.
سیستم‌های پاسخ‌گویی هوش مصنوعی برای مثال (چرا / چگونه) منجر به جواب سخت‌‌تری می‌شوند، به‌خاطر این‌که آن‌ها نیازمند فهمیدن ارتباط
سودمند یا علت به‌وجود آمدن این ارتباط هستند و این‌ها در واقع نوعا به‌عنوان یک علت یا حس متفاوت بیان
می‌شوند.
د- جواب‌ها:
جواب‌ها ممکن است طولانی یا کوتاه باشند آن‌ها ممکن است فهرست‌بندی شده یا مفصل و توضیح داده شده باشند.
آن‌ها ممکن است به مقتضای کاربرد یا مقصود کاربر متفاوت باشند برای مثال اگر کاربر بخواهد و قصد توجیه داشته
باشد این مساله منجر به جواب طولانی‌تری خواهد شد اما جواب‌های کوتاه، تست‌های درک مطلب طبعا نیاز به جواب‌های کوتاه‌تری
دارد.
ه- ارزیابی:
چه چیزی منجر به یک جواب خوب می‌شود؟ آیا یک جواب طولانی، شامل محتوای کافی برای توجیه کردن اندوخته‌های سوال،
به‌عنوان یک جواب خوب می‌تواند در نظر گرفته شود؟ محتوا مفید خواهد بود اگر سیستم چندین جواب داوطلبانه را نمایش
دهد، چون این به کاربر اجازه می‌دهد که جواب درست را بیابد، حتی اگر آن جواب جزو بهترین جواب‌ها قرار
نگیرد اگرچه به بیان دیگر و از طرفی جواب‌های کوتاه می‌توانند بهتر باشند و بیشتر مورد استفاده قرار گیرند.
و- نمایش:
در جست‌وجوی اطلاعات واقعی، کاربری وجود دارد که با سیستم در زبان بلادرنگ ارتباط دارد.
کاربر اغلب با سوال‌های عمومی شروع می‌کند و سیستم مستقیما یا با برگرداندن مستندات به صورت غیرمستقیم بازخوردی فراهم می‌کند.
کاربر سپس جست‌وجو را محدودتر می‌کند بنابراین انواع مختلفی از محاوره را با سیستم به کار می‌گیرد، آسان کردن این
فعل و انفعال محاوره‌ای به‌طور خوشایندی هم آسانی استفاده و هم خشنودی کاربر را افزایش می‌دهد.
علاوه بر این اگر واسط بتواند ورودی مکالمه و گفت‌وگو را کنترل کند این سیستم قابلیت استفاده به منظور دسترسی
محاوره‌ای به اطلاعاتی اساسی وب را فراهم می‌کند.
معماری کلی
الف- تحلیل سوال:
ورودی سیستم لازم است توسط کاربر به این‌که چگونه فرم یا فرم‌هایی نیاز هستند، تحلیل و بررسی شود.
با زیربخش‌هایی از سیستم در محتوای گفت‌وگوی جاری یک سوال ممکن است به‌وجود آید و برای روشن کردن مدلی که
سیستم دارای کاربر است.
کاربر می‌تواند درخواست روشن شدن سوال خود را قبل از پردازش آن داشته باشد.
ب- پردازش مستندات جمع‌آوری شده:
فرض کنید که سیستم به یک مجموعه مستندات بزرگ به‌عنوان منابع دانش برای پاسخ به سوالات دسترسی دارد.
این مجموعه ممکن است قبل از مرتب شدن نیاز به پردازش داشته باشد برای تبدیل آن به این شکلی که
متناسب برای پاسخ به سوالات بلادرنگ است.
ج- انتخاب مستندات کاندیدا شده:
زیرمجموعه‌ای از مستندات از کل مجموعه مستندات انتخاب شده است، به گونه‌ای که داشتن آن مستندات فرض شده بیشترین شباهت
را به محتوای جواب سوال داشته باشد.
د- تحلیل مستندات کاندیدا شده:
اگر مرحله پیش پردازش فقط مستندات در مستندات جمع‌آوری شده را تحلیل کند و تحلیل جزییات اضافی از کاندیداهای انتخاب
شده در مراحل مقدم‌تر ممکن است انجام شوند.
سیستم‌های پاسخ‌گویی هوش مصنوعی
ه- استخراج جواب:
استفاده از نمایش مناسب از سوال و هر کدام از مستندات کاندیدا شده، جواب‌هایی که از
مستندات استخراج شده است را کاندیدا می‌کند و آن‌ها را در جایی با احتمال دقت بالا رتبه‌بندی می‌کند.
و- تولید پاسخ:
پاسخ به کاربر برگردانده می‌شود.
این پاسخ ممکن است تحت تاثیر مدل کاربر و یا محتوای گفت‌وگو باشد، اگر نمایش داده شود.
سیستم‌های پاسخ‌گویی هوش مصنوعی
ابعاد آینده
با وجود این‌که ۴۰ سال از فعالیت می‌گذرد، در ابتدای راه آغاز برای جست‌وجوی پاسخ به
سوال در حوزه تحقیقات هستیم.
جذابیت جدال بر سر پاسخ جواب آن را به شدت جذاب کرده است.
تحقیقات اخیر در این حوزه ابتدا روی ارزیابی پاسخ به سوال کنفرانس بازیابی متن متمرکز شده است هرچند در وسعت
کم‌تر روی کارهای دیگر مانند درک مطالب انجام شد.
در هر صورت ارزیابی رسمی معمولا چکیده‌ای از مساله واقعی است.
این ارزیابی جاری فقط گام اولیه از یک نقشه جاه‌طلبانه برای ارزیابی ابعاد زیادی از پاسخ‌های سوال است.
این مهم است که پاسخ به سوال در دستور کار بزرگ‌تری را یادآوری کنیم که توانایی‌های فعلی ما را برای
ساختن و یا ارزیابی این سیستم‌ها نشان دهد.
در آخر هم باید گفت: تکنیک‌های سنتی و غیر مدرن از پردازش زبان‌های طبیعی با راه‌های استخراج ساختار
ذاتی در واژگان کسترش یافته آن‌ها، ترکیب شده‌اند.
در نتیجه علم محوری می‌تواند برای آسان کردن تنگنای دسترسی به اطلاعات و داده‌های تکنیک‌های دستی، استفاده شود.
فال حافظ 
فال روزانه 
تعبیر خواب 
سوره های قرآن 
سوژه های داغ 
فال روز تولد 
فال چوب 
فال قهوه 
فال قرآن 
