Apple a créé un framework d’intelligence artificielle permettant d’étiqueter les données automatiquement plutôt que de devoir recourir à des humains. Pour ce faire, la Pomme se base sur les signaux d’engagement des utilisateurs de Siri…
Comme toutes les intelligences artificielles, les algorithmes de Machine Learning qui permettent le fonctionnement de l’assistant virtuel Apple Siri nécessitent d’être entrainés sur un grand nombre de données. Ces données sont actuellement étiquetées à la main par des êtres humains, et cela requiert un temps fou.
Afin d’accélérer le processus, les chercheurs d’Apple ont développé un framework capable d’étiqueter les données automatiquement à partir des signaux d’engagement des utilisateurs de Siri. Une grande première, quelques jours après la présentation de l’outil de développement IA Apple Overton qui avait déjà fait beaucoup de bruit.
Apple Siri pourra maintenant s’améliorer à partir de l’engagement des utilisateurs
Pour identifier les intentions et les comportements des utilisateurs et distinguer les réactions positives et négatives, les chercheurs ont utilisé différentes métriques. Lorsqu’un internaute clique sur un contenu pour continuer à l’explorer, c’est une réaction positive. Il en va de même si un utilisateur écoute une chanson pendant une durée prolongée. Si l’internaute coupe la parole de l’assistant virtuel pour sélectionner lui-même un autre contenu, il s’agit en revanche d’une réaction négative.
Ces différents signaux ont été collectés (dans le respect de la confidentialité) afin de produire automatiquement des étiquettes pour les données. Elles ont ensuite été combinées avec des étiquettes fournies par des humains, et incorporées à un modèle IA. Les deux types d’étiquettes ont été traités séparément par l’IA, comme deux tâches différentes.
Une base de connaissance externe a ensuite été ajoutée en guise de validateur. Cette base regroupe des entités et leurs relations. Par exemple, si l’on demande à l’IA » quelque chose des Beatles » et qu’elle interprète » quelque chose » comme le titre d’une chanson, le validateur cherchera les meilleures alternatives d’étiquettes.
Selon les chercheurs, cette méthode permet non seulement d’accélérer, mais aussi d’améliorer la précision des systèmes de Deep Learning par rapport aux données étiquetées à la main. Par ailleurs, les signaux d’engagement d’utilisateur peuvent aussi être utilisés pour identifier les points sur lesquels les assistants virtuels requièrent des améliorations. Cette nouvelle approche basée sur l’engagement des utilisateurs pourrait même permettre de proposer du contenu personnalisé en laissant l’assistant virtuel s’entraîner à partir des données de chaque utilisateur…
- Partager l'article :