Kecerdasan Buatan Bisa Pelajari Pola Bahasa Manusia
Kamis, 01 September 2022 - 01:31 WIB
Mereka membangun model menggunakan Sketch, program synthesizer populer yang dikembangkan di MIT oleh Solar-Lezama. Tetapi Sketch membutuhkan banyak waktu untuk mempertimbangkan program yang paling mungkin.
Untuk menyiasatinya, para peneliti meminta model bekerja satu per satu, menulis program kecil untuk menjelaskan beberapa data, kemudian menulis program yang lebih besar yang memodifikasi program kecil itu untuk mencakup lebih banyak data, dan seterusnya.
Ketika mereka menguji model menggunakan 70 masalah buku teks, mereka dapat menemukan tata bahasa yang cocok dengan seluruh rangkaian kata dalam masalah dalam 60 persen kasus, dan cocok dengan sebagian besar perubahan bentuk kata dalam 79 persen masalah.
Para peneliti juga mencoba pra-pemrograman model dengan beberapa pengetahuan yang seharusnya dipelajari jika mengambil kursus linguistik, dan menunjukkan bahwa itu bisa menyelesaikan semua masalah dengan lebih baik.
Tak lupa para peneliti juga melakukan tes yang menunjukkan bahwa model tersebut mampu mempelajari beberapa pola umum aturan fonologis yang dapat diterapkan di semua masalah.
“Salah satu hal yang paling mengejutkan adalah kami dapat belajar lintas bahasa, tetapi tampaknya tidak membuat perbedaan besar. Itu menunjukkan dua hal. Mungkin kita membutuhkan metode yang lebih baik untuk belajar melintasi masalah," ungkap Ellis.
"Dan mungkin, jika kami tidak dapat menemukan metode tersebut, pekerjaan ini dapat membantu kami menyelidiki berbagai ide yang kami miliki tentang pengetahuan apa yang harus dibagikan untuk mengatasi masalah," tambahnya.
Di masa depan, para peneliti ingin menggunakan model mereka untuk menemukan solusi tak terduga untuk masalah di domain lain. Mereka juga dapat menerapkan teknik ini ke lebih banyak situasi di mana pengetahuan tingkat tinggi dapat diterapkan di seluruh kumpulan data yang saling terkait.
Misalnya, mungkin mereka dapat mengembangkan sistem untuk menyimpulkan persamaan diferensial dari kumpulan data tentang gerakan objek yang berbeda.
Untuk menyiasatinya, para peneliti meminta model bekerja satu per satu, menulis program kecil untuk menjelaskan beberapa data, kemudian menulis program yang lebih besar yang memodifikasi program kecil itu untuk mencakup lebih banyak data, dan seterusnya.
Ketika mereka menguji model menggunakan 70 masalah buku teks, mereka dapat menemukan tata bahasa yang cocok dengan seluruh rangkaian kata dalam masalah dalam 60 persen kasus, dan cocok dengan sebagian besar perubahan bentuk kata dalam 79 persen masalah.
Para peneliti juga mencoba pra-pemrograman model dengan beberapa pengetahuan yang seharusnya dipelajari jika mengambil kursus linguistik, dan menunjukkan bahwa itu bisa menyelesaikan semua masalah dengan lebih baik.
Tak lupa para peneliti juga melakukan tes yang menunjukkan bahwa model tersebut mampu mempelajari beberapa pola umum aturan fonologis yang dapat diterapkan di semua masalah.
“Salah satu hal yang paling mengejutkan adalah kami dapat belajar lintas bahasa, tetapi tampaknya tidak membuat perbedaan besar. Itu menunjukkan dua hal. Mungkin kita membutuhkan metode yang lebih baik untuk belajar melintasi masalah," ungkap Ellis.
"Dan mungkin, jika kami tidak dapat menemukan metode tersebut, pekerjaan ini dapat membantu kami menyelidiki berbagai ide yang kami miliki tentang pengetahuan apa yang harus dibagikan untuk mengatasi masalah," tambahnya.
Di masa depan, para peneliti ingin menggunakan model mereka untuk menemukan solusi tak terduga untuk masalah di domain lain. Mereka juga dapat menerapkan teknik ini ke lebih banyak situasi di mana pengetahuan tingkat tinggi dapat diterapkan di seluruh kumpulan data yang saling terkait.
Misalnya, mungkin mereka dapat mengembangkan sistem untuk menyimpulkan persamaan diferensial dari kumpulan data tentang gerakan objek yang berbeda.
(wbs)
tulis komentar anda