L’évaluation du contenu textuel, qui comprend la complétion de phrases, la traduction de sites Web et les résumés de contenu textuel produits par les versions d’IA, commence à être monnaie courante. Mais pour les adapter à de nouvelles responsabilités, les échantillons frais doivent généralement être étiquetés par un professionnel de la région, et un spécialiste de la compréhension des machines devra enseigner le nouveau modèle. Cela dit, il n’y a pas suffisamment de machines à trouver des professionnels pour répondre à la demande croissante d’un design spécial.

Une nouvelle collaboration IBM avec Notre Dame et l’application d’approvisionnement ouverte de l’Université du Texas nommée Détective d’étiquettes, permettant à tout le monde d’accéder à des instruments d’intelligence artificielle permettant de gagner du temps. Grâce à cela, les personnes n’ayant aucune expérience préalable de la maîtrise de la machine peuvent créer une conception exceptionnelle de classification de contenu textuel à partir de zéro.

Toute personne chargée de creuser à travers des tonnes de contenu textuel, d’un avocat à la recherche d’un langage périlleux dans un accord à un historien à la recherche de tendances dans une pile de documents, peut tirer profit de l’application de Label Sleuth. Les utilisateurs peuvent peut-être préparer un classificateur pour retrouver les termes qu’ils recherchent dans une botte de foin textuelle en annotant les informations avec Label Sleuth.

Label Sleuth est conçu pour être intuitif et décider rapidement de la mission présentée. Il peut commencer à donner des stratégies pour améliorer l’approche de balisage après avoir acquis quelques dizaines d’illustrations du contenu textuel que les utilisateurs finaux souhaitent isoler. Les utilisateurs finaux peuvent avoir une conception utile en quelques heures.

Dès que le modèle est opérationnel, il est peaufiné par des individus et des équipements. La conception informe le consommateur sur le contenu textuel suivant à étiqueter pour augmenter la fonctionnalité. De plus, cela implique des illustrations qui pourraient avoir été mal étiquetées afin que l’utilisateur puisse les revoir et peut-être les approprier. Le produit reçoit des avis de la personne alors qu’elle commettrait une erreur. Les avis sont de moins en moins nécessaires au fur et à mesure que le temps passe.

Les étudiants du didacticiel peuvent gérer leur connaissance du texte sans étiquette de manière plus efficace en travaillant avec l’aide de Label Sleuth. Ils ont également l’intention d’inclure l’instrument dans des essais pour apprendre à améliorer les algorithmes d’étude active et de classification et à améliorer considérablement les interactions homme-équipement.

La toute première bibliothèque d’applications à inclure des algorithmes pour lire et répondre à des requêtes dans plus de 90 langues et gérer les complications de résolution de problèmes contenues dans des tableaux, des illustrations ou des photos et des clips vidéo.

Un analyseur sémantique le mieux noté nommé Abstract That Means Illustration (AMR), qui convertit le texte en une construction détaillée qui encapsule la signification du texte, a également été mis à jour par IBM. Les constructeurs de logiciels peuvent construire au-dessus de l’analyseur grâce à ce cadre d’informations, qui présente des informations sur les personnes, les destinations et les événements référencés dans le texte et leur relation les uns avec les autres. Les applications peuvent être utilisées pour évaluer l’intégrité des informations des résumés produits par ordinateur ou pour transformer une question en requête de base de données et recevoir une réponse.

Références:

• https://exploration.ibm.com/blog/label-sleuth
• https://www.label-sleuth.org/