Quantcast
hosting image
Hébergement web Tunisie

Salesforce aims to save you time by summarizing emails and docs with machine intelligence

Nous avons tous vu les études – certains travailleurs américains consacrent plus de six heures par jour à la gestion du courrier électronique. Ce n’est pas une grande utilisation du temps, il détruit la productivité et, en fin de compte, coûte de l’argent des entreprises. Un nouvel article écrit par une équipe Les chercheurs de Salesforce MetaMind pourraient éventuellement fournir des résumés de la communication professionnelle. Des outils de synthèse de texte plus efficaces débloqueront une valeur sérieuse pour les utilisateurs de Salesforce – si la communauté de recherche peut finir de résoudre les problèmes.

L’utilisation de l’apprentissage par machine pour produire des résumés textuels n’est pas facile, en particulier lorsque vous rencontrez des blocs de textes très longs. Les méthodes qui se basent simplement sur la langue du texte source pour produire des résumés ne sont pas très flexibles et les méthodes qui génèrent des langages complètement nouveaux génèrent souvent des phrases incohérentes.

Salesforce tente d’améliorer la précision de la réalisation ultérieure, générant des résumés avec un nouveau langage. Les modifications de l’équipe à la pratique standard incluent l’ajout d’un apprentissage de renforcement et des méthodes pour réduire le langage répétitif et augmenter la quantité de contexte disponible pour maximiser la précision.
Avec l’apprentissage de renforcement, un comportement optimal est établi – dans ce cas, maximisant la précision mesurée par un test formalisé. Le modèle est ensuite invité à renvoyer des résumés successifs et chaque fois que le modèle reçoit un score de précision, il s’adapte dans un effort pour obtenir un score plus élevé la prochaine fois.

Une façon simple de penser à cela est d’imaginer une situation où vous avez eu l’occasion de passer un examen pratique au collège avec des retombées illimitées. Chaque fois que vous passez l’examen pratique, vous modifiez votre stratégie d’étude avec l’espoir que vous allez maximiser vos résultats sur l’examen réel. Un humain n’a probablement besoin que de quelques tentatives pour le faire correctement, mais une machine nécessite beaucoup plus pour les essais et les erreurs.

L’apprentissage par renforcement devient progressivement plus courant pour les tâches nécessitant une génération de langage. Au-delà du renforcement, le modèle modifié utilise également des informations contextuelles à partir du document source pour faciliter la génération de nouvelles langues pertinentes et réduire le libellé dupliqué.

Leave a Reply

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *