(←) предыдущая запись ; следующая запись (→)
Один пример описываемого слияния — чат-боты. Они воспринимают простую речь, откуда вычленяют и команды, и данные. В интерфейсе хорошего бота может не быть отдельной подсистемы для заказа продуктов и другой для того, чтобы ввести адрес. Есть единая точка входа, в которую вы вводите, что угодно, и бот уже сам должен сообразить, что когда вы назвали 3-ю улицу Строителей, надо бы запомнить это куда-то в информацию об адресе, а солёные огурчики должны быть записаны в какое-то другое поле. Но этот пример на поверхности. Во всех смыслах.
Во внутренностях моделей граница между данными и алгоритмом/задачей тоже в некотором смысле размывается. Например, у вас есть нейросеть, которая умеет писать связные тексты. В какой-то момент вы понимаете, что вам нужно научиться решать другую задачу: давать определения словам и понятиям (словаря, разумеется, у вас нет). На этом месте вы можете пойти двумя путями. Очевидный, но сложный путь — создать новую модель которая будет работать в роли такой энциклопедии. Заново обучить её. А дальше для написания рефератов использовать одну модель, для написания определений — другую, для ответов на вопросы — третью. Под каждую задачу своя модель.
Есть и альтернативный вариант. У нас уже есть модель, которая умеет писать тексты. Обычно нейросети генерируют текст слово за словом, и позволяют генерировать текст не с нуля, а с нескольких стартовых слов. Раз так, попросим уже существующую модель дописать текст ’London is …’
Знания пришли из обучающей выборки, а понимание, что за задачу нейросеть должна решить на этот раз, пришло из вашего ввода. Хорошо обученную модель можно использовать и для ответа на вопросы: ’The population of London is …’. Или, чтобы задавать вопросы более естественным образом можно притвориться, будто вы начали диалог:
— Алиса, который сейчас час в Лондоне?
— Время пить чай.
(4/n)