Ирина матвеева русклимат: Ирина Матвеева

Рассказывайте о результатах и планах

Не менее важно регулярно информировать коллектив о позитивных изменениях в компании, на которые повлияли сами сотрудники, а также о планах сделать компанию лучше с их помощью.

Мы, например, проводим масштабные PR-кампании внутри холдинга раз в полгода. Как показала практика, особенно эффективно делать это летом и зимой. Мы рассказываем о победах и достижениях отдельных сотрудников, целых команд и компании в целом, а также напоминаем о целях на предстоящий период, к которым мы приближаемся благодаря участию каждого. Необходимого эффекта нам помогают достигать такие каналы коммуникации, как корпоративное радио и TV, корпоративный портал, социальные сети, чаты в популярных мессенджерах, также рассылки и анонсирующие плакаты как в центральном офисе, так и в представительствах компании по всей стране.

Самое главное — создать единое информационное поле для всех: офисных сотрудников, персонала с производств, а также тех, кто работает в «полях».

Если вы заметили опечатку, пожалуйста, выделите фрагмент текста и нажмите Ctrl+Enter.

Подписывайтесь на наш

Подписывайтесь на наш

Закрыть

Автоматизация бухгалтерии
для любого бизнеса

Попробовать бесплатно

Новые спикеры_конференция

Д-р Ирина Матвеева и д-р Дэвид Льюис

Каждую неделю на eDiscovery Leaders Live я общаюсь с лидером в области eDiscovery или смежных областях. Нашими гостями 2 апреля были д-р Ирина Матвеева и д-р Дэйв Льюис. Доктор Матвеева — главный специалист по данным и руководитель отдела машинного обучения Reveal. Доктор Льюис — исполнительный вице-президент по исследованиям, разработке и этике ИИ в компании Reveal.

Ирина, Дэйв и я сосредоточились на искусственном интеллекте в eDiscovery. Начав с усилий по использованию ИИ для предоставления «простых» решений сложных проблем, и рассказали о важности проведения обсуждения ИИ на должном уровне. Ирина рассказала нам немного об Aiscenion от DLA Piper, над которым работала ее команда. Дэйв, а затем Ирина поделились своими мыслями о возражениях «каждый случай особенный» и о том, как на них реагировать. Мы также рассмотрели вопрос о том, требуется ли степень доктора философии или магистра для эффективного использования ИИ при открытии, и как много юристам по сантехнике ИИ действительно нужно понимать. Ирина и Дэйв поделились информацией о своих командах и о том, чем они занимаются, обсуждение, которое переросло в более широкое изучение ИИ. Наконец, по моей просьбе Дейв, а затем Ирина заглянули в свои хрустальные шары, чтобы высказать мысли о том, где ИИ может делать открытия в будущем.

Записано в прямом эфире 2 апреля 2021 г. | Транскрипция ниже

Примечание. Это содержимое было отредактировано и сжато для ясности.

George Socha:

Добро пожаловать на eDiscovery Leaders Live, организованную ACDS и спонсируемую Reveal. Я Джордж Соча, старший вице-президент по узнаваемости бренда в Reveal. Каждую пятницу в 11:00 по восточному времени я веду выпуск программы eDiscovery Leaders Live, где у меня есть возможность пообщаться со светилами в области eDiscovery и смежных областях.

Прошлые эпизоды доступны на веб-сайте Reveal. Перейдите на сайт rejectdata.com, выберите «Ресурсы», а затем выберите «Лидеры обнаружения электронных данных в прямом эфире».

На этой неделе с нами двое гостей; мои коллеги из Reveal, доктор Ирина Матвеева и доктор Дэвид Льюис. Д-р Матвеева является главным специалистом по данным и руководителем отдела машинного обучения в Reveal, а д-р Льюис — исполнительным вице-президентом по исследованиям, разработке и этике ИИ в Reveal. Позвольте мне немного рассказать вам об их прошлом, а затем мы начнем нашу дискуссию.

Ирина, как я уже упоминал, является здесь главным специалистом по данным и руководителем отдела машинного обучения. Она отвечает за организацию обработки данных Reveal и применение машинного обучения и обработки естественного языка на всей платформе Reveal. Она также является адъюнкт-профессором в Иллинойском технологическом институте, имеет почти десятилетний практический и академический опыт в области обработки естественного языка, была сопредседателем семинаров TextGraphs в 2007, 2008, 2011 и 2012 годах, а также в качестве рецензента для нескольких престижные журналы и публикации. Доктор Матвеева имеет докторскую степень Чикагского университета.

Дэйв Льюис, исполнительный директор по исследованиям в области искусственного интеллекта, развитию и этике в Reveal, отвечает за исследования, разработку и этику искусственного интеллекта в программном обеспечении Reveal и подходе к обнаружению электронных данных. До прихода в Reveal он занимал должности в компании Brainspace, которая недавно объединилась с Reveal; в лабораториях AT&T; Лаборатории Белла; и Чикагский университет; наряду с соучредителем стартапа в области машинного обучения и консультированием по многочисленным случаям. Он был избран членом Американской ассоциации содействия развитию науки в 2006 году. А в 2017 году он и У. А. Гейл получили награду ACM SIGIR Test of Time Award за изобретение выборки по неопределенности. Дэйв имеет докторскую степень Массачусетского университета в Амхерсте.

Ирина, Дэйв, добро пожаловать.

Дэвид Льюис:

Спасибо, Джордж. Хорошо быть здесь.

Ирина Матвеева:

Здравствуйте Георгий. Спасибо. Спасибо, что приняли нас.

Использование ИИ для «простых» решений сложных проблем

Джордж Соча:

Рад видеть вас обоих. В плане тем, которые мы можем осветить на ближайшие 25 минут или около того. Я думаю, что у нас есть около 12 часов контента. Очевидно, что мы не собираемся доходить до всего этого, но я хотел бы начать с некоторых вещей, которые являются основными моментами того, что Reveal делает сейчас и куда они идут сейчас, а именно об искусственном интеллекте. Когда мы думаем об использовании искусственного интеллекта, особенно в отношении электронных открытий, Ирина, какие проблемы мы можем решить с помощью ИИ?

Ирина Матвеева:

Решаем, действительно, самые разные задачи. Здесь, в Reveal, мы подходим к этому так: мы думаем о решениях. Дело даже не столько в отдельных проблемах, потому что мы можем решить их с помощью ИИ. Это больше, какие сложные решения или сложные проблемы мы можем решить с нашими решениями ИИ. Мы пытаемся скрыть сложность от наших пользователей. С точки зрения пользователя, это должно быть так же просто, как нажатие кнопки, а затем получение каких-то результатов.

Мы работаем над решением для обнаружения привилегированного общения, решением для обнаружения сексуальных домогательств и рядом других. И, конечно же, мы сотрудничаем с организацией Aiscension DLA Piper, чтобы выявлять картели и потенциальное картельное поведение. Это еще один пример проблем, которые мы можем решить с помощью наших ИИ-решений.

Проведение обсуждения ИИ на правильном уровне

Джордж Соча:

Дэйв речь идет о конкретных технологиях машинного обучения, на чем нам следует сосредоточиться, когда мы рассматриваем эти решения, или это другая область? фокус?

Дэвид Льюис:

Что ж, для таких людей, как Ирина и я, это наша работа. Но я думаю, что для пользователей системы это гораздо больше касается процесса и рабочего процесса. Я не думаю, что адвокатам и следователям нужно читать свежую литературу по глубокому обучению и тому подобное.

Мы пытаемся сделать так, чтобы людям было легко управлять этими технологиями в контексте рабочего процесса, когда их специалисты-люди могут вводить свои знания в систему, дополнять их программным обеспечением, а затем выполнять работу. что они должны быть выполнены.

Я думаю, что образовательная вещь, которая важна для людей, занимающихся ИИ, состоит в том, чтобы помочь пользователям понять, что программа может сделать, а чего она не может, как вы можете максимально сократить расходы, каковы некоторые режимы отказа и т. д. который. Но я думаю, что иногда люди в eDiscovery становятся слишком сосредоточенными на машинах опорных векторов, логистической регрессии, глубоком обучении или подобных вещах, где, вероятно, важнее уровень или два.

Aiscension DLA: конкретный пример многоразовых моделей ИИ

Джордж Соча:

Тогда попробуем подняться на уровень или два выше. Мы не будем говорить о машинах опорных векторов или о чем-то подобном, по крайней мере, сейчас. Я собираюсь вернуться к вам, Ирина, чтобы рассказать о конкретном примере использования этих технологий с тем, что DLA Piper сделала с Aiscension.

Ирина Матвеева:

Хорошо. Это, я считаю, прекрасный пример. Очевидно, что я участвую в проекте, я очень взволнован этим, но я считаю, что он действительно демонстрирует, что может предложить ИИ. Мы сотрудничали с командой Aiscension. То, что они принесли с собой, было опытом их юристов с десятилетним опытом работы в делах о картелях. Они работали с нашей командой по анализу данных, рассказали нам о сигналах, сигналах и особенностях — о том, что они пытаются найти в данных, когда приближаются к новому делу, — потому что каждый случай уникален, и все же есть некоторые общие черты. поведение картеля. Они работали с нами и действительно передали нам эти знания: что они ищут, какова их схема, так сказать. Мы работали над кодированием шагов этой пьесы в моделях, фильтрах и технологиях НЛП, которые мы используем в нашей системе.

В конце концов, у нас есть эта модель, которая попадет в их собственную библиотеку моделей и которую они смогут использовать и повторно использовать в будущих случаях. Наша группа по обработке и анализу данных провела очень тщательную оценку нескольких существующих дел или исторических данных, которые были у нас в наличии, и мы действительно показали, что эти модели действительно обнаруживают картельное поведение в новых делах, случаях, которых модель раньше не видела.

Обращение к реплике «Каждое дело особенное»

Джордж Соча:

Для вас обоих, и это то, о чем вы упомянули минуту назад, Ирина, есть и будет любое количество адвокатов, которые будут скажи что-нибудь похожее на то, что ты сказал чуть раньше и что я слышу с тех пор, как начал практиковать в 1980-е: Каждое дело особенное, каждое дело уникально, вы не можете взять машину или что-то в этом роде, направить ее на дело и просто заставить ее что-то делать, потому что юристы должны изучить дело и выяснить, как справиться с этим уникальным , особенная, ни на что не похожая вещь. Мы знаем, что это не совсем так, но как вы справляетесь с чем-то вроде этого? Ирина, вы с DLA сталкивались с чем-то подобным?

Ирина Матвеева:

Конечно. Даже к проекту DLA некоторые члены команды относились весьма скептически и открыто говорили об этом. Но мы также учимся работать с нашими клиентами и понимаем, как клиенты видят проблемы и как они видят использование технологий.

Расширение интеллекта

Во-первых, мы используем ИИ в качестве расширенного интеллекта. Конечно, юристы будут в курсе, конечно, мы учились на опыте их команды Aiscension и будем учиться в будущем. Мы все еще работаем над партнерством с ними. И, конечно же, окончательное решение будет принимать человек, и да, его юристы будут просматривать документы, понимать игроков и так далее и тому подобное.

Будет такое участие. Модель не может решить ее полностью. В то же время, это может действительно улучшить процесс, оно даст вам отличных кандидатов и укажет вам прямо на область данных, где может быть проблема. Это намного быстрее, эффективнее, и вы используете свое время наилучшим образом.

Использование функций данных и сигналов

Второе объяснение, больше с точки зрения машинного обучения — а теперь, Дэйв, я немного загляну внутрь — заключается в том, что технология машинного обучения действительно работает, и она работает на самом деле. очень сильные способы. Мы видим их в нашей повседневной жизни.

Здесь мы провели очень тщательную оценку. Мы относились к подходу научно и скептически. Мы сказали, что не поверили, пока не увидели, что это работает. Мы убедили себя. И тогда мы видим, что наши клиенты с практической точки зрения также могут убедить себя, что этот подход является научно обоснованным.

Модель учится на сотнях тысяч параметров; это зависит от модели, конечно. Это очень мощная технология, и она действительно может уловить самые важные функции или сигналы в данных. На самом деле он может уловить общие вещи, которые существуют в нескольких случаях. Хотя даже каждый случай может быть уникальным и уникальным сам по себе, будут некоторые общие черты: что такое картельное поведение — есть определение, и вы должны продемонстрировать некоторые из их компонентов этого поведения, чтобы этот документ реагировал, если вы ищем картели. Эти общие черты являются общими, как говорится, во всех случаях. Модель может улавливать эти функции и сигналы.

Джордж Соча:

Дейв, вы должны были столкнуться с теми же опасениями и возражениями, верно?

Интерпретируемость моделей

Дэвид Льюис:

Да. Я думаю, что это особенно актуально в контексте возможностей портативных моделей Brainspace. Это очень похоже на то, о чем говорит Ирина, когда люди создают модели, которые они намереваются применить к нескольким случаям.

Я думаю, что одним из важных способов решения этой проблемы является акцент на интерпретируемости моделей. У нас есть возможность анализа модели, которая позволяет визуализировать наиболее важные функции.

Допустим, у вас есть модель, обученная обнаружению мошенничества, вы использовали ее в трех случаях и переносите ее в четвертый. Когда вы затем настроите его, а мы всегда призываем людей настраивать модели для каждого нового набора данных, вы можете наблюдать через понимание модели, как меняются важные термины. У вас может быть термин, определенная фраза, которая была очень прогностической в ​​Случае № 2, но в Случае № 4 она на самом деле не является предсказательной или даже антипродуктивной. Вы можете видеть такие вещи, потому что мы всегда подчеркивали видимость того, как работает модель.

Докторская степень не требуется

Джордж Соча:

Судя по тому, что я слышал, вы двое, обладатели докторской степени, приложили немало усилий для развития способности людей иметь доступ и использовать модели и повторно использовать эти модели. Всем ли нужен доктор философии в штате, чтобы иметь возможность использовать эти вещи?

Дэвид Льюис:

Если бы это было так, мы бы потерпели неудачу в своей работе, верно. Цель состоит в том, чтобы попытаться сделать технологию пригодной для использования людьми, которые являются экспертами в данной области, в области юриспруденции, расследования или чего-то еще, и дать им представление с помощью визуальной аналитики, статистических показателей и т. д., и обучение также важно, как думать на уровне процесса. Как поведение этой системы ИИ будет взаимодействовать с человеческими процессами, потому что человеческие процессы всегда обширны вокруг этих проектов, но не нужно понимать математику, не нужно ходить в школу.

Я не могу сосчитать количество адвокатов, которые говорили мне: «Я пошел на юридический факультет, потому что мне не нравилась математика». Мы и команда Ирины делали упор на то, чтобы дать людям качественное представление о том, как работают эти системы. без необходимости копаться в программном обеспечении или математике.

Ирина Матвеева:

Верно. Мы считаем, что наша платформа предоставляет функции, инструменты, решения, библиотеку моделей, чтобы наши пользователи могли просто использовать их и использовать свои собственные рабочие процессы и опыт, а не быть экспертами в области науки о данных или искусственного интеллекта.

Сантехника: что нужно знать адвокату?

Джордж Соча:

Было и продолжается много дискуссий по поводу того, что один из вас упомянул о сантехнике всего этого – SVM по сравнению с этим стихом и так далее – и многое другое. было написано на этом фронте. Оба моих брата имеют докторскую степень, они смотрят на меня с дипломом доктора права и говорят, что ты хорошо знаешь этого болвана в семье. Мне кажется, что, глядя на это с точки зрения юриста, я больше всего забочусь о том, чтобы получить результаты, которые помогут мне продвинуть мое дело. И да, мне нужно иметь представление о том, как я добился таких результатов, но я не уверен, что всегда смогу понять, что происходит у меня в голове, если я просто думаю о вещах. Итак, как это работает, достигнутые результаты и способы убедиться, что они являются поддерживаемыми результатами, а не чрезмерно предвзятыми чем-то, например, по сравнению с рассмотрением механики того, как это работает? Кто хочет взять удар в этом? Дэйв?

Дэйв Льюис:

Я имею в виду, очевидно, что это большой вопрос, чтобы распаковать его. Я думаю, вы правы, подчеркивая, что есть несколько компонентов. Очевидно, что существует схема общего рабочего процесса, который часто включает человеческие сдержки и противовесы, обзоры, прочее и тому подобное. И я думаю, что это та область, в которой адвокаты занимаются этим десятилетиями. Как вы управляете группами рецензентов? Сколько кофе вы даете им в четыре часа дня и тому подобное?

Теперь есть этот новый уровень, который состоит в том, что машина, информированная человеческим знанием, делает определенные различия между документами. Если вы разрабатываете рабочий процесс таким образом, возможно, это означает, что ни один человек никогда не просматривает определенные документы, и вы должны это понимать. Люди делают такие вещи, как статистическая выборка и различные виды поиска, а также используют другую аналитику, чтобы попытаться понять, что, возможно, не рассматривается в этих обстоятельствах.

Чтобы поднять очень актуальную проблему, мы все чаще видим, особенно в финансовых организациях, что они проводят типовые аудиты. У них, из-за их нормативных потребностей, есть определенные требования для довольно формального понимания того, как работают модели ИИ, и документирования этого и того, как это влияет на их бизнес. Я думаю, что это та область, где сейчас ведутся переговоры о границах, но некоторые из них считают, что модели eDiscovery также подпадают под это. Итак, у нас было несколько аудитов нашей технологии, где у нас были длинные анкеты и длинные интервью со многими командами. Я думаю, что все это очень хорошо, что люди разрабатывают формальные процессы. Закон о рутинизации определенных процессов для понимания и обеспечения того, чтобы люди с соответствующей ответственностью понимали, как технология влияет на юридический процесс.

Джордж Соча:

Ирина, что вы думаете?

Ирина Матвеева:

Конечно. В дополнение к этому я считаю, что это здорово, что наши клиенты проявляют любопытство и знают, что существуют машины опорных векторов и глубокое обучение, и особенно глубокое обучение — такая захватывающая область. Я думаю, что это действительно полезно для всех. И хорошо, что они держат нас честными. Это очень хороший вопрос. Дэйв и я, мы работаем, и наши команды работают над тем, чтобы быть в курсе всех последних академических результатов, результатов наших сверстников, чтобы мы могли ответить на эти вопросы наилучшим образом.

Я также согласен с тем, что аспект оценки чрезвычайно важен. Рецензирование с помощью технологий уже давно используется в области обнаружения электронных данных. Существуют очень хорошие процессы, связанные с защитой этих результатов. Я думаю, что здорово использовать этот опыт и применять его ко все большему количеству технологий искусственного интеллекта. Потому что Джордж, как вы говорите, к концу дня он должен давать полезные, эффективные, правильные и так далее результаты, все, что требуется для данного рабочего процесса.

Но понимание, действительно, очень глубоко под капотом, как работает точный алгоритм… Если кому-то любопытно, хотелось бы пройти несколько курсов Coursera и обучиться, это замечательно, но я не думаю, что это необходимо для кто-нибудь практически использовать технологию.

Я всегда думаю о своем телефоне. Существует так много ИИ, который используется во многих приложениях, но я просто вижу, как он обнаруживает лица на моих фотографиях, или я могу искать изображения. Я пользователь этой технологии. Мне интересно, как это делается. Я хотел бы увидеть некоторые сообщения в блоге от них с основными моментами технологии. Но к концу дня я хотел бы, чтобы он работал правильно.

Это действительно моя цель. И я не хочу, чтобы это слишком упрощало рабочие процессы, с которыми сталкиваются наши пользователи, но я думаю, что это похожий подход. Я бы хотел, чтобы разговор шел вокруг: «Действительно ли это лучше?» Можем ли мы в Reveal показать, что используем наилучшие технологии? И затем, как мы оцениваем, что это приводит к ожидаемым результатам?

Группа искусственного интеллекта Reveal

Джордж Соча:

Джей Лейб, наш коллега, любит повторять, что у нас есть самая сильная или лучшая команда искусственного интеллекта в отрасли. Наша команда ИИ начинается с вас двоих, но не заканчивается на вас двоих. Расскажите нам немного больше о команде людей, которые работают над всеми этими вопросами.

Дэвид Льюис:

Ирина?

Ирина Матвеева:

Конечно. У нас есть 4 штатных члена команды, члены команды по науке о данных. Один присоединится очень скоро, так что скоро будет пять. Все в нашей команде уже много лет, кроме, очевидно, нового человека, но много лет, и они действительно растут вместе с нашей командой, с нашим приложением. Мы разбирались во всем, провели много продуктивных дискуссий, некоторые вещи в итоге не сработали, но у нас было много интересных проектов, и я думаю, что это создало очень продуктивную и творческую динамику внутри команды.

Мы взволнованы. Мы постоянно изучаем новые технологии. Отдельные члены команды могут быть больше заинтересованы в той или иной области машинного обучения или искусственного интеллекта, поэтому они будут предлагать свои собственные идеи. Это определенно не только я; у нас есть целая команда, работающая над всеми замечательными вещами, которых мы уже достигли.

Дэвид Льюис:

Одна из моих головных уборов заключается в том, что я руковожу командой инженеров ИИ. У меня есть пара давних разработчиков, которые работают в отрасли более 10 лет.

Я хотел бы упомянуть здесь одну вещь, потому что об этом много говорят в сообществе разработчиков, оба парня из моей команды не имеют дипломов в области искусственного интеллекта. Это люди, получившие степень магистра компьютерных наук. Это опытные разработчики, которые за эти годы многое узнали об ИИ. Теперь они специалисты в своих областях.

Я действительно думаю, что это то, о чем много говорят в сообществе разработчиков, можете ли вы перейти к ИИ, и я действительно думаю, что это, как и многие другие сложные технологии в информатике, которые могут взять на себя хорошие разработчики, будь то ИИ, или облачные вычисления, или параллельная обработка, или еще что-то.

Я всегда подбадриваю людей, и Ирина упомянула Coursera – ресурсы, которые сейчас есть в сети для самообразования, просто поражают. Я всегда призывал людей идти учиться. И статистику тоже, потому что я статистик…

Ирина Матвеева:

То же самое касается молодых и начинающих специалистов по данным. Степени и фоны для нашей части команды, каждый сначала присоединился в качестве стажера. Они очень хорошо поработали, им понравилась команда, все получилось, и они с нами уже много лет.

Не позволяйте ничему остановить вас. Если вы взволнованы, если вы увлечены, пожалуйста, продолжайте эту карьеру. Определенно.

Глядя в мутный хрустальный шар

Джордж Соча:

У нас осталось всего несколько минут. Я бы хотел, чтобы вы оба сели со своими мутными хрустальными шарами, заглянули в будущее — вот оно — и поделились с нами своими мыслями о том, куда мы можем двигаться со всем этим. Не раскрывая, конечно, того, чего не следует раскрывать, а мысли о том, каким может быть будущее всего этого для нас.

Дэвид Льюис:

Я думаю, вопрос в том, о каком далеком будущем мы здесь говорим?

Джордж Соча:

Это аналог вопроса, который я задаю некоторым гостям: «Если бы у вас была идеальная платформа для обнаружения электронных данных, как бы она выглядела? Не допускайте никаких ограничений». Вот почему вы можете использовать темный хрустальный шар.

Дэвид Льюис:

Я должен посмотреть эти старые видео, чтобы понять, над чем нам следует работать. Я думаю, что мы увидим увеличение сложности в небольших приращениях степени понимания документов языковыми технологиями.

Мы начали с ИИ в eDiscovery, и я всегда стараюсь подчеркнуть, что люди относятся к закону как к жалкому или консервативному. Закон был действительно ранним для принятия ИИ. В частности, в области обнаружения электронных данных они намного опередили другие отрасли. Первыми приложениями были поиск, классификация «да/нет» и тому подобное.

Я думаю, все больше и больше, и команда Ирины много работает над этим, привнося более глубокое понимание, взаимосвязи между документами и работая не только на уровне документов, но и на важных сущностях предметной области: людях, транзакциях, организациях и отношениях между ними, и понимание их с течением времени.

У нас не будет компьютера типа «Звездного пути», который говорит: «Дайте мне идеальную юридическую стратегию для этого дела», а возвращается с диаграммой и тремя документами или чем-то еще. Но что у нас будет, так это более глубокое понимание значимых сущностей в судебном деле, расследовании или чем-то еще, а также более качественная аналитика для отображения их пользователям.

Я твердо верю в то, что, хотя ИИ имеет эти волны шумихи, фактический прогресс в значительной степени был медленным и устойчивым в течение последних 60 лет, и я думаю, что это то, что мы будем продолжать видеть; а затем просто возросла способность сообщать об этом пользователям, чему, я думаю, в последние несколько лет уделялось больше внимания.

Джордж Соча:

Спасибо, Дэйв. Ирина, давайте закончим с вашими мыслями.

Ирина Матвеева:

Спасибо. Я думаю, что это будет действительно движение к пониманию языка. У нас есть технологии обработки естественного языка, но теперь с глубоким обучением у нас появился новый набор возможностей. Мы представили технологию BERT, теперь мы используем многоязычный BERT, когда вы строите свою модель на одном языке, и она работает на 104 языках из коробки без каких-либо дополнительных действий. Это отличные вещи.

Это будущее сейчас, так сказать, почти как вы знаете, очень осязаемое. Я верю, что он будет более и более интерактивным. Я хотел бы видеть и позволить нашим пользователям взаимодействовать с системой и действительно задавать вопросы, вопросы на естественном языке, и, возможно, вставлять какую-то информацию о кейсе, и система будет адаптироваться, подстраиваться, рекомендовать. У него будут все более и более сильные технологии для понимания коммуникации, контента, как говорил Дейв, личностей и так далее.

Я действительно думаю, может быть, немного дальше в будущем, но я действительно представляю, что это будет гораздо более интерактивным в этом смысле и действительно предоставляет информацию, всплывающую на поверхность почти динамически, когда пользователь идет и взаимодействует с системой.

Джордж Соча:

Хорошо, спасибо. Спасибо, Ирина. Спасибо, Дэйв. Ирина — главный специалист по данным и руководитель отдела машинного обучения Reveal. Дэйв — исполнительный вице-президент Reveal по исследованиям, разработке и этике искусственного интеллекта.

Я Джордж Соча, это была трансляция eDiscovery Leaders Live, организованная ACDS и спонсируемая Reveal.

Спасибо, что присоединились к нам сегодня, пожалуйста, присоединяйтесь к нам в следующую пятницу, 9 апреля ^-го , когда нашим гостем будет Тони Милликан из Trinity Industries. Спасибо.

Ирина Матвеева | Semantic Scholar

Сортировка по наиболее влиятельным статьямСортировка по количеству цитированийСортировка по новизне

Регуляризация и частично контролируемое обучение на больших графах

Мы рассматриваем проблему маркировки частично размеченного графа. Этот параметр может возникнуть в ряде ситуаций, от выборки опроса до поиска информации и распознавания образов во множестве…

Просмотр через Publisher (открывается в новой вкладке)

Геометрическое представление двуязычного лексикона Извлечение из сопоставимых корпусов

Мы представляем геометрическое представление об извлечении двуязычной лексики из сопоставимых корпусов, которое позволяет переинтерпретировать предложенные до сих пор методы и выявить нерешенные проблемы. Это мотивирует три…

Просмотр в ACL (открывается в новой вкладке)

Высокоточный поиск с использованием нескольких вложенных ранжировщиков

оценка документов с использованием алгоритма обучения RankNet для повторного ранжирования подмножества результатов.

View on ACM (opens in a new tab)

Тихоновская регуляризация и обучение с полуучителем на больших графах

• Михаил Белкин, Ирина Матвеева, П. Нийоги

• Математика, информатика

  Международная конференция по акустике …

• 17 мая 2004 г.

Используя понятие алгоритмической устойчивости, выведены границы ошибки обобщения, связанные со структурными инвариантами графа, и разработана основа для регуляризации параллельно тихоновской регуляризации на непрерывных пространствах.

Просмотр на IEEE (Openens in New Tab)

Обобщенный латентный семантический анализ для представления документов

• Irina Matveeva

• Commortion Science

• 2008

403. , Gina-Anne Levow, A. Farahat, Christiaan Royer

эффективно фиксировать семантические отношения между терминами и превосходить связанные подходы в тесте на синонимию.

Просмотр через Publisher (открывается в новой вкладке)

Использование морфологии и синтаксиса в обучении без учителя

• Ю Ху, Ирина Матвеева, Дж. Голдсмит, Колин Спрэг

• Информатика, лингвистика

• 26

В этой работе представлен алгоритм коллапса морфологических классов (сигнатур) с использованием синтаксического контекста и показано, что этот коллапс сохраняет связь между морфологическими и лексическими категориями в новых сигнатурах и тем самым минимизирует длину описания модели.