گوشه محتوا: ظهور ماشین ها

در طول دو روز ، من به عنوان بسیاری از ایمیل ها از وبلاگ های بازاریابی محتوای محترم که نگران خطرات ماشین آلات هستند که شغل وبلاگ نویسان و سایر سازندگان محتوا را دریافت می کنند ، دریافت کردم. مرد در مقابل دستگاه پویا از طلوع عصر صنعتی وجود داشته است ، اما آیا در نهایت به جایی رسیده است که فناوری به نام تولید زبان طبیعی (NLG) می تواند در یکی از آخرین پناهگاه های خود جایگزین انسان شود؟آیا ما به جایی می رسیم که نوشتن کتاب ها ، وبلاگ ها و حتی شعر تحت سلطه دستگاه باشد؟

تولید زبان طبیعی چیست؟

ژنراتورهای زبان طبیعی الگوریتم هایی هستند که برای جمع آوری ورودی ها طراحی شده و سپس بر اساس داده های ارائه شده یک پاسخ قابل خواندن و مانند انسانی تولید می کنند. زبان طبیعی تولید شده توسط رایانه ، به ویژه با ظهور دستیاران تلفن های هوشمند مانند سیری و کورتانا ، بسیار رایج شده است. در مقیاس بزرگتر ، NLG را می توان برای تولید پست های وبلاگ ، مقالات یا گزارش های داده استفاده کرد. با برنامه نویسی الگوهای خاص ، دستور زبان و استفاده از کلمه ، خروجی NLG ها می توانند محتوا تولید کنند که مشخص شده است که از یک نویسنده انسانی قابل تشخیص نیست.

الگوریتم های NLG بسته به محصول نهایی مورد نظر می توانند ساده یا بسیار پیچیده باشند. فیلیپ پارکر از الگوریتم های NLG برای تولید بیش از یک میلیون کتاب در موضوعات بسیار خاص مانند قفسه های چمدان و فلج بند ناف استفاده کرده است. برای توسعه الگوریتم اولیه ، وی 2-3 سال از زمان برنامه نویس را تخمین می زند ، اما پس از اتمام ، کتابها می توانند در 4 دقیقه تولید شوند.

کاربردهای مشترک

در مورد کتابهای پارکر و بیشتر محتوای تولید شده NLG ، شما به طور کلی به داده های عددی با کیفیت بالا احتیاج دارید. همانطور که قبلاً گفته شد ، یکی از کاربردهای اولیه محبوب برای NLG نمرات ورزشی و آمار بود. این امر به مقالات محلی اجازه می دهد تا به طور خودکار خواندن خلاصه ای از رویدادهای بسیار محلی ، مانند نمرات لیگ کوچک را انجام دهند.

این الگوریتم ها همچنین اجازه می دهند خلاصه بازی تقریباً بلافاصله پس از پایان بازی ایجاد شود و به طور خودکار روایتی را ارائه می دهد ، به عنوان مثال فراتر از امتیاز جعبه ساده یک بازی بیس بال. مثال زیر از نیویورک تایمز خلاصه ای را نشان می دهد که توسط یک انسان نوشته شده و توسط NLG نوشته شده است. می توانی بگویی کدام، کدام است؟(پاسخ در پایان این مقاله.)

"همه چیز برای فرشتگان تاریک به نظر می رسید که آنها در دو مرحله نهم در مرحله نهم قرار گرفتند ، اما لس آنجلس به لطف یک تک آهنگ کلیدی از ولادیمیر گوئررو بهبود یافت تا یک پیروزی 7-6 مقابل بوستون رد سوکس را در روز یکشنبه در پارک فنووی کسب کند."

وی گفت: "تیم بیس بال دانشگاه میشیگان از پنجمین دوره بازی برای نجات بازی آخر در سری سه بازی آخر هفته خود با آیووا استفاده کرد و در ساعت شنبه (24 آوریل) در مجتمع بیس بال ویلپون ، خانه ای از تاریخی ری ، 7-5 برنده شد. استادیوم فیشر. "

منطقه دیگری که NLG در حال حاضر به یک حضور غالب تبدیل شده است ، در گزارش های مالی است. Forbes و آسوشیتدپرس از NLG برای تولید سریع درآمد و خلاصه های مالی استفاده می کنند. یک بار دیگر ، NLG به این شرکت ها اجازه می دهد تا تولید محتوای خود را به میزان قابل توجهی افزایش دهند و در گزارش خود بسیار به موقع باشند.

یکی از استفاده های جالب نهایی از الگوریتم های NLG ، L. A. Times Quakebot است که آنها برای نظارت بر داده های زمین شناسی استفاده می کنند و به سرعت در پاسخ به فعالیت لرزه ای قابل توجه ، مانند زمین لرزه بزرگی که در سال گذشته به منطقه L. A رسید ، به سرعت تولید می کنند. این اجازه می دهد تا محتوا تقریباً در زمان واقعی و با فرمت آسان برای خواندن تولید شود که به طور بالقوه می تواند جان را نجات دهد.

"متاسفم ، دیو ، می ترسم که نتوانم این کار را انجام دهم"

بنابراین ، در حالی که ما از فرصتهایی که NLG ها می توانند با هیجان و ترس فراهم کنند ، سلام می کنیم ، واضح است که در آینده نزدیک ، سازندگان محتوا در معرض خطر از دست دادن شغل خود نیستند. الگوریتم های NLG فقط کمک یا ابزاری دیگر برای کاهش بار ایجاد محتوا هستند. آنها به دلایل مختلف نمی توانند جایگزین یک انسان شوند.

یکی از کاستی های فعلی NLG ، اعتماد آنها به داده ها و الگوهای است. آنها می توانند آنچه را که رایانه ها به بهترین وجه انجام می دهند ، انجام دهند ، یعنی تجزیه و تحلیل داده ها یا اعداد و سپس مجدداً آن اعداد را با توجه به الگوهای یا الگوهایی که انسان ها ارائه می دهند ، انجام دهند.

این تشخیص الگوی می تواند تا آنجا پیش برود که از سبک های نوشتن خاص تقلید کند و حتی به سبک شکسپیر غزل ها تولید کند. اما باز هم ، این فقط ورودی ها و الگوهای و قدرت محاسبات قدرت برای تجزیه و تحلیل سریع ترکیبات کلمه بی شمار است تا زمانی که مواردی را پیدا کند که از نظر آماری متناسب با الگوهای برنامه ریزی شده باشد. به آن فکر کنید مانند خرد کردن شماره اما با کلمات - کلمات.

در حال حاضر ، رباتها و الگوریتم های NLG نیز احساساتی ندارند ، بنابراین آنها نمی توانند خلاق باشند ، و همچنین نمی توانند یک سبک را توسعه دهند یا انتخاب هایی مانند انتخاب هنر کلیپ مناسب را برای همراهی با یک پست وبلاگ انجام دهند (من واقعاً مجبور شدم از این واقعیت استفاده کنمبرای کمک به نویسنده فنی من در اینجا در محل کار بهتر است). قیاس دیگر ممکن است داده های تراشه قبل از Emotion از Star Trek: نسل بعدی باشد. او می توانست بیشتر سازهای موسیقی را با قدرت فنی بازی کند و حتی از سبک بازی برخی از هنرمندان تقلید کند ، اما همه این مشتق بود. او نتوانست سبک خود را بر اساس تجربیات و شخصیت خودش توسعه دهد.

وقتی به کاربر کم می شود ، آیا آنها اهمیتی می دهند که آیا دستگاهی که منابعی را که در آن پیدا می کنند ، ایجاد می کند؟بسته به نوع محتوا ، مطلقاً نه ، به ویژه هنگامی که آنها نیاز به حل یک مشکل و بیرون آمدن دارند. آیا می خواهید یک رایانه مانند این پستی را بنویسید (شاید شما این کار را انجام دهید) یا روزنامه نگاری را در مورد بلایای طبیعی یا داستانهای علاقه انسانی انجام می دهید؟من فکر نمی کنم ، حداقل تا زمانی که دانشمندان نتوانند تراشه احساسات خود را ایجاد کنند. دقیقاً همانطور که قبلاً در مورد پیدا کردن صدای شما و استفاده از آن برای قرار دادن محتوای خود با مخاطبان خود اشاره کردم ، هنوز هم لمس انسان برای تقویت ارتباط کاربر با کار شما لازم است. در دریایی از محتوا ، که توسط انسان و ماشین به طور یکسان تولید می شود ، یادآوری همه سازندگان محتوا نیست که منحصر به فرد بودن و شخصیت آنها را نمی توان با یک الگوریتم جایگزین کرد.

در پست بعدی من استفاده از NLG را در آژانس های دیگر خود بررسی خواهیم کرد. آیا آژانس شما قبلاً از NLG استفاده می کند - یا می بینید که چگونه می تواند؟افکار خود را در بخش نظرات به اشتراک بگذارید.