Cientistas da divisão de pesquisa da Alexa AI estão desenvolvendo técnicas semi-supervisionadas e não-supervisionadas de aprendizado de máquina. Com elas, os sistemas de inteligência artificial aprendem a ficar mais responsivos sem precisar de dados previamente registrados.
Essas formas de aprendizagem também possuem suas limitações, mas ambas prometem melhorar as capacidades da Alexa. O objetivo é deixá-la mais próxima de características humanas.
“O que estamos perseguindo é a auto-aprendizagem. Aí está o nosso foco”, afirmou Ruhi Sarikaya, diretor de ciência aplicada da Amazon e da Alexa Machine Learning, em entrevista ao Venture Beat.
Os resultados dos modelos de autoaprendizagem têm pontuações de confiança associadas e aqueles que se enquadram em um intervalo predefinido são usados para treinar o sistema ainda mais.
Tais técnicas já entraram em produção, embora de forma limitada. Se um usuário da Alexa nos EUA, Canadá, Austrália, Reino Unido e Índia disser à assistente algo como “Alexa, ligue as luzes do sofá”, mas as luzes que ele quer ligadas são, na verdade, as “Living Room Lights”, a Alexa pode sugerir “Você quis dizer Living Room Lights?”
Os esforços para melhorar a capacidade de antecipação da Alexa se encaixam com a evolução do Alexa Hunches, que recomenda proativamente ações baseadas em dados de dispositivos e sensores conectados.
Se o usuário falar “Alexa, boa noite”, o assistente pode responder, “By the way, sua luz da sala de estar está ligada. Você quer que eu a desligue?”.
Além do domínio de casa inteligente, métodos não supervisionados e semi-supervisionados estão abastecendo as Alexa Skills. Elas compreendem os mais de 90.000 aplicativos de voz de 325.000 desenvolvedores disponíveis na Alexa Skills Store.
Em outro exemplo de aprendizagem não-supervisionada transformando as maneiras pelas quais os modelos da Alexa são aprendidos, os pesquisadores da Amazon descreveram uma técnica que utilizou 250 milhões de interações não registradas para reduzir os erros de reconhecimento de fala em 8%.
