Дмитрий Муромцев, руководитель международной лаборатории «Интеллектуальные методы обработки информации и семантические технологии» ИТМО, рассказал о сущности онтологического моделирования, об использовании графов знаний в бизнес-процессах и о работе по созданию разговорного интеллекта.
Интервьюер: Анна Ангелова (А.А.)
Респондент: Дмитрий Муромцев (Д.М.)
А.А.: В чем суть онтологического моделирования и как проходит составление графов знаний?
Д.М.: Онтологическое моделирование — это составление информационных моделей в виде концептуальных описаний предметных областей, удовлетворяющих определенным стандартам. Есть специальные языки для онтологий, они стандартизованы и уже применяются в индустрии. Основная цель онтологий — описание схем данных и знаний, которые могут существовать в самых различных источниках. Проблема в том, что этих источников много, они сильно отличаются по типу хранения данных, по программной архитектуре и т. д. Чтобы связать их в единое информационное пространство, нужны специальные интеграционные механизмы — ими как раз и являются онтологии. Они применяются при интеграции баз данных, описании слабо структурированных данных в Интернете, при создании баз знаний на определенную тематику или нетематических, больших баз знаний — допустим, на основе сведений Википедии.
Сам процесс создания подразумевает участие экспертов предметной области: всегда привлекаются специалисты по тем вопросам, данные для которых будет представлены в графе знаний. Например, это могут быть вопросы, связанные с культурным наследием, медициной, образованием, с каким-нибудь производством.
Эти специалисты выделяют ключевые концепты — объекты, которые критически важны для данной предметной области. Например, культурное наследие — это объекты искусства, создатели этих объектов, процесс творчества, процессы реставрации или каких-то видоизменений (если это архитектурный объект, он мог перестраиваться), это вопросы экспонирования, хранения и пр. Все, что важно для полноценного описания предметной области, формулирует эксперт. Дальше обозначаются отношения, связи между этими объектами. Это формализованное описание позволяет впоследствии делать к графам знаний запросы.
Технологически процедура трансформации может быть достаточно сложной и включать множество инструментов: средства обработки естественного языка, машинное обучение, распознавание образов и ряд других инструментов. В конечном итоге мы получаем сеть или граф взаимосвязанных объектов. Ключевая особенность такой системы, в отличие от баз данных, в том, что эта сеть является self-descriptive, самодокументируемой. К ней не нужны дополнительные пояснения от разработчика.
А.А.: Какова область применения графов знаний?
Д.М.: Практически любая. Сейчас существуют графы знаний универсального содержания (самый известный — Google), есть Wikidata, Dbpedia, которые больше напоминают Википедию по ширине охвата. Есть специализированные графы знаний: по медицине, по культурному наследию, по открытым государственным данным. Есть корпоративные графы знаний — они находятся в закрытом доступе.
А.А.: Расскажите о проекте для DataFabric. Что им требовалось и каких результатов удалось достичь?
Д.М.: Давайте несколько шире поставим вопрос. Проект для DataFabric — один из примеров, их у нас было несколько. Мы начали свою деятельность около 8 лет назад. Значительную часть времени мы тратим на популяризацию семантических технологий, на проведение различных мероприятий научного и обучающего характера, хакатоны и пр. Регулярно встречаемся с представителями индустрии. Таких встреч происходят десятки ежегодно, и некоторые представители индустрии заинтересовываются.
В ситуации с DataFabric в основном работали их специалисты, которых мы консультировали в плане методологии и рекомендовали те или иные технологии, инструменты. Также мы осуществляли проверку их результатов — анализ того, насколько все сделано корректно. Сам по себе проект этой компании интересен тем, что это первый в России пример, когда бизнес вложил собственные средства в развитие графов знаний, в развитие технологии связанных данных и сумел доказать, что это может быть выгодно. Насколько я знаю, компания продолжает использовать созданный граф знаний и планирует его развивать. Из выступлений ее представителей можно сделать вывод, что благодаря графу знаний им удалось автоматизировать большое количество ручного труда. Но за более точными сведениями лучше обратиться непосредственно в компанию.
Сергей Исаев,
CEO DataFabricМы хотели сделать умную систему проверки контрагентов и собирать информацию о компаниях. Мы были очень маленькой компанией и хотели получить конкурентное преимущество. Наши конкуренты — Spark Interfax, «Контур.Фокус» — очень большие, мощные, много лет на рынке, и просто так, «в лоб», с ними конкурировать невозможно.
Мы собираем все те же сведения о компании, что и наши конкуренты: данные Федеральной налоговой службы, Росстата и других источников. Мы загружаем их в единую базу. Так как она у нас графовая, в ней появляются связи между всеми объектами. В системе применяется онтологическое моделирование: мы описываем для нее значение абсолютно всех данных, с которыми она работает. Поэтому она начинает понимать контекст, смысловую нагрузку тех или иных данных. Благодаря этому ей можно задавать даже открытые вопросы, например: «Покажи мне все компании, которые с большой вероятностью разорятся в следующем году». Так как она понимает значение каждого слова в этом вопросе, то выдаст список.
Я не знаю, сколько на решение своих задач тратят времени, денег и энергоресурсов конкуренты. Но я знаю, что у них сотни разработчиков, а нас всего 12 человек, и свою систему мы сделали за полтора года. Сейчас она позволяет быстро прототипировать новые кейсы, новые сервисы, поскольку она более умная и гибкая.
А.А.: На сайте лаборатории, которую вы возглавляете, указано множество партнеров. С кем из них идет сотрудничество по текущим проектам?
Д.М.: Если брать сотрудничество в самом широком смысле слова, то по количеству выделяемого времени основным будет Совет по открытым данным РФ. Мы пытаемся проводить там методическую и исследовательскую работу, направленную на продвижение графов знаний в федеральные органы власти и другие структуры, обязанные публиковать открытые данные. Сейчас требование закона по публикации открытых данных выполняется достаточно формально и ограниченно. Мы пытаемся доказать, что это можно делать гораздо более эффективно, и это будет приносить гораздо большую выгоду экономике. Также мы активно сотрудничаем по образовательным технологиям электронного обучения с разными структурами, есть исследовательские проекты с несколькими университетами в Германии, Финляндии, Австрии.
А.А.: За деятельностью каких компаний в отрасли стоит следить?
Д.М.: За сообществом в целом. Понятно, что крупные компании выступают в некотором смысле индикатором того, насколько те или иные технологии являются зрелыми. Но на последней конференции ISWC в Австрии — а это крупнейшая в мире конференция по семантическим технологиям — доклад от компании Google вызвал много вопросов: те проблемы, которые они ставили для себя, часто уже решены компаниями более исследовательского направления.
Характерно, что крупные игроки, как правило, не занимаются исследованиями с нуля. Они ставят определенную проблему, потом находят коллектив, который эту проблему может решить, и начинают с ним сотрудничать или покупают, если это какой-то стартап. То есть крупные игроки скорее играют системную роль.
А если следить за сообществом в целом, то можно увидеть много разных интересных исследовательских групп, компаний, стартапов, которые предлагают самые инновационные решения. Например, сейчас наблюдается очень серьезный тренд в области развития чат-ботов, голосовых интерфейсов и других систем, которые через какое-то время будут фактически полноценными ассистентами, помощниками.
А.А.: Ваша лаборатория также развивает проекты по обработке речи. На сайте их указано два: один завершился, другой продолжается. Расскажите о них.
[прим.: «Разработка компьютерной морфологии для корпусных исследований вариативного текста», 2015–2016 гг.; «Разработка синтаксического анализатора русской спонтанной речи методами интеллектуального анализа данных с использованием семантических баз знаний», 2015–2018 гг.]
Д.М.: Первый проект был инициирован Центром речевых технологий — создание интеллектуального диалогового менеджера. Те решения, которые существуют сейчас, достаточно примитивны. С ними сталкиваются, когда в организацию или банк звонит клиент и ему приходится долго переключаться с одной линии на другую. Более совершенные системы умеют анализировать текст, который получается в ходе распознавания — например, Siri, Amazon Alexa. Но содержание этого текста для машины остается неизвестным. У нас в России, кстати, недавно был запущен проект iPavlov, но пока что данных об их результатах немного.
Дальше, как только мы распознали речевой сигнал, нужно понять, что за вопрос в нем содержится. Проблема в том, что при коммуникации людей речевой канал взаимодействия является лишь одним из множества. Информационно он не самый нагруженный. Есть каналы невербального общения, есть общие знания о мире, контекст, который человек понимает, и т. д. В отсутствие дополнительной информации почти невозможно понять, о чем речь. Если мы возьмем расшифровки текстов и попробуем их кому-то дать, полностью исключив контекст, скорее всего, даже человек не сможет их понять. Поэтому сейчас мы пытаемся создавать анализаторы, которые будут эффективно обрабатывать речь и выявлять объекты и взаимосвязи между ними — то есть создавать информационные модели сообщения, которое содержится в тексте. А дальше планируются работы по обогащению этих моделей информацией из других источников.
А.А.: Можете конкретизировать? Чем отличаются направления исследований у завершенного проекта и проекта, который ведется сейчас?
Д.М.: Это взаимосвязанные направления. Невозможно сделать качественный анализ без корпусных исследований, потому что надо научить алгоритм схемам распознавания закономерностей в тексте. Это мы делали в первом проекте. Второй изучает принципы формирования объектов. Текст содержит описание неких понятий. Сами эти понятия могут быть более информативными, чем та информация, которая присутствует о них в тексте. Соответственно, нужно связываться с другими базами и графами знаний и пытаться дополнить эту информацию из других источников.
Предположим, клиент звонит в службу поддержки и говорит о какой-то проблеме. Он может не назвать правильно устройство или процесс использования системы. Пользователь не обязан обладать полнотой технической информации. Система при понимании контекста может дополнить данные от пользователя информацией из своих источников. Это значительно упрощает процесс идентификации проблемы.
Первый проект был небольшим, выполнялся в сотрудничестве с Центром речевых технологий. Мы в нем доказали, что совместное применение онтологии, системы распознавания речи и синтаксического анализатора текста могут привести к формированию так называемого разговорного интеллекта. Мы достаточно успешно показали, как это работает. Следующий этап — более глубокие исследования по каждому из этих направлений. В области онтологического моделирования мы больше работали не с речью вообще, а с информацией из сети Интернет в области культурного наследия: как ее моделировать, обогащать, как можно сделать структурированный поиск по этой информации. В области синтаксического анализа работы продолжаются. Мы достигли неплохих результатов по качеству обработки текста.
Следующий этап — совмещение этих направлений и создание системы обогащения данных из разных источников, в том числе нетекстовых модальностей.
А.А.: Последний вопрос: над чем лаборатория планирует работать в следующем году?
Д.М.: У нас выкристаллизовались два направления: Интернет вещей и разговорный интеллект. Второе направление станет доминирующим. Интернет вещей — поддерживающее направление: это создание голосовых и текстовых интерфейсов (чат-ботов) для взаимодействия с различными устройствами, роботами, информационными системами.
Все это позволит сделать взаимодействие человека с информационными объектами более прозрачным и естественным.
Автор: Anna-Angelova
