編譯：chux
出品：ATYUN訂閱號
AI系統自然不善於提問，人們必須教導它們。這是Google關注的核心領域，它利用自然語言處理和其他會話AI技術，使與Google智能助理的互動儘可能自然。
谷歌開源的Active Question Answering (ActiveQA)，是一個調查使用強化學習來訓練AI智能體進行問答的研究項目。
Google AI的軟件工程師Michelle Chen Huebscher將ActiveQA描述爲“使用自然語言與QA系統反覆交互的智能體，目的是提供更好的答案”。它就像一個孩子，不斷問問題“特斯拉何時出生？”，以新的形式“特斯拉出生於哪一年”和新穎的措辭“特斯拉的生日是什麼時候”問問題，最終目標是獲得更好的答案。
“智能體位於用戶和黑匣子QA系統之間，並學會重新制定問題，以獲得最佳答案，”谷歌研究人員在一篇論文“Ask the Right Questions: Active Question Reformulation with Reinforcement Learning”中寫道。“該智能體用一個初始問題的自然語言重構來探究系統，並彙總返回的證據以得出最佳答案。”
隨着時間的推移，ActiveQA在強化學習框架的推動下，學會提出更具針對性和具體的問題，從而得出它所尋求的結果。向QA系統提出的每個問題都根據其與答案的對應程度進行評估，並且在調整模型參數時響應好的和壞的結果。
谷歌正在以TensorFlow（其機器學習框架）的軟件包形式提供ActiveQA。除了答案選擇模型 （使用斯坦福大學GloVe數據集中公開可用的單詞嵌入訓練的卷積神經網絡）以及基於斯坦福大學BiDAF（用於機器理解的雙向注意流程）的問答系統，該搜索巨頭正在提供從TensorFlow神經機器翻譯教程代碼改編的預訓練序列到序列系統。
在上述論文中，谷歌團隊證明ActiveQA可以勝過底層QA系統，提供問題的答案，在這種情況下，從Jeopardy中提取數據集。
“我們設想這項研究將有助於我們設計能夠提供更好和更可解釋答案的系統，”Huebscher博士和Google AI的學生和軟件工程實習生Rodrigo Nogueira表示，“谷歌的使命是組織世界的信息，使其普遍可用和有用，我們相信ActiveQA是實現這一使命的重要一步。”