T Frontline | Exklusives Interview mit Tencent AILab: Vom „Punkt“ zur „Linie“ ist das Labor mehr als nur Experimente

Gast: Shi Shuming

Geschrieben von: Mo Qi

Rezensent: Yun Zhao

„Die meisten Forschungsarbeiten drehen sich um a Punktexpansion und punktartige Ergebnisse können von Benutzern nur schwer direkt genutzt werden“, sagte Shi Shuming, Direktor des Natural Language Processing Center des Tencent AI Lab.

Im letzten Jahrzehnt erlebte die künstliche Intelligenz (KI) eine Renaissance, und auch im Bereich der Verarbeitung natürlicher Sprache (NLP) gab es erhebliche technologische Fortschritte. Die Weiterentwicklung der NLP-Technologie hat die Qualität der maschinellen Übersetzung erheblich verbessert, die Suche und Empfehlung genauer gemacht und auch mehr digitale Szenarioanwendungen wie Konversationsroboter, intelligentes Schreiben usw. hervorgebracht. Als Kronjuwel der KI hat der NLP-Bereich unzählige in- und ausländische Unternehmen, Talente und Kapital angezogen. Wie fördern verschiedene Faktoren seinen Forschungsfortschritt? Wie entwickeln und implementieren Unternehmen Forschungsergebnisse? Wie sehen relevante Praktiker die Engpässe und Kontroversen in der Entwicklung von KI?

Kürzlich hatte „T Frontline“ die Ehre, das Tencent AI Lab Natural Language Processing Center zu interviewen, in der Hoffnung, einen Blick darauf aus der Perspektive eines „Labors für künstliche Intelligenz“ zu werfen.

Geben Sie nicht bei Experimenten Halt: Wir konzentrieren uns auch auf die Umsetzung und Open Source der Ergebnisse

T Frontline: Tencent # 🎜🎜Welche Richtungen erforscht #AILab bei der Verarbeitung natürlicher Sprache?

Shi Shuming: Das Team für die Verarbeitung natürlicher Sprache von Tencent AI Lab führt Forschungen in vier Richtungen durch: Textverständnis, Textgenerierung, intelligenter Dialog und maschinelle Übersetzung. Was die Ergebnisse betrifft, so hat das Team in den letzten drei Jahren jedes Jahr mehr als 50 wissenschaftliche Arbeiten auf erstklassigen internationalen Konferenzen und Fachzeitschriften veröffentlicht und gehört damit zu den führenden inländischen Forschungseinrichtungen dass zwei unserer Arbeiten separat für die beste Arbeit von NAACL'2021 und die herausragende Arbeit von ACL'2021 bewertet wurden. Was akademische Wettbewerbe angeht, haben wir viele Schwergewichtswettbewerbe gewonnen, zum Beispiel haben wir letztes Jahr beim Internationalen Wettbewerb für maschinelle Übersetzung WMT'2021 den ersten Platz in 5 Aufgaben gewonnen.

Neben Vorträgen und akademischen Wettbewerben setzen wir unsere Forschungsergebnisse auch bewusst in Systeme und Open-Source-Daten um, die Nutzern innerhalb und außerhalb des Unternehmens offen stehen. Zu diesen Systemen und Daten gehören das Textverständnissystem TexSmart, das interaktive Übersetzungssystem TranSmart, der intelligente Kreativassistent „Effidit“, chinesische Wortvektordaten mit 8 Millionen Wörtern usw.

Die Ende 2018 veröffentlichten chinesischen Wortvektordaten werden von der Außenwelt als „Tencent-Wortvektor“ bezeichnet. Sie sind in Bezug auf Umfang, Genauigkeit und Aktualität führend und haben große Verbreitung gefunden Aufmerksamkeit, Diskussion und Einsatz in der Branche. Kontinuierliche Verbesserung der Leistung in mehreren Anwendungen. Im Vergleich zu ähnlichen Systemen bietet das Textverständnissystem TexSmart eine feinkörnige Namenserkennung (NER), semantische Assoziation, tiefen semantischen Ausdruck, Textzuordnung und andere Spezialfunktionen und gewann den besten Preis auf der 19. China Computational Linguistics Conference (CCL). 2020) System Demonstration Award. Das interaktive Übersetzungssystem TranSmart ist das erste öffentliche interaktive Übersetzungs-Internetprodukt in China. Es bietet Highlight-Funktionen wie Übersetzungseingabemethode, Einschränkungsdekodierung und Translation-Memory-Fusion. Es unterstützt viele Kunden, Unternehmen und Szenarien innerhalb und außerhalb des Unternehmens, darunter die Dokumentationsagentur der Vereinten Nationen, Memsource, Huatai Securities, Tencent Music, China Literature Online, Tencent Games Going Global, Tencent Optional Stock Document Translation usw. Der intelligente Kreativassistent „Effidit“, den wir vor einiger Zeit veröffentlicht haben, bietet mehrdimensionale Textvervollständigung, abwechslungsreiche Textbearbeitung und andere Spezialfunktionen. Er nutzt KI-Technologie, um Autoren dabei zu unterstützen, Ideen zu diversifizieren, Ausdrücke zu bereichern und die Textbearbeitung und -effizienz zu verbessern.

T Frontline: Können Sie im Hinblick auf intelligente Zusammenarbeit „Effidit“ als Beispiel nehmen und über den Ursprung und den aktuellen Status des Projekts sprechen?

Shi Shuming: Das Projekt des intelligenten Schreibassistenten Effidit wurde vor dem Nationalfeiertag 2020 gestartet. Es gibt zwei Hauptgründe für die Durchführung dieses Projekts: Erstens gibt es Probleme beim Schreiben, und zweitens stimmt die für dieses Szenario erforderliche NLP-Technologie mit den Fähigkeiten unseres Teams überein.

Lassen Sie uns zunächst über die Schmerzpunkte beim Schreiben sprechen: Im Leben und bei der Arbeit müssen wir oft Nachrichten, Romane, öffentliche Artikel, Papiere, technische Berichte usw. lesen, und wir auch Sie müssen einige Dinge schreiben, z. B. technische Dokumente, Besprechungsprotokolle, Berichtsmaterialien usw. Wir können feststellen, dass der Prozess des Lesens normalerweise entspannt, angenehm und mühelos ist, aber wir wissen oft nicht, wie wir unsere Gedanken mit den richtigen Worten ausdrücken sollen. Manchmal sind die mit großem Aufwand geschriebenen Sätze und Absätze immer noch dieselben . Es sieht in der Mitte trocken und anfällig für Tippfehler aus. Vielleicht können die meisten Menschen besser lesen als schreiben. Also haben wir darüber nachgedacht, ob wir Technologie nutzen könnten, um die Schwachstellen beim Schreiben zu lösen und die Effizienz des Schreibens zu verbessern?

Lassen Sie uns über den zweiten Grund für den Start dieses Projekts sprechen: Wir haben darüber nachgedacht, wie die NLP-Technologie die Arbeitseffizienz und Lebensqualität des Menschen verbessern kann. In den letzten Jahren haben wir eingehende Forschungsarbeiten in NLP-Unterrichtungen wie Textverständnis, Textgenerierung und maschineller Übersetzung durchgeführt. Die meisten Forschungsarbeiten werden häufig um einen Punkt herum durchgeführt, und es ist schwierig, punktförmige Ergebnisse direkt von Benutzern zu nutzen. Deshalb reihen wir unbewusst eine Reihe punktförmiger Forschungsergebnisse zu einer Linie, also einem System, aneinander. Wir haben nach Umsetzungsszenarien für Forschungsergebnisse in der Textgenerierung gesucht. In Anbetracht der zuvor erwähnten Probleme beim Schreiben haben wir uns nach einer Diskussion dazu entschieden, das Projekt „Smart Writing Assistant Effidit“ zu starten.

Nach eineinhalb Jahren Forschung und Entwicklung ist die erste Version erschienen. Als nächstes werden wir weiter iterieren und optimieren, auf Benutzerfeedback hören, die Wirksamkeit verschiedener Funktionen verbessern und uns bemühen, ein Tool zu entwickeln, das einfach zu verwenden und bei Benutzern beliebt ist.

Trusted AI: Die Forschung zu Erklärbarkeit und Robustheit muss noch erforscht werden

T Frontline: In den letzten Jahren hat vertrauenswürdige KI die Aufmerksamkeit von Insidern auf sich gezogen Können Sie uns etwas über das Verständnis und den Fortschritt vertrauenswürdiger KI im Bereich NLP sagen?

Shi Shuming: Ich weiß nicht viel über vertrauenswürdige KI und kann nur über einige oberflächliche Gedanken sprechen. Vertrauenswürdige KI ist ein abstraktes Konzept und es gibt derzeit keine genaue Definition. Aus technischer Sicht umfasst es jedoch viele Elemente: Modellinterpretierbarkeit, Robustheit, Fairness und Datenschutz usw. In den letzten Jahren haben vorab trainierte Sprachmodelle, die auf der Transformer-Struktur basieren, bei vielen Aufgaben der Verarbeitung natürlicher Sprache erstaunliche Ergebnisse gezeigt und große Aufmerksamkeit erregt. Bei dieser Art von KI-Modellen handelt es sich jedoch im Wesentlichen um datengesteuerte Black-Box-Modelle. Ihre Interpretierbarkeit der Vorhersageergebnisse ist nicht sehr gut, und sie sind anfällig für dateninhärente Lernverzerrungen (z. B. Geschlecht). Bias), was zu einigen Problemen bei der Fairness des Modells führt. Wortvektoren, die früher erscheinen als vorab trainierte Sprachmodelle, leiden ebenfalls unter einer Geschlechterverzerrung. Derzeit ist der Aufbau glaubwürdiger KI-Modelle eine Forschungsrichtung, die im Bereich des maschinellen Lernens und des NLP große Aufmerksamkeit erregt. Es gibt viele Forschungsarbeiten und es wurden einige Fortschritte erzielt. Andererseits sind diese Fortschritte noch weit vom Ziel entfernt. Beispielsweise sind die Fortschritte hinsichtlich der Interpretierbarkeit tiefer Modelle nicht besonders groß und ein entscheidender Schritt wurde nicht getan.

Das Tencent AI Lab, in dem ich arbeite, führt auch einige Forschungsarbeiten zu vertrauenswürdiger KI durch. Tencent AI Lab investiert seit 2018 kontinuierlich in vertrauenswürdige KI-Arbeit und hat einige Ergebnisse in drei Hauptrichtungen erzielt: Robustheit gegenüber Gegnern, verteiltes Transferlernen und Interpretierbarkeit. In Zukunft wird sich das Tencent AI Lab auf die Fairness und Erklärbarkeit von KI konzentrieren und weiterhin die Anwendung verwandter Technologien in den Bereichen Medizin, Pharmazie, Biowissenschaften und anderen Bereichen erforschen.

Schwierigkeitsfokus: Statistische Methoden können Semantik nicht grundsätzlich verstehen

T Frontline: Was denken Sie zu diesem Zeitpunkt #🎜🎜 # Wo liegen die Engpässe in der NLP-Forschung? Was sind die zukünftigen Richtungen?

Shi Shuming: Seit dem Aufkommen des Forschungsgebiets der Verarbeitung natürlicher Sprache

besteht der größte Engpass darin, die Semantik eines Stücks natürlicher Sprache wirklich zu verstehen Sprachtext. Dieser Engpass wurde bisher nicht behoben.

Menschen haben wirklich die Fähigkeit, natürliche Sprache zu verstehen. Wenn wir zum Beispiel den Satz „Sie mag Blau“ sehen, wissen wir, was er bedeutet, was „wie“ ist und was „blau“ ist. Was den NLP-Algorithmus betrifft, so gibt es bei der Verarbeitung des obigen Satzes keinen wesentlichen Unterschied zum Satz „abc def xyz“, den wir in einer unbekannten Fremdsprache sehen. Angenommen, in dieser unbekannten Fremdsprache bedeutet „abc“ „sie“, „def“ bedeutet „like“ und „xyz“ bedeutet „grün“. Wenn wir nichts über diese Fremdsprache wissen, können wir keine Sätze in dieser Fremdsprache verstehen. Wenn wir das Glück haben, eine große Anzahl von Sätzen in dieser Fremdsprache zu sehen, können wir sie statistisch analysieren und versuchen, die Entsprechung zwischen den Wörtern in dieser Fremdsprache und den Wörtern in unserer Muttersprache herzustellen, in der Hoffnung, es endlich zu schaffen Knacken Sie den Sprachzweck. Dieser Prozess ist nicht einfach und es gibt keine Garantie für den endgültigen Erfolg.

Für die KI ist die Situation schlimmer als für uns Menschen, eine unbekannte Fremdsprache zu entschlüsseln. Wir haben einen gesunden Sinn für das Leben und die Zuordnung einheimischer Wörter zu internen Konzepten in unserem Kopf, aber KI verfügt nicht über diese Dinge. Die symbolische Methode in der NLP-Forschung versucht, der KI durch den symbolischen Ausdruck von Text und Wissensgraphen menschenähnliche Fähigkeiten hinzuzufügen und versucht, das Problem des Verstehens grundlegend zu lösen, während die

-Statistikmethode vorübergehend den gesunden Menschenverstand und das Innere von ignoriert the mind Konzepte usw., wobei der Schwerpunkt auf der Verbesserung statistischer Methoden und der vollständigen Nutzung der Informationen in den Daten selbst liegt. Bisher ist die zweite Methode der Mainstream der Industrieforschung und hat größere Erfolge erzielt.

Gemessen an den Engpassdurchbrüchen und Fortschritten des statistischen NLP in den letzten zehn Jahren

Wortvektortechnologie (d. h. unter Verwendung eines mitteldimensionalen dichten Vektors). um ein Wort darzustellen) durchbricht den Berechenbarkeitsengpass von Wörtern, kombiniert Deep-Learning-Algorithmen und GPU-Rechenleistung und leitet im letzten Jahrzehnt eine Reihe von Durchbrüchen im NLP ein. Das Aufkommen neuer Netzwerkstrukturen (wie Transformer) und Paradigmen (wie Pre-Training) hat die Berechenbarkeit von Text und die Wirkung der Textdarstellung erheblich verbessert. Da statistisches NLP jedoch den gesunden Menschenverstand und grundlegende Konzepte nicht so gut modelliert wie Menschen und die natürliche Sprache grundsätzlich nicht verstehen kann, ist es schwierig, einige Fehler des gesunden Menschenverstands zu vermeiden.

Natürlich hat die Forschungsgemeinschaft ihre Bemühungen um Symbolisierung und tiefe semantische Darstellung nie aufgegeben. Zu den einflussreichsten Versuchen in diesem Bereich in den letzten zehn Jahren zählen Wolfram Alpha und AMR (Abstract Meaning Representation). .

Dieser Weg ist sehr schwierig, und die größten Herausforderungen sind die Modellierung einer großen Anzahl abstrakter Konzepte und die Skalierbarkeit (d. h. vom Verständnis stark formalisierter Sätze bis zum Verständnis allgemeiner Texte in natürlicher Sprache).

Mögliche zukünftige Forschungsrichtungen in der Grundlagentechnologie umfassen: Sprachmodelle der neuen Generation, kontrollierbare Textgenerierung, Verbesserung der domänenübergreifenden Übertragungsfähigkeiten von Modellen, statistische Modelle, die Wissen effektiv integrieren, tiefe semantische Darstellung usw. Diese Forschungsrichtungen entsprechen einigen lokalen Engpässen in der NLP-Forschung. Die Richtung, die in Bezug auf die Anwendung untersucht werden muss, ist die Frage, wie die NLP-Technologie genutzt werden kann, um die Arbeitseffizienz und Lebensqualität des Menschen zu verbessern.

Forschung und Umsetzung: Wie bringt man beides in Einklang?

T Frontline: Wie wird die Ausrichtung des AI Lab NLP im Hinblick auf Grundlagenforschung, Spitzentechnologie und Industrialisierung erforscht und ausgelegt? Was sind die nächsten Schritte?

Shi Shuming: Im Hinblick auf die Grundlagenforschung ist es unser Ziel, Durchbrüche in der Grundlagenforschung zu erzielen, einige Engpässe in der aktuellen Forschung zu lösen und danach zu streben, originelle, nützliche und einflussreiche Produkte wie Word2vec, Transformer und Bert-Ergebnisse zu produzieren. Um dieses Ziel zu erreichen, geben wir einerseits den Grundlagenforschern mehr Freiheit und ermutigen sie, Dinge mit langfristiger Wirkung zu tun, andererseits nutzen wir bei der Auswahl alle Teammitglieder Brainstorming und andere Methoden eine Reihe wichtiger bahnbrechender Richtungen, lassen Sie uns zusammenarbeiten.

Im Hinblick auf die Industrialisierung konzentrieren wir uns neben der technologischen Transformation der bestehenden Produkte des Unternehmens auf die Entwicklung von ein oder zwei von uns selbst geleiteten Technologieprodukten. Das Ziel besteht darin, Forschungsergebnisse zu integrieren, um die Arbeitseffizienz oder Lebensqualität der Menschen zu verbessern. Zu diesen Technologieprodukten gehören TranSmart, ein interaktives Übersetzungssystem für Übersetzer, und Effidit, ein intelligenter Kreativassistent für Textbearbeitungs- und Schreibszenarien. Wir werden diese beiden technischen Produkte weiter verfeinern.

Auf der Suche nach der Jade in Kunshan: Forscher brauchen ein gewisses Maß an Freiheit

T Frontline: Was sind Ihrer Meinung nach in Bezug auf wissenschaftliche Forschungsabteilungen die unterschiedlichen Schwerpunkte von Forschern und Algorithmeningenieuren?

Shi Shuming: In unserem Team umfassen die Aufgaben von Algorithmusingenieuren zwei Punkte: Zum einen die Implementierung oder Optimierung bestehender Algorithmen (z. B. den Algorithmus in einem veröffentlichten Artikel) und zum anderen die Implementierung und Verfeinerung technischer Produkte. Zusätzlich zu den beiden Aufgaben eines Algorithmeningenieurs gehört es zu den Aufgaben des Forschers, originelle Forschungsergebnisse vorzuschlagen und zu veröffentlichen. Diese Aufteilung ist nicht absolut und die Grenzen sind relativ fließend. Sie hängt weitgehend von den persönlichen Interessen des Mitarbeiters und den Anforderungen des Projekts ab.

T Frontline: Was sind als Manager die Unterschiede zwischen Laborteammanagement und traditionellen Managementmethoden und -konzepten für technische Ingenieure?

Shi Shuming: Für das Geschäftsteam müssen technische Ingenieure eng zusammenarbeiten, um die geplanten Produkte durch bestimmte Projektmanagementprozesse zu erstellen. Laborteams bestehen in der Regel aus Grundlagenforschern und technischen Ingenieuren (und möglicherweise einer kleinen Anzahl von Produkt- und Betriebsmitarbeitern). Für die Grundlagenforschung müssen Forscher größere Freiheiten, weniger „Anleitung“ und mehr Hilfe erhalten, ihre Interessen respektieren, ihr Potenzial fördern und sie dazu ermutigen, etwas zu tun, das langfristige potenzielle Auswirkungen hat. Durchbrüche in der Grundlagenforschung werden oft nicht von oben geplant oder durch Projektmanagementprozesse gesteuert. Wenn das Laborteam andererseits technische Produkte baut, ist eine stärkere Zusammenarbeit zwischen Forschern und technischen Ingenieuren erforderlich, ergänzt durch schlanke Projektmanagementprozesse.

KI-Positionen im Labor: Bei der Auswahl der Kandidaten wird den „drei guten Dingen“ mehr Aufmerksamkeit geschenkt und die innere Stärke ist stark genug -Level-Konferenzen, verfügt aber über geringe technische Fähigkeiten. Würden Sie das akzeptieren?

Shi Shuming: Das ist eine gute Frage, die uns bei der Personalbeschaffung oft begegnet. Idealerweise möchten sowohl die Wissenschaft als auch die Industrie Talente mit ausgeprägten Forschungs- und Ingenieurskompetenzen fördern oder rekrutieren. In der Praxis sind solche Talente jedoch selten und oft Gegenstand des Wettbewerbs zwischen verschiedenen Unternehmen und Forschungseinrichtungen. Bei Bewerbern mit besonders herausragenden wissenschaftlichen Fähigkeiten werden im Bewerbungsgespräch unsere Anforderungen an ingenieurwissenschaftliche Fähigkeiten entsprechend reduziert, diese müssen jedoch über einem Grundschwellenwert liegen.

Gleichzeitig werden auch unsere Anforderungen an die Forschungsfähigkeiten für Kandidaten mit ausgeprägten technischen Fähigkeiten geringer sein. Im eigentlichen Arbeitsprozess werden Mitarbeiter mit ausgeprägten Forschungs- und Ingenieurskompetenzen bei richtiger Anordnung ihre jeweiligen Vorteile durch Zusammenarbeit voll ausschöpfen und das Projekt gemeinsam abschließen.

T Frontline: Welche Fähigkeiten schätzen Sie bei Kandidaten am meisten?

Shi Shuming: Dr. Shen Xiangyang sagte, dass die Anforderungen für die Rekrutierung von Mitarbeitern „drei gute“ sind: gut in Mathematik, gut in Programmierung und gute Einstellung. Gute Mathematikkenntnisse entsprechen dem Forschungspotenzial einer Person, gute Programmierkenntnisse entsprechen technischen Fähigkeiten, und zu einer guten Einstellung gehört „die Leidenschaft für die eigene Arbeit“, „die Fähigkeit, mit Kollegen zusammenzuarbeiten, um Win-Win-Ergebnisse zu erzielen“ und „ zuverlässig sein bei der Erledigung von Dingen.“ Diese drei Punkte werden von vielen Forschungseinrichtungen geschätzt. Während des eigentlichen Interviewprozesses werden die Forschungsfähigkeiten und das Forschungspotenzial des Kandidaten häufig durch das Lesen von Aufzeichnungen zu Papierpublikationen und Gespräche über Projekte bewertet, die technischen Fähigkeiten des Kandidaten werden durch Programmiertests und Projektergebnisse bewertet und der gesamte Interviewprozess wird verwendet, um abzuleiten, ob der Kandidat ist echt. „Gute Einstellung“. Diese Spekulations- und Bewertungsmethode kann manchmal Fehler machen, aber insgesamt ist die Genauigkeit recht hoch.

Es gibt auch einige Fähigkeiten, die durch ein ein- oder zweistündiges Vorstellungsgespräch schwer zu beurteilen sind, aber wenn die rekrutierten Mitarbeiter über diese Fähigkeiten verfügen, sind sie ein Schatz. Das erste ist die Fähigkeit, wichtige Forschungsthemen auszuwählen. Das zweite ist die Fähigkeit, eine Sache zu erledigen. Personen oder Teams, denen diese Fähigkeit fehlt, starten möglicherweise immer wieder verschiedene Themen oder Projekte, aber diese Themen und Projekte werden nie mit hoher Qualität abgeschlossen und enden oft enttäuschend. Dies kann etwas mit der Ausführung, Ausdauer, Konzentration, technischem Niveau usw. zu tun haben. Das dritte ist die Fähigkeit, Einsamkeit und Kritik zu ertragen. Wichtige und einflussreiche Dinge werden von den meisten Menschen oft nicht verstanden, bevor ihr Einfluss zum Ausdruck kommt. Wenn Ihr Herz nicht stark genug ist und Einsamkeit und Kritik nicht ertragen kann, kann es schwierig sein, durchzuhalten, und es wird leicht sein, Ihre ursprüngliche Absicht aufzugeben Springen Sie in das, was bereits ein roter Ozean ist, um die aktuellen Hotspots zu verwickeln.

T Frontline: Welche Vorschläge haben Sie derzeit für frischgebackene Absolventen und Techniker, die beruflich in den Bereich der künstlichen Intelligenz wechseln?

Shi Shuming: Die akademischen Qualifikationen, die Schule und die Projektbeteiligung jedes Absolventen sind unterschiedlich, was die Berufs- und Lebenserfahrung betrifft zu viele allgemeine Ratschläge. Mir fallen vorerst nur ein paar Punkte ein: Erstens: Versinken Sie nicht einfach in Dingen und ignorieren Sie das Sammeln von Informationen und Informationen. Finden Sie mehr ältere Kommilitonen oder Freunde, die sich nach der Situation erkundigen, hören Sie sich ihre Einführung in ihre aktuelle Arbeitssituation und ihre Bewertung verschiedener Arten von Arbeit und verschiedener Arbeitseinheiten an und verstehen Sie, welche Wege sie zurückgelegt haben und auf welche Fallstricke sie gestoßen sind. Gleichzeitig werden Informationen über verschiedene Methoden wie Foren, öffentliche Konten, kurze Videos usw. gesammelt, um Entscheidungen an diesem kritischen Knotenpunkt im Leben zu treffen. Zweitens: Wenn Ihr Abschluss noch mehr als ein Jahr entfernt ist und Sie keine Praktikumserfahrung haben, suchen Sie sich einen zuverlässigen Ort für ein Praktikum. Durch Praktika können Sie einerseits praktische Erfahrungen sammeln, Ihre Fähigkeiten verbessern und das Arbeitsgefühl schon im Vorfeld erleben; andererseits bereichert die Praktikumserfahrung auch Ihren Lebenslauf und steigert Ihre Wettbewerbsfähigkeit bei der Jobsuche. Drittens ist Rückbildung bei der Arbeit immer unvermeidlich, und alles verläuft wie geplant. Kontrollieren Sie die Erwartungen, passen Sie Ihre Mentalität an und finden Sie Wege, die durch Veränderungen verursachte emotionale Lücke zu verdauen. Viertens: Nachdem Sie sich eingelebt haben, vergessen Sie nicht Ihre Träume, arbeiten Sie hart und erreichen Sie etwas, das Ihren Fähigkeiten würdig ist.

Ich wünsche mir, dass jeder Absolvent seinen Lieblingsjob finden und sich an seinem Arbeitsplatz weiterentwickeln kann, und ich wünsche jedem Techniker, der seine Karriere wechselt und in den Bereich der künstlichen Intelligenz einsteigt, die Vorteile des Kampfes auf dem neuen Weg der KI genießen kann .von Glück und Gewinn.

Gastvorstellung

Shi Shuming, Absolvent der Informatikabteilung der Tsinghua-Universität, ist derzeit Direktor des Natural Language Processing Center des Tencent AI Lab. Seine Forschungsinteressen umfassen Knowledge Mining, Verständnis natürlicher Sprache, Textgenerierung und intelligenten Dialog. Er hat mehr als 100 Artikel in wissenschaftlichen Konferenzen und Fachzeitschriften wie ACL, EMNLP, AAAI, IJCAI, WWW, SIGIR, TACL usw. mit einem H-Index von 35 veröffentlicht. Er war Co-Vorsitzender der Systemdemonstration (Demonstrations-Co-Vorsitzender) von EMNLP 2021 und CIKM 2013, leitendes Programmkomiteemitglied von KDD2022 und Programmkomiteemitglied von ACL, EMNLP und anderen Konferenzen.

Das obige ist der detaillierte Inhalt vonT Frontline | Exklusives Interview mit Tencent AILab: Vom „Punkt“ zur „Linie“ ist das Labor mehr als nur Experimente. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!