Una macchina sarà considerata veramente intelligente solo quando sarà in grado di elaborare IL linguaggio naturale come fa un umano



Scaricare 445 b.
03.06.2018
Dimensione del file445 b.



Una macchina sarà considerata veramente intelligente solo quando sarà in grado di elaborare il linguaggio naturale come fa un umano

  • Una macchina sarà considerata veramente intelligente solo quando sarà in grado di elaborare il linguaggio naturale come fa un umano



I metodi, le tecniche, i tools, e le applicazioni relativamente alla modellizzazione dell’uso del linguaggio naturale costituiscono le tecnologie del linguaggio naturale (ingegneria del linguaggio naturale)

  • I metodi, le tecniche, i tools, e le applicazioni relativamente alla modellizzazione dell’uso del linguaggio naturale costituiscono le tecnologie del linguaggio naturale (ingegneria del linguaggio naturale)



Il linguaggio è un meccanismo di comunicazione il cui tramite è il testo o il discorso.

  • Il linguaggio è un meccanismo di comunicazione il cui tramite è il testo o il discorso.

  • L’ingegneria è interessata, oltre che alla creazione di nuova conoscenza, anche alla creazione di sistemi per ottenere gli obiettivi desiderati.

  • I sistemi ingegnerizzati devono essere conformi a specifici criteri di adeguatezza (es. criteri legati all’esecuzione di processi in un certo tempo ed in un certo spazio)



Sistemi per l’elaborazione del linguaggio naturale

  • Sistemi per l’elaborazione del linguaggio naturale

  • Sviluppo di algoritmi per il parsing, la generazione, e la acquisizione di conoscenza linguistica

  • Indagine sulla complessità spaziale e temporale di tali algoritmi

  • Progettazione dei linguaggi formali computazionalmente utili (es. grammatiche e formalismi lessicali) per codificare conoscenza linguistica

  • Indagine su architetture software appropriate

  • Considerazioni sui tipi di conoscenza non linguistica che vengono a contatto

  • Problematiche di integrazione in sistemi applicativi più ampi



Un programma conta il numero di bits, bytes e linee in un file testo: quando conta le “parole” dello stesso file di testo, allora è necessario che abbia conoscenza di ciò che significa essere una “parola”.

  • Un programma conta il numero di bits, bytes e linee in un file testo: quando conta le “parole” dello stesso file di testo, allora è necessario che abbia conoscenza di ciò che significa essere una “parola”.

  • Sono richieste varie tipologie di conoscenza linguistica per elaborare un testo



La morfologia fornisce informazioni su le forme possibili per ogni parola del linguaggio ed il loro comportamento. Inoltre riconosce le variazioni delle parole singole.

  • La morfologia fornisce informazioni su le forme possibili per ogni parola del linguaggio ed il loro comportamento. Inoltre riconosce le variazioni delle parole singole.

  • di, del, della, delle,…

  • casa, case, casetta, …

  • capostazione, capistazione, …

  • la, le, lo, gli, …

  • la, lo, li, …



La sintassi contiene la conoscenza necessaria per spiegare come sequenze di parole possono non aver alcune senso a dispetto di altre sequenze che contengono invece esattamente, e nell’ordine corretto, le stesse parole.

  • La sintassi contiene la conoscenza necessaria per spiegare come sequenze di parole possono non aver alcune senso a dispetto di altre sequenze che contengono invece esattamente, e nell’ordine corretto, le stesse parole.

  • La FIAT produce autovetture

  • La autovetture produce FIAT



Per capire il significato di una frase, oltre alla conoscenza delle parole e della struttura sintattica, è necessario avere

  • Per capire il significato di una frase, oltre alla conoscenza delle parole e della struttura sintattica, è necessario avere

  • conoscenza del significato di ogni parola componente la frase (semantica lessicale) e

  • conoscenza di come queste componenti si combinino per formare significati più larghi (semantica composizionale)



L’uso appropriato di espressioni di cortesia, o di stile a sottolineare la volontà di essere cortese (amareggiato, contrariato, affabile, benaugurale, volitivo, …) sono descritte dalla pragmatica.

  • L’uso appropriato di espressioni di cortesia, o di stile a sottolineare la volontà di essere cortese (amareggiato, contrariato, affabile, benaugurale, volitivo, …) sono descritte dalla pragmatica.

  • La strutturazione corretta dei termini in risposta ad una domanda all’interno di una conversazione richiede conoscenza della struttura del discorso.



In sintesi la conoscenza del linguaggio necessaria per la comprensione dei testi si articola in 5 distinte categorie:

  • In sintesi la conoscenza del linguaggio necessaria per la comprensione dei testi si articola in 5 distinte categorie:

  • Morfologia: scomposizione delle parole in unità minime di significato (dogs=dog+s)

  • Sintassi: definizione delle relazioni strutturali tra le parole

  • Semantica: attribuzione del significato delle espressioni

  • Pragmatica: studio di come il linguaggio è usato per raggiungere un obiettivo (usi/convenzioni linguistiche)

  • Analisi del discorso: identificazione delle relazioni tra unità linguistiche più ampie della singola frase



L’elaborazione di un testo prevede l’attivazione di tool con conoscenza linguistica per l’analisi delle singole componenti e la risoluzione di possibili interpretazioni ambigue in ciascuna delle singole fasi.

  • L’elaborazione di un testo prevede l’attivazione di tool con conoscenza linguistica per l’analisi delle singole componenti e la risoluzione di possibili interpretazioni ambigue in ciascuna delle singole fasi.

  • Un testo è ambiguo se esistono più strutture linguistiche alternative che possono essere generate durante le fasi di analisi (non-determinismo)

  • L’ambiguità è il motivo per cui le macchine non riescono ad elaborare completamente il linguaggio naturale.



Problema dell’ambiguità

  • Problema dell’ambiguità

  • La vecchia porta la sbarra

  • Esistono più interpretazioni di questa frase

  • una vecchia signora trasporta una sbarra

  • una vecchia porta sbarra una signora



Una vecchia porta la sbarra

  • Una vecchia porta la sbarra

  • 1-una articolo

  • 2-vecchia aggettivo/sostantivo

  • 3-porta sostantivo/verbo

  • 4-la articolo/pronome

  • 5-sbarra sostantivo/verbo

  • Proliferazione degli alberi sintattici

  • Assegnazione di più di un significato alla frase



Fare un piano

  • Fare un piano

  • Fare verbo

  • Un articolo

  • Piano sostantivo/avverbio/aggettivo

  • Assegnazione di più di un significato alla frase

  • Fare costruire, progettare, ideare

  • Piano pianoforte, progetto, piano d’azione, piano dell’edificio

  • Word-sense disambiguation (lexical disambiguation) , Context analysis

  • Fare un piano (di corsa)



La palla di Maria era arrivata davanti ai piedi di Mario. Lui le diede un calcio.

  • La palla di Maria era arrivata davanti ai piedi di Mario. Lui le diede un calcio.

  • Assegnazione di più di un significato alla frase

  • risoluzione dell’anafora (il riferirsi di una parola, solitamente un pronome, a una o più parole precedenti diz. De Mauro)

  • conoscenza di dominio

  • senso comune



Il fiume scorre veloce nel suo alveo

  • Il fiume scorre veloce nel suo alveo

  • Il traffico scorre veloce nella strada principale

  • Giovanni ama Maria

  • Giovanni ama i racconti d’avventura

  • Assegnazione di più di un significato alla frase

  • metafora (figura retorica che consiste nel trasferire il significato di una parola o di un’espressione dal senso proprio a un altro figurato che abbia con il primo un rapporto di somiglianza – diz. De Mauro)



L’auto verde è arrivata sul tavolo della Presidenza del Consiglio

  • L’auto verde è arrivata sul tavolo della Presidenza del Consiglio

  • C’è acqua in frigo?

  • Assegnazione di più di un significato alla frase

  • metafora

  • nomi propri

  • terminologia

  • modello del mondo

  • senso comune



Mario guardò la ragazza con la minigonna

  • Mario guardò la ragazza con la minigonna

  • Mario guardò la ragazza con la cartella

  • Mario guardò la ragazza con il binocolo

  • Mario guardò la ragazza con il collega

  • Mario guardò la ragazza con sospetto

  • strutture argomentali dei verbi

  • contesto

  • senso comune



Il significato di una frase non è dato solo dal significato delle parole

  • Il significato di una frase non è dato solo dal significato delle parole

  • Si richiede la conoscenza delle regole che governano:

  • il significato con cui le parole sono combinate,

  • l’ordine con cui compaiono,

  • i legami che le legano ad altri termini all’interno ed all’esterno della frase.

  • E’ spesso necessario fare delle inferenze ed avere una conoscenza del mondo.



Lo spazio di ricerca: esplosione combinatoriale

  • Lo spazio di ricerca: esplosione combinatoriale

  • Sostanzialmente l’ambiguità aumenta il numero delle possibili interpretazioni delle espressioni in ling. nat. da controllare. L’esplosione combinatoriale deriva dal dover moltiplicare le analisi per ciascuna diversa interpretazione.

  • Es. Supponiamo che ciascuna parola di una frase di 10 parole possa avere 3 interpretazioni: il numero totale delle interpretazioni della frase sarebbe

  • 3*3*3*3*3*3*3*3*3*3= 59049



Ambiguità locale - globale

  • Ambiguità locale - globale

  • Ambiguità globale:

  • “Giovanni conosce molte più ragazze di Mario”

  • Ambiguità locale:

  • “anche se lui ne conosce molte”

  • Ambiguità locale significa che una parte della frase può avere più di una interpretazione

  • Ambiguità globale significa che l’intera frase può avere più di una interpretazione



Ambiguità locale - globale

  • Ambiguità locale - globale

  • L’ambiguità locale si può talvolta risolvere con l’analisi sintattica

  • es. The old trains …

  • …the young (1)

  • …left the station (2)

  • La sintassi permette di disambiguare che train nella frase 1 è verbo e nella frase 2 è sostantivo



Ambiguità locale - globale

  • Ambiguità locale - globale

  • L’ambiguità globale richiede un’analisi semantica e pragmatica

  • es. Vidi il Gran Canyon volare a New York (1)

  • Vidi il Boeing 747 volare a New York (2)

  • Il significato delle due frasi viene disambiguato perché sappiamo cosa può volare e cosa no (semantica).

  • In particolari circostanze le interpretazioni possono cambiare (pragmatica)



Ambiguità categoriale

  • Ambiguità categoriale

  • (1)Time is money (sostantivo)

  • (2)Time me on the last lap (verbo)

  • L’analisi sintattica aiuta ad identificare la categoria corretta

  • (3) Time flies like an arrow

  • Esistono 5 possibili analisi sint. per questa frase dove time può essere sostantivo, verbo, aggettivo



Word-sense ambiguity

  • Word-sense ambiguity

  • Una parola ha diversi significati (sensi)

  • (1) The battery was charged with jump leads

  • (2) Thief was charged by PC Smith

  • (3) The lecturer was charged with students recruitment

  • L’analisi sintattica aiuta a disambiguare:

  • charged with, charged by

  • L’analisi semantica aiuta a disambiguare

  • jump leads , student recruitment



Ambiguità strutturale

  • Ambiguità strutturale

  • Metti la scatola sul tavolo dalla finestra nella cucina

  • Possibili interpretazioni

  • (1)Metti la scatola (una scatola specifica, quella sul tavolo ) dalla finestra nella cucina

  • (2)Metti la scatola sul tavolo (un tavolo specifico) dalla finestra nella cucina

  • Problema della ambiguità proposizionale (in assenza di punteggiatura)



Ambiguità referenziale

  • Ambiguità referenziale

  • “Dopo che ebbero finito l’esame gli studenti e i professori lasciarono l’aula”

  • Possibili interpretazioni

  • (1) gli studenti finirono l’esame

  • (2) gli studenti ed i professori finirono l’esame

  • (3) gli studenti ed i professori lasciarono l’aula

  • Situazioni attese (usando i frame)

  • (1) Giovanni diede a Marco un regalo e lui ringraziò



Ellissi

  • Ellissi

  • Frasi incomplete dove non è chiaro il termine mancante.

  • Giovanni aveva studiato molto e superò l’esame. Anche Mario

  • (1)Mario aveva studiato molto

  • (2)Mario superò l’esame

  • (3)Mario aveva studiato molto e superò l’esame



L’elaborazione del linguaggio naturale richiede la descrizione di un modello del mondo.

  • L’elaborazione del linguaggio naturale richiede la descrizione di un modello del mondo.

  • Gran parte del significato non risiede all’interno delle parole, per cui il sistema di nlp deve avere la conoscenza del senso comune, o un modello del mondo usato da chi ha scritto il testo!



Giovanni ha comprato una Punto dal concessionario.

  • Giovanni ha comprato una Punto dal concessionario.

  • Chi ha venduto una Punto? Il concessionario

  • Giovanni ha regalato un anello alla sua fidanzata.

  • Cosa ha avuto in dono la fidanzata di Giovanni? Un anello.



Fornire spiegazioni a chi le chieda, anche per telefono (call center)

  • Fornire spiegazioni a chi le chieda, anche per telefono (call center)

  • Capire il testo di una pagina web e decidere a chi possa interessare (semantic web)

  • Tradurre la pagina di un quotidiano

  • Capire il testo di un giornale/libro e costruire un sistema esperto a partire da questa conoscenza

  • Generare risposte o testo libero per documentazione

  • ……



La sintassi:

  • La sintassi:

  • identifica il ruolo delle parole in una frase

  • descrive come le parole sono raggruppate in classi dette POS (part-of-speech)

  • mostra come le parole sono collegate tra loro all’interno di una frase

  • spiega come le parole sono collegate ad altre all’interno di più frasi.



Sono riconosciute almeno 8 classi principali:

  • Sono riconosciute almeno 8 classi principali:

  • noun, verb, adverb, pronoun, article, preposition, conjunction, participle

  • che permettono di associare un significato alla parola cui si riferiscono. Sapere se una parola è un pronome o un nome ci permette di riconoscere la tipologia di altre parole vicine alla prima.

  • Sono utili anche per le applicazioni (es. IR)



Le POS si dividono in due categorie:

  • Le POS si dividono in due categorie:

  • open class (con un numero imprecisato, ed in continua evoluzione, di elementi)

  • closed class (con un numero fisso di elementi)

  • function words (parole corte e usate frequentemente che assumono un ruolo importante in una grammatica)



Lista

  • Lista

  • “Sue hit John”

  • [s, [np, [proper_noun, Sue] ],

  • [vp, [v,hit] ,

  • [np, [proper_noun, John]]

  • Parse tree

  • Un modo di mostrare la struttura di un frammento di linguaggio (slide successiva)





Una grammatica descrive quali sono le strutture ammesse in un linguaggio e divide una frase in simboli terminali

  • Una grammatica descrive quali sono le strutture ammesse in un linguaggio e divide una frase in simboli terminali

  • Regole di riscrittura

  • sentence -> noun phrase, verb phrase

  • noun phrase -> noun

  • noun phrase -> determiner, noun

  • verb phrase -> verb, noun phrase



Transition network

  • Transition network

  • (come attraversare una frase con strutture idonee)







S

  • S

  • S -> np, vp

  • S ->prpn, vp

  • S ->Mario, v, np

  • S ->Mario, ama, np

  • S ->Mario, ama, det, n

  • S ->Mario, ama, il, n

  • S ->Mario, ama, il, calcio

  • Va bene se esistono simboli terminale alternativi per ciascuna parola

  • Va male se esistono regole alternative per una frase



Mario ama il calcio

  • Mario ama il calcio

  • Prpn, ama , il, calcio

  • Prpn, v, il, calcio

  • Prpn, v, det, calcio

  • Prpn, v, det, n,

  • Np, v, det, n

  • Np, v, np

  • Np, vp

  • S

  • Va bene se esistono regole alternative per una frase

  • Va male se esistono simboli terminale alternativi per ciascuna parola



Depth first

  • Depth first

  • Attiva le regole una per volta e torna indietro se fallisce (facile da programmare, richiede poca memoria, va bene se il parse tree è profondo)

  • Breadth first

  • Attiva tutte le regole insieme (può essere più veloce, l’ordine con cui appaiono le regole non è rilevante, va bene se il parse tree è piatto)



Una semplice grammatica

  • Una semplice grammatica

  • s --> np vp

  • np --> det n

  • np --> det adj n

  • vp --> v np

  • dove

  • s sentence “the cat ate the big fish”

  • np noun phrase “the cat”

  • vp verb phrase “ate the big fish”

  • det determiner “the”

  • n noun “cat”

  • v verb “ate”

  • adj adjective “big”



Si può usare il Prolog per esprimere grammatiche facendo corrispondere una regola Prolog a ciascuna regola della grammatica; es:

  • Si può usare il Prolog per esprimere grammatiche facendo corrispondere una regola Prolog a ciascuna regola della grammatica; es:

  • sentence (S) :-

  • noun_phrase (NP), verb_phrase (VP), append (NP,VP,S).

  • noun_phrase (NP) :-

  • determiner (D), noun(N), append (D,N,NP).

  • noun_phrase (NP) :-

  • determiner (D), adj(A), noun (N), append (D,A,AP), append (AP,N,NP).

  • verb_phrase (VP) :-

  • verb (V), noun_phrase (NP), append (V,NP,VP).

  • …….



  • determiner ([D]) :-

  • member (D,[the,a,an]).

  • noun ([N]) :-

  • member (N,[cat, dog, mat, meat, fish]).

  • adj ([A]) :-

  • member (A,[big, fat, red]).

  • verb ([V]) :-

  • member (V,[ate, saw, killed, pushed]).



Il parser è un algoritmo che usa una grammatica e un lessico per riconoscere la struttura di una frase. L’input è la frase da analizzare, l’output è una qualche rappresentazione della struttura della frase.

  • Il parser è un algoritmo che usa una grammatica e un lessico per riconoscere la struttura di una frase. L’input è la frase da analizzare, l’output è una qualche rappresentazione della struttura della frase.

  • Lessico

  • Il lessico mostra a quale simbolo terminale (simbolo che non può essere ulteriormente suddiviso) appartiene una parola del linguaggio (es.:

  • Eat= verbo

  • Duck=noun

  • Duck=verbo



s( sentence(NP,VP)) --> np(NP), vp(VP).

  • s( sentence(NP,VP)) --> np(NP), vp(VP).

  • np(noun_phrase(NP)) -->prpn(PN)

  • np(noun_phrase (D,N) -->det (D), n(N).

  • np(noun_phrase (D,A,N)--> det(D),adjs(A),n(N).

  • adjs(adjective_phrase(A)-->adj(A).

  • adjs(adjective_phrase(A,AJ))--> adj(A),adjs(AJ).



  • vp(verb_phrase (V)) --> v(V).

  • vp(verb_phrase(V,NP))--> v(V),np(NP).

  • det(determiner(X)) --> [X],{member(X,[a,an,the])}.

  • n(noun(X)) --> [X],{member(X,[woman, food])}.

  • prpn(proper_noun(X)) --> [X],{member(X,[john,sue,bill])}.

  • adj(adjective(X)) --> [X],{member(X,[red,fat,new])}.

  • v(verb(X)) --> [X],{member(X,[eats,likes,works])}.



Information retrieval

  • Information retrieval

  • Information extraction

  • Question answering

  • Summarization

  • Textual entailment

  • ….



“An information extraction system is a cascade of transducers or modules that, at each step, add structure and often lose information, hopefully irrelevant, by applying rules that are acquired manually and/or automatically”.

  • “An information extraction system is a cascade of transducers or modules that, at each step, add structure and often lose information, hopefully irrelevant, by applying rules that are acquired manually and/or automatically”.



L’estrazione di informazione da testi, IE (information extraction) è un processo di elaborazione che riceve in input testi e produce in uscita, come risultato dell’elaborazione, dati non ambigui in un formato predefinito.

  • L’estrazione di informazione da testi, IE (information extraction) è un processo di elaborazione che riceve in input testi e produce in uscita, come risultato dell’elaborazione, dati non ambigui in un formato predefinito.

  • Questi dati possono essere usati immediatamente, oppure possono essere conservati in una base di dati per analisi ed applicazioni successive.



  • L’information retrieval IR ricerca testi e li presenta all’utente

  • L’information extraction IE analizza testi e presenta all’utente solo quelle informazioni cui egli è interessato (xxx informazioni rilevanti xxx)

  • I sistemi di IE sono più costosi e richiedono maggiore conoscenza (knowledge-intensive); inoltre sono specifici per un particolare dominio ed applicazione. Nell’ipotesi di avere a disposizione grandi volumi di dati (domain document collection - corpora), i sistemi di IE diventano più efficienti di quelli di IR



Il linguaggio naturale è:

  • Il linguaggio naturale è:

  • Flessibile (modi diversi per affermare lo stesso fatto)

  • Ambiguo (la stessa affermazione può avere più significati)

  • Dinamico (vengono create nuove parole ed assegnati nuovi sensi a vecchie)



MUC Message Understanding Conference

  • MUC Message Understanding Conference

  • Tradizionalmente si riconoscono 5 diversi task di IE:

  • NE Named Entity recognition (ricerca e classificazione di nomi, luoghi, etc)

  • CO Coreference Resolution (identifica relazioni di identità tra entità nei testi)

  • TE Template Element construction (aggiunge informazioni descrittive ai risultai del NE usando le CO)

  • TR Template Relation construction (ricerca relazioni tra entità TE)

  • ST Scenario Template production (fa corrispondere i risultati del TE e TR negli specifici eventi di scenario



La performance dei task di IE dipende in maniera diversa da:

  • La performance dei task di IE dipende in maniera diversa da:

  • Testo (tipo di testo in analisi: articoli di giornale, email, documenti web, …)

  • Dominio (argomento generale dei corpora, es: notizie finanziarie, domande di lavoro, offerte commerciali, …)

  • Scenario (il particolare tipo di evento a cui è interessato l’utente del sistema di IE, es: fusione di compagnie, curricula, descrizione di un prodotto, …)

  • Se si cambia la domanda di informazione ed il corpus di partenza, le performance del sistema possono cambiare.



Vengono riconosciuti tutti i nomi di persone,luoghi, organizzazioni, date, quantità di denaro.

  • Vengono riconosciuti tutti i nomi di persone,luoghi, organizzazioni, date, quantità di denaro.

  • “Il 18 maggio 2006 il presidente Ciampi ha votato nel Senato come senatore a vita.”

  • “Le azioni della FIAT ieri hanno subito un ulteriore calo alla Borsa di Milano : le perdite dell’azienda sono dell’ordine di qualche milione di euro.”



Vengono riconosciuti tutti i nomi di persone,luoghi, organizzazioni, date, quantità di denaro.

  • Vengono riconosciuti tutti i nomi di persone,luoghi, organizzazioni, date, quantità di denaro.

  • “Il 18 maggio 2006 il presidente Ciampi ha votato nel Senato come senatore a vita.”

  • “Le azioni della FIAT ieri hanno subito un ulteriore calo alla Borsa di Milano: le perdite dell’azienda sono dell’ordine di qualche milione di euro.”



Le performance del task di NE sono molto alte (più del 90%) e paragonabili a quelle umane (difficoltà nel mantenere costanza di decisione nel tempo e su collezioni di documenti di grandi dimensioni )

  • Le performance del task di NE sono molto alte (più del 90%) e paragonabili a quelle umane (difficoltà nel mantenere costanza di decisione nel tempo e su collezioni di documenti di grandi dimensioni )



Vengono identificate nei testi relazioni di identità tra entità (sia identificate dal NE, che referenze anaforiche ad esse).

  • Vengono identificate nei testi relazioni di identità tra entità (sia identificate dal NE, che referenze anaforiche ad esse).

  • Task meno utile a sé stante ma importante per applicazioni; identificare, e collegare in un ipertesto, tutte le occorrenze di una specifica istanza in un documento e in più documenti.

  • Performance della CO basse (circa 60%) e dipendenti dal dominio.



“Oggi il nuovo Presidente della Repubblica Italiana è entrato nel pieno delle sue funzioni”

  • “Oggi il nuovo Presidente della Repubblica Italiana è entrato nel pieno delle sue funzioni”

  • “ Giorgio Napolitano ha ricevuto una scolaresca come primo atto da presidente della Repubblica; come ha avuto modo di dire loro, la qualificazione culturale dei giovani deve costituire un impegno per i responsabili della nazione. Lui si impegnerà in questa direzione.”



Come risultato delle attività di NE e CO, il sistema di IE diventa consapevole delle NE e delle loro descrizioni. Ciò rappresenta un primo livello di template (il cosiddetto template element).

  • Come risultato delle attività di NE e CO, il sistema di IE diventa consapevole delle NE e delle loro descrizioni. Ciò rappresenta un primo livello di template (il cosiddetto template element).

  • L’insieme dei template elements può essere considerato come una prima base di conoscenza a cui il sistema accede per ottenere informazioni sui principali concetti di dominio, così come essi sono stati riconosciuti nel testo.

  • La performance del task è circa 80%, l’umano circa 90%.



ORGANIZZAZIONE 123456789-1

  • ORGANIZZAZIONE 123456789-1

  • ORG_NAME FIAT

  • ORG_ALIAS Fiat

  • ORG_TYPE Gruppo

  • ORG_PLACE Torino

  • ORG_COUNTRY Italia



L’estrazione del template di scenario rappresenta la sintesi delle attività di task diversi, soprattutto l’identificazione di alcuni template element che sono in relazione tra loro.

  • L’estrazione del template di scenario rappresenta la sintesi delle attività di task diversi, soprattutto l’identificazione di alcuni template element che sono in relazione tra loro.

  • Ciò rappresenta un evento (scenario) collegato al dominio in esame. I valori riconosciuti vengono usati per riempire il template di scenario.



TEMPLATES ST:

  • TEMPLATES ST:





©astratto.info 2017
invia messaggio

    Pagina principale