全球人工智能顶赛DSTC9落幕，百□度大脑斩获四项冠军
近日，2020年第九届国际对话技术竞赛DSTC9陆续公布了各赛ㄨ道排名，百度参与其中4项任务的角逐，并在最终的榜单】中拔得头名，全面涵盖◥了开放域闲聊、知识对话、任务型对话等关键№技术问题。据悉，百度在这些任务中所使用的核心技术，均基于其最近开源的开放域对话模型PLATO-2。

人工智能

据了解，PLATO-2 是基于隐空间技术的大规模开放域对话模型，参数↓规模高达16亿，可就开放域话题深度畅聊，在中英文效果上，已全面超越〗Google Meena、Facebook Blender、微软小冰等先进模︼型;其中文模型』也已开放试用接口服务，为实现人机自由对话梦想贡献一份力。

从“一对一”到“一对多” PLATO-2展现对话领域强大通用能力

随着科技的不断进步，智能对话正在成为大家喜爱讨论⌒　的热点话题，大家愈来愈习惯性以语言来和设备开展沟通交流。但无论是在哪种场景下，智能助手与真实能与■人们就开放话题进行自然的对话依然有▽差距。

对于这一难题， 各大科╳技公司使用大规模的类人对话语料，基于预训练技术，在对话生成上取≡得了可喜进展，如今很多对话模型已能仿真模拟产生与人类相仿的对话。可是，巨大的对话语料库下掩藏着丰富多彩的♂背景信息，一样的对◥话上文能够有各种不同的回应，那样“一对多”难题依旧是当今对话系统软件遭遇的一个关键难题。

针对这一难∏题，百度提▂出了带有离散隐变量的PLATO-2模型，可以对“一对多”问题进行有效建模，且基于课程学习的方式进行大规模模型的高效训练。其过程包括两个】阶段：第一阶段，基于简化∩的“一对一”映射，训练得到基础的回复生成模型;第二阶段包含生成-评估两∑个模型，针对开放域对＠ 话的“一对多”问题，通过引入离散隐变量进行建模，训练得到更高质量的回复生成模型，同时训练评估模型，从多个候选中♀选择出最合适的回复。

而在此次竞赛中，百度也证◆明了通过PLATO-2在对话领域强大的通用能力，可以在预训练各个阶段获得可广泛支持︻多种类型对话系统的模型。

逐步优化参数、加快训练效率 PLATO-2斩获四项任务冠军

在Track-1中，赛∮方就从回复中知识的准确度以及回复与上文的合适度出发，来综√合考验训练模型。

面对该难题，百度基于预训练模型进一步训练了前两个子任务的分类和●排序模型，从而实现精准的知识选择，并得以辅助PLATO-2模型生成知识增强的回复。如下图▲示例，系统根据对话上文，从大规模知识库中选出合适的知识，并合理的利用知识生成了高质量的回复。最终，百度在第一赛道的人工评估中⌒，排名第一。

和Track-1 类似，Track-2也是面向任务型的对话系统，但没有使用额外的非结构化知识，且该赛道共有2个独立的子任务。百度参与了子任务▓1，并在最终的人工评估中，与另外一个团队并列第一。基于PLATO-2第一阶段模型，百度在该跨领域任务对话上进行了Fine-tuning，模型可以端到端的生成对话状态、对话动作以及高质回↘复。

值得一提的是，在子任务1评估中，还考虑了宽松和严格2种场景下的任㊣务成功率，百度在该指标下排名第一，显著超越了其他系统。最终的榜单为宽松和严格评估的均值，百度和另外一个团队并列第一。

相比于前两个赛道，Track 3更接近开放域◣对话问题。它的特点是对于聊天的范围不设限制，也没有明确目标，以能和↑人类进行自由、有趣∴的交流为目的。在子任务1的考核中，赛方会从流畅性、相关性、准确度、参与度等8个方面对回复进行打分，并给出整体得分。榜单上，有3组模型的结果比较接近，最终∞并列头名，据悉前2组结果均为百度提交的不同参数设置下的PLATO-2模型。

在子任务2中，更加注重开放域的人机交互效果，而这恰恰☆是PLATO-2的擅长之处。最终结果显示，该榜单前2名均被百度包揽，其中百度开源的PLATO-2模型排名第一。

事实上，如此大规模模型训练与百度※深度学习平台强大的并行能力支持密不可分。 PLATO-2包含中英文两个部分的模型。其中，中文模型基于12亿中文开放域多⌒轮对话样本进行训练，而英语模型则基于7亿英语开放域多轮对话样本进行训练。在PLATO-2的训练过程中，还利用了飞桨Fleet库的㊣　并行能力，使用了包括Recompute,混合精度训练等策略，基于高性能GPU集★群进行训练。

如今，百度基于PLATO-2在对话内容方面的强大能力，让其丰富度和连贯性上展现出了新的高度，且有望为智能对话开辟出ξ全新的领域。百度PLATO-2英文模型和︾训练代码已经在GitHub开源。

以上就是〓对“全球人工智能顶赛DSTC9落幕，百度大脑∴斩获四项冠军”的相关介绍，如果企业想通过百度营☉销带来更多客户，您可以在下方免费注册百度营销了解更多。