LIHLITH: Aprendiendo a interactuar con las personas mediante la interacción continuada con personas

• Autores: Anselmo Peñas Padilla , Mark Cieliebak, Eneko Agirre Bengoa , Arantxa Otegi Usandizaga , Camille Pradel, Sophie Rosset
• Localización: Procesamiento del lenguaje natural, ISSN 1135-5948, Nº. 63, 2019, págs. 147-150
• Idioma: español
• Títulos paralelos:
  • LIHLITH: Learning to Interact with Humans by Lifelong Interaction with Humans
• Enlaces
  • Texto completo
• Resumen
  • español

    El proyecto LIHLITH investigará, innovará y validará un nuevo marco de aprendizaje permanente aprendizaje continuo para la interacción entre humanos y máquinas en dominios específicos con el objetivo de mejorar la calidad de los sistemas de diálogo existentes y reducir el coste de implementación en nuevos dominios. LILITH desarrollará sistemas de diálogo que aprenden de forma autónoma de sus interacciones con los usuarios, y retendrá este nuevo conocimiento para responder de manera más precisa en futuras interacciones. La idea clave es que los sistemas de diálogo se diseñarán para obtener feedback del usuario. Basándose en esta información, el sistema seguirá mejorando después del despliegue todos los módulos del sistema. El proyecto LIHLITH también desarrollará protocolos de evaluación y benchmarcks para permitir la comparación y reproducibilidad en el futuro.

  • English

    The LIHLITH project will research, innovate and validate a new lifelong learning framework for the interaction of humans and machines on specific domains with the aim of improving the quality of existing dialogue systems and lowering the cost of deployment in new domains. LILITH will develop dialogue systems that learn autonomously from their interactions with the users, and retain this new knowledge in order to answer more accurately in future interactions. The key insight is that the dialogue systems will be designed to get feedback from the user. Based on this feedback, the system will keep improving after deployment all modules down in the pipeline. LIHLITH project will also develop and deliver evaluation protocols and benchmarks to allow public comparison and reproducibility. |

• Referencias bibliográficas
  • Agirre, E., A. Jonsson, and A. Larcher. 2019. Framing lifelong learning as autonomous deployment: Tune once live forever. In Proceedings of...
  • Chen, Z. and B. Liu. 2016. Lifelong Machine Learning. Morgan & Claypool Publishers.