طراحی و ساخت یک مکانیزم گفت‌وگو مناسب روبو خیمه‌شب‌باز با قابلیت یادگیری عمیق

هدف از این پژوهش، طراحی و ساخت یک مکانیزم گفت‌وگو بر مبنای متن‌کاوی و پردازش زبان طبیعی بر روی یک روبو خیمه‌شب‌باز با قابلیت یادگیری عمیق گفت‌وگو با رویکرد استدلال عمیق است. عروسک‌های خیمه‌شب‌باز یکی از قدیمی‌ترین عروسک‌ها در حوزه تعامل با مخاطبین است که به صورت مستقیم توسط یک گرداننده کنترل می‌شود. با توجه به پیشرفت‌های بیان‌شده در هوش مصنوعی و یادگیری عمیق، می‌توان شرایطی را فراهم کرد که وابستگی عروسک‌های خیمه‌شب‌باز به گرداننده کاهش یابد و با هوشمندی با مخاطبین ارتباط برقرار کند. این ربات، با تشخیص گفتار فارسی مخاطب، یک پاسخ مناسب برای پرسش تعیین می‌کند و به صورت صوتی و با زبان فارسی پخش می‌کند. اهمیت این موضوع در ایجاد مکانیزم گفت‌وگو مناسب است. این مکانیزم، یک الگوریتم یادگیری عمیق است که با تشخیص سوال مطرح‌شده توسط کاربر، یک مجموعه احتمالات از دسته‌بندی‌های قرارگرفته در مجموعه داده ربات ارائه می‌دهد و با در نظر گرفتن بالاترین احتمال، دسته موردنظر که پرسش کاربر در آن قرار می‌گیرد مشخص می‌شود و از بین پاسخ‌هایی که برای آن دسته سوال در نظر گرفته شده‌است، یک پاسخ به صورت تصادفی انتخاب می‌گردد. علاوه‌براین، مکانیزم گفت‌وگو روبو خیمه‌شب‌باز دارای چند بخش ساده شرطی است که می‌تواند به سوالات تکراری یا نامفهوم پاسخ مناسبی ارائه دهد. در نتایج حاصل از آموزش‌های مختلف با تغییر پارامترها در مدل یادگیری عمیق این ربات با مجموعه داده 64 کلاسی مشخص شد که استفاده از لایه‌های مزدحم با نرون‌های زیاد بهتر از چند لایه از آنها عمل می‌کند و میزان دقت آنها تاثیر زیادی در دقت نهایی مدل ندارد.

designing and building a dialogue mechanism suitable for robopuppet with using deep inference learning

this research endeavors to construct a mechanism, blending text mining and natural language processing, to apply a deep learning dialogue and deep reasoning approach to puppet robot. historically, tent dolls have been an ancient method of interacting with audiences, being directly managed by an operator. with breakthroughs in artificial intelligence and deep learning, it is now possible to reduce the dependence of tent dolls on operators, thereby enabling them to communicate intelligently with audiences. the robot, by identifying the audience’s persian speech, ascertains a fitting answer to their inquiries and broadcasts it in audible persian. the dialogue mechanism, deeply ingrained in a deep learning algorithm, identifies the user’s question and proffers a range of possible answers from the robot’s dataset categories. utilizing the highest probability, the category containing the user’s question is identified, and responses to those questions are selected at random. additionally, the robo tent dialogue mechanism comprises several uncomplicated conditional sections that can furnish suitable responses to repetitive or inappropriate questions. through diverse training and by altering parameters in the robot’s deep learning model, using a 64-class dataset, results reveal that the application of technologically advanced, high-neuron layers outperforms multi-layers without detrimentally impacting the model’s final accuracy.