Без заголовка

>> Вот возьмите sentiment analysis... >Это только потому, что та постановка задачи S.A., которая сейчас в работе, очень сильно сужена по сравнению с общей. В общем случае S.A. должен определить структуру эмоции, а не только её знак. >Поскольку эмоция имеет мотивообразующие свойства, то у неё есть структура -- конкретное действие, к которому побуждается субъект. И, хотя мы сейчас знаем, как там и что тикает, перейти к практическим экспериментам пока еще нельзя. Всё уприрается в уровень машинного обучения, который пока еще не достигнут, на сколько я знаю. Та постановка S.A. успешно предсказывает цифру отзыва, которую поставит человек. Вот и всё. А ваша расширенная формулировка -- это уже задача синтаксически-семантического анализа, для которой данные я тоже привёл. Для хорошего анализа, увы, в основном не хватает данных (человеку в мозг залезть пока не можем, описывать всё дорого, компьютеры сами учиться умеют плохо -- слишком много ошибок, что сводится). Структуру эмоций при этом на построенных графах предложений выучить с помощью того же word2vec достаточно просто. >> В общем, моё резюме: проблемы уже решены в теории, но решения ещё пока слишком непрактичны -- что всего лишь вопрос времени и вложенных денег в железо и в данные для обучения. >Это очень легко может стать вопросом слишком большого времени :) Между "я в принципе понимаю как оно тикает", "я знаю, как это сделать" и "у меня заработало" -- пропасти. Хорошо, когда есть тот же torch и на нем запилить какой-нибудь neural-style -- это вопрос одного скрипта. Но если проблема не вписывается в инструменты, то очень легко можно надолго зарыться в очень сложном программировании. Согласен полностью, время до практического решения может пройти любое. В основном, время будет зависеть от разрешения вспомогательных проблем, о которых я говорил выше, ну и от характерного размера задачи, конечно. 1) железо 2) данные 3) петля обратной связи для данных Кстати, в machine translation и speech recogniton петля обратной связи есть -- ведь это задачи маппинга известного на известное. А вот в синтаксически-семантическом анализе увы такой петли пока не нашли -- это маппинг известного на неизвестное, поэтому количество данных для обучения в тысячи раз меньше возможного. Ну а в анализе эмоций характерный размер задачи намного ниже -- эмоций всего сотни (сравните с миллионом слов), в 10 измерений вполне впишутся. >> А когда это инженерам и учёным для своих работ нужен был консенсус? >Тогда, когда им нужно как-то начинать объединяться в группы, чтобы совметно работать над общей задачей. В ИИ уже давно один в поле -- не воин. А как объединяться, если нет хотя бы элементарного консенсуса? Сколько исследователей, стольк и когнитивных архитектур. На мой взгляд, причина и следствие тут перевёрнуты: люди не хотят объединяться в коллективы, поэтому и не ищут консенсус. Надо понимать, что упёртые проповедники самостоятельно изобретённых максим всегда будут. Большинство исследователей всё же принимают последние объединяющие веянья технологий, правда, в рамках нелюбви к работе и обучению в коллективах у них на это может уйти у них лет 5 или 25... Ну, сами себе злобные буратины!