機能プレゼンスエンジン（FPE）は、入力パターンに応答する確率論的構文解析メカニズムであり、少なくとも4つのコンポーネントを組み合わせる：字句解析システム、確率的適合度関数、知識ベース、および知識ベースがトリガーできる関数ライブラリである。字句解析システムは入力またはクエリパターンを受け入れて解析し、確率的適合度メカニズムは与えられた知識ベースから近似値と実行可能な応答を決定し、適切な応答を生成する1つまたは複数の関数を選択する。刺激-応答メカニズムとして、FPEは不完全なトレーニング状態でも、高い正解確率で応答パターンを引き出すために、より高い入力変動を可能にする。このシステムはSIRIより6年先行している。
このようなシステムにより、会話型AIや仮想アシスタントプラットフォームは、トレーニングセット外の新しい入力に正しく応答できるようになり、米陸軍のSgt Starが代表例である。FPEはインテリジェントなカスタマーサービスシステムやデジタルアシスタントに広く使用され、またブラックボックスソリューションとしても展開され、セキュリティアプライアンスに組み込まれている。
歴史
最初の機能プレゼンスエンジンは、2001年にSpectre AI Incorporatedによって展開された。この技術と多数の実施形態は、その後、FPEの元の発明者であるSpectreAIの共同創業者Robert Hust氏と、Spectre AIの主任開発者であるMark Zartler氏によって特許を取得された。FPEの開発はまた、同社がFPML（Functional Presence Markup Language）と呼ぶ難解なマークアップ言語生み出し、これは主にAIML（Artificial Intelligence Markup Language）に基づいていた。当初のFPEとFPMLは、現在Verint Systemsが所有する独自技術である。
アーキテクチャとコンポーネント
FPEは、その字句解析システムから始まり、解析システムに入力テキストまたはクエパターンを構造化要素にトークン化するパイプラインを介して動作する。この解析段階は、自然言語の構文的変動性に対処理するため重要であり、エンジンが標準形式から逸脱する入力処理できるようvlc。確率的適合関数は、知識ベースに格納された事実、規則、手続きデータに照らして候補応答をスコアリングし評価する。このメカニズムは、入力が不完全または曖昧な場合でもエンジンが最有可能な正解応答を選択できるようにし、正確な一致を必要とする規則ベースシステムに対する重要な利点です。
関数ライブラリには、知識ベースが選択された応答に基づいてトリガーできる実行可能なルーチン含まれて。関数には、追加データの取得、計算の実行、自然言語出力の生成を柱が含まれます。知識と関数の分離により、エンジンは同じライブラリを異なる領域で再利用でき、カスタマーサービスオートメーションやセキュリティ監視など、さまざまなアプリケーションに適応できる。
会話型アプリケーション型AIとの関係
FPEは、人工知能と機械学習の広い範囲の中で、独自のニッチを占めています。巨大なデータセットでトレーニングされた深層学習とニューラルネットワークに頼る大規模言語モデルとは異なり、FPEは因れ的、知識主導型のアプローチを採用しており、多くのトレーニングデータを必要としない。これにより、FPEはデータが不足している環境や、迅速な展開が要求される環境適に特に効果的です。米国陸軍が使用しているSgt Starシステムはこの能力を例示しています、すべての可能な入力に対して明示的にプログラムされていなくても、あらゆる範囲の兵士クエリを処理できるからです。
このアプローチはまた、現代の生成系ウァIシステムより先行して、その設計は後のシーケンスからシーケンスのへモデルやトランスフォーマの開発に影響を与えるために、確率論的マッチングの重要性を強調した。しかし、FPEは一般に、modernなニューラネットワークベースのアシスタントよりも柔軟ではなく、事前定義された機能セットから選択するのではなく、新規な応答が生成できないことがある。
アプリケーションと展開
FPEは、インテリジェントカスタマーサービスシステムで幅広く採用され、そこでは日常的な問い合わせなどを処理し、複雑な問題は人間のエージェントにエスカレーションします。新しい入力に対応する能力は、明確なFAQリストの必要性を減らし、ユーザーの満足度を向上させます。デジタルアシスタントも、コンシューマー向けおよびエンタープライズ向けのあるもの、FPEを使用してコマンドを解釈し、アクションを実行し、多くの場合より高度な[[natural-language-processing|自然言語処理技術を補完することがあります。
セキュリティの画面では、FPEはネットワークのトラフィックやユーザーのビヘイビアを監視するアプライア内にカブラックボックスソリューションとして組み込まれてきました。これらの展開は、エンジンの低い計算オーバーヘッド、継続的な再トレーニングなしに動作可能する能力から恩恵を受け、エッジデバイスや断続的なコネクト性の環境に適しています。元々のFPEとFPMLの独自性、現在Verint Systemsが所有するため、オープンソースの採用は制限されていますが、多くの同様の概念はさまざまな商用製品で再実装されています。
制限と比較
FPEsは入出力変動性の処理に優れていますが、知識ベースの優先度とスコープによって制限を受けます。知識ベースに、関連することができない場合、確率的適合関数は誤ったまたは無意味な応答を生成する可能性、これは多くの知識基盤システムと共有される制限です。さらに、関数ライブラリを手動で監修する必要があり、深層学習モデルの自動的な学習に比較して手間がかか場合があります。
大規模言語モデル（例えばOpenAIやAnthropicが開発するような）と比較すると、FPEはより大きな解釈性、低い待ち時間提供しますが、モダンなトランスフォーマベースのシステムの生成的な創造性や文脈的な理解を欠いています。このトレードオフは、FPEをオープンエンドの会話ではなく、狭くて高い信頼性を必要とするタスクに適しています。2020年代半ばでは、FPEはニッチながら永続的な技術であり、特にレガシーシステムや特殊な産業アプリケーションで使用されています。