質問応答（QA）は、情報検索と自然言語処理（NLP）の分野におけるコンピュータ科学の一分野であり、人間が自然言語で提起した質問に自動的に回答するシステムの構築に焦点を当てている。QA実装（通常はコンピュータプログラム）は、構造化された知識ベースを照会するか、より一般的には、非構造化の自然言語文書の集合から回答を抽出することによって、その回答を構築することができる。そのような文書集合の例には、参考書、編集された通信社記事、Wikipediaのページ、その他のワールドワイドウェブコンテンツが含まれる。
歴史
初期の質問応答システムには、BASEBALLとLUNARがある。BASEBALLは1年間のメジャーリーグベースボールに関する質問に回答し、LUNARはアポロ月面ミッションによって持ち帰られた岩石の地質学的分析に関する質問を扱った。両システムは選択された領域内で非常に効果的であり、1971年の月科学会議で実演されたLUNARは、その領域内で訓練を受けていないユーザーが提起した質問の90%に回答した。これらのシステムは、手書きの知識ベースと、最初のチャターボットプログラムであるELIZAやDOCTORで使用されたものと同様の言語技術に依存していた。
1960年代後半から1970年代前半にかけて、テリー・ウィノグラードはSHRDLUを開発した。これは、おもちゃの「ブロック世界」でロボットをシミュレートし、ユーザーがその世界の状態について質問できるようにする質問応答プログラムである。その強みは、非常に特定の領域と、符号化が容易な単純な物理規則にあった。1970年代には、より狭い知識ベースを持つエキスパートシステムが登場し、その領域内でより再現性が高く有効な応答を生成した。これらのシステムは、大規模なテキストコーパスの統計的処理ではなく、専門家が構築した知識ベースに依存している点で、現代のQAとは異なっていた。
1970年代と1980年代には、計算言語学の進歩が見られ、カリフォルニア大学バークレー校のUnix Consultant（UC）などのプロジェクトが生まれた。UCは、包括的な手作りの知識ベースを用いてUnixオペレーティングシステムに関する質問に回答し、LILOGは、ドイツのある都市の観光情報のためのテキスト理解システムであった。これらのシステムはデモ段階に留まったが、計算言語学と推論の理論に貢献した。健康科学者や生命科学者のためのEAGLiなどの専門システムも開発された。
2011年、IBMのWatson（質問応答コンピュータシステム）は、ジェパディ！のエキシビションマッチでブラッド・ラターとケン・ジェニングスに勝利した。Facebook Researchは、Wikipediaを知識源として使用するオープンソースシステムであるDrQAをリリースした。deepsetによるオープンソースフレームワークHaystackは、オープンドメインQAと生成的質問応答を組み合わせ、産業用途向けの言語モデルのドメイン適応をサポートしている。GPT-4やGeminiなどの大規模言語モデル（LLM）は、より洗練されたテキスト理解と生成を可能にする成功したQAシステムであり、テキスト、画像、音声を処理するマルチモーダルシステムと組み合わせることで、QA機能を大幅に向上させる。
種類
QA研究は、事実、リスト、定義、方法、理由、仮説、意味的に制約された質問、および言語横断的な質問を含む、幅広い質問タイプを扱う。システムが与えられた記事に関する質問に回答する読解QAは、文脈が比較的短いため、より単純な形式である。クローズドブックQAは、訓練中に事実を記憶し、明示的な文脈なしで回答できるシステムを指し、これは人間がクローズドブック試験を受けることに似ている。
クローズドドメインQAは、医学や自動車整備などの特定の領域内の質問を扱い、多くの場合オントロジーに形式化されたドメイン固有の知識を活用できる。また、記述的な質問ではなく手順的な質問など、限られた質問タイプのみが受け入れられる状況を指すこともある。例えば、アルツハイマー病に関する医療QAシステムが構築されている。オープンドメインQAは、ほぼすべての事柄に関する質問を扱い、一般的なオントロジーと世界知識に依存し、通常、回答抽出に利用できるデータがはるかに多い。
現代のアプローチ
現代のQAシステムは、大規模言語モデルとトランスフォーマーアーキテクチャをますます活用している。これらのモデルは、膨大なテキストコーパスで訓練され、学習した知識から回答を生成することでクローズドブックQAを実行できる。オープンドメインシステムは、コーパスから関連文書を選択する検索器と回答を定式化する生成器を組み合わせた検索拡張生成をしばしば使用する。このアプローチは、HaystackやDrQAなどのフレームワークで使用されている。
深層学習とニューラルネットワークは最近の進歩を促進し、システムが複雑な質問タイプやマルチモーダル入力を処理できるようにした。OpenAIやAnthropicによって開発されたものなどの生成的AIモデルは、多様な領域で強力なQAパフォーマンスを示している。対話性、回答の再利用、意味解析、回答提示、知識表現、ソーシャルメディア分析などのトピックに関する研究が続けられている。
応用と課題
QAシステムは、カスタマーサポート、医療、教育、情報検索など、さまざまな分野で応用されている。これらは、仮想アシスタント、検索エンジン、エンタープライズ知識管理ツールを支えている。課題には、曖昧な質問の処理、事実の正確性の確保、訓練データのバイアスの管理が含まれる。現在の研究では、エージェントが物理的環境と対話する身体化QAと、画像理解と質問応答を組み合わせた視覚QAが探求されている。
将来の方向性
将来のQAシステムは、音声や動画を含むマルチモーダルデータとより深く統合し、システムが明確化の質問をできるようにする対話機能を向上させる可能性が高い。強化学習とモデル効率の進歩により、より堅牢でスケーラブルなシステムが可能になるかもしれない。人工知能が進化し続けるにつれて、QAは人間とコンピュータの対話の中心的な構成要素であり続けるだろう。