Tolkningsbarhet av maskininlärningsmodeller inom språkdatabehandling

De senaste åren har språkteknologifältet förändrats radikalt med tillkomsten av djupinlärning (på engelska: Deep learning). Djupinlärning är baserat på artificiella neurala nätverksmodeller och består av många processlager, komplexa strukturer och miljontals beräkningar som gynnas av stora mängder data.

Fastän språkteknologi har gjort stora framsteg tack vare djupinlärning, så vet vi väldigt lite om vad modellerna ”lär” sig. Detta forskningsprojekt går ut på att utveckla och använda metoder för att möjliggöra tolkning av djupinlärningsmodeller inom språkdatabehandling och på det sättet undersöka vad för lingvistiska strukturer och fenomen som dessa högt presterande modeller lär sig.