AWS近日在Alexa博客中发布了一项只用新类别数据，来添加AI系统分类类别的研究成果，通过新方法将添加识别类别的训练工作最小化，该研究由Alexa研究团队首席科学家Alessandro Moschitti和其来自意大利特伦托大学的同事Lingzhen Chen，近期会在美国AI协会举办的第33届研讨会中，发布只用新类别训练数据，更新AI系统分类器技术的论文。
现今大部分热门的AI系统核心都是分类器，借由分类器将输入数据分为多个不同的种类，举例来说，分类器读取狗的图片后，能够根据图片的特征，将该图片分为狗，而不是猫，而语音的数据也是同理，但是，如果要在既有的分类器中加入新的种类，传统的方法就需要大量的新类别训练数据，经过繁杂的训练的过程，才能更新分类器。
过去的方法需要大量地新类别数据，并将这些数据加入原本用来训练分类器的数据中，最后再借由集成的数据集，训练出新的分类器，而现在的商用AI系统，都是通过数百万的范例训练而成，若要每添加一个类别就要重新训练分类器，将会是非常费力的工作。
在研究实验的范例中，研究人员训练了可以识别线上新闻文章中人和机构的神经网络，目标是要在原有的分类器中添加可以识别地点的能力，实验结果显示，最有效地方法是保留既有的分类器，将分类器输出的数据传递给一个独立分开的分类器，研究人员称之为神经适应器（ neural adapter），接着，将神经适应器的输出数据当作是第二个平行分类器额外的输入数据，也就是说，适应器和新分类器是一起训练的，在执行的过程，相同的输入数据会一起通过分类器。
图片来源：AWS
这项研究成果对Alexa意义重大，由于Alexa的开发团队主要负责Alexa的核心功能，但是AWS也通过Alexa技能工具包，允许第三方开发者来打造自家的Alexa技能，现在已经有超过7万个第三方开发的技能，这项研究成果能够让第三方开发者，在不需要访问训练数据的情况下，直接利用Alexa的系统来开发新技能。