Асистент Зукърбърг и операционната система "Саманта": два вида гласови системи
Работя в лаборатория
Има два начина да погледнете какво егласов асистент. Представете си, че имате виртуален иконом. Например, преди около пет години Марк Зукърбърг направи умен асистент в дома си, нарече го "Джарвис". Знаеше как да пуска хората в къщата, да отваря и затваря врати, завеси, да включва светлината. Други примери за такива устройства са "Alexa" и "Alice", те живеят в устройството и са в състояние да подобрят живота. Те могат да управляват фурната, пералнята, прахосмукачката и така нататък.
Друг начин да погледнете асистентите е катоинтерфейс. Във филма „Тя“ имаше операционна система, наречена „Саманта“, в руската озвучителна игра тя имаше същия глас като „Алиса“ от Yandex. Тя действаше като интерфейс за управление на операционната система и не беше проектирана като асистент. Apple има този подход - Siri, Microsoft - Сortana, Google - Google Assistant.
Как работят?
Всички асистенти са изградени на много подобенпринцип. Първото нещо, което трябва да направи, е да чуе гласа. Това се случва на устройството на потребителя - мобилен телефон или интелигентен високоговорител. Потребителят казва: "Alice", "Alexa", "OK Google". След тези вълшебни думи устройството е готово да запише гласа на потребителя. Това се случва до определен момент - докато клиентът замълчи или устройството се умори да чака, докато замълчи. След това данните се изпращат на сървъра на компанията, която предоставя услугите.
Тук започва магията.Първата операция е преобразуване на реч в текст. Всеки казва различно, как да конвертирам това в текст? След това започва това, за което използваме гласови асистенти – предоставянето на услуга. Това е всяка операция, която е достъпна онлайн – закупуване на билети, резервация на маса в ресторант. Единственият въпрос е как да осигурим удобен за потребителя интерфейс. Ако го няма, устройството се превръща в говорещ.
След като се обади на услугата, потребителят трябвавърнете резултатите, за това трябва да ги опаковате правилно. Най-вероятно това ще бъде текст, въпрос от страница в Интернет, песен, данни, които калкулаторът е изчислил. Данните се преобразуват обратно в реч и се предават на клиента.
Реч към текст
Комуникацията ни се осъществява чрез реч, гласът едвижение на въздуха наоколо. Тези вибрации падат върху тъпанчето, той избутва три кости - стремето, наковалня и чук. Те от своя страна люлеят орган, наречен охлюв. Получихме охлюва от риба, той е пълен с вода и в него живеят космени клетки, те осцилират заедно с водата в охлюва. Горните космени клетки усилват флуктуациите в течността и ги предават на долната част на космените клетки, които образуват електрически импулс. Този импулс се предава на мозъка.
Освен това на различни места на кохлеята космените клетки са отговорни за различни честоти. Високите честоти се обработват в широката част, средните честоти ще бъдат в средата, а ниските честоти по-близо до центъра.
Как можем да накараме машината да възприема звука по този начинпо същия начин - не под формата на необработен сигнал, а под формата на набор от честоти? Отговорът на този въпрос е даден от френския математик Жан Батист Фурие, който е живял на границата на 18-19 век. Ученият предложи такава математическа трансформация, с помощта на която всичко е същото като в ухото - се взема необработен сигнал и се разлага на честотни компоненти.
Какво да правя с честотните компоненти?Можем да съпоставим спектрално представяне с фонема, тоест можем да преобразуваме речта в фонеми. Повече или по-малко лесно се преобразуват алгоритмично в букви. Тоест можем да получим дума от фонетично представяне.
Но всичко това е неточно.Има фонеми, които се различават леко, преходите от един звук към друг могат да звучат различно. Те се наричат сенони, има около 10 хил. Но когато са толкова много, задачата за дефиниране на думите става много по-трудна.
Борба с бъгове
Как изследователите се справят с грешките?Отговорът на този въпрос е даден от руския математик Андрей Марков, живял в началото на 19-20 век. Той разработи теория, описваща процеси, при които едното следва от другото. И благодарение на неговата теория са разработени скрити модели на Марков. Това е един от първите начини за коригиране на грешки от този вид.
Например, когато човек говори неясно, тойакцент или той неправилно произнася думата - има математически механизъм, който ви позволява да възстановите и определите с висока точност какво е имал предвид човекът. В крайна сметка хората също правят грешки, но се разбират, което означава, че имаме механизъм за коригиране на грешки в главите си.
Но представянето на текста не е достатъчно -компютърът работи с числа. Как да ги получите? Ноам Чомски има хипотеза, че имаме структура в мозъка, освен това налична на ниво раждане, която ни помага бързо да научим естествени езици. Чомски през целия си живот изгражда, усъвършенства и работи по модел, който определя какви общи модели има в даден език, без значение какъв - руски, английски или китайски.
На слайда - граматиката на Чомски.Това е приблизително същото, което правят в уроците по руски език, когато анализират изречение по състав. Има съществителни, прилагателни, субекти, сказуеми, глаголни групи - всичко това е формализирано и може да се покаже на машината. Тази структура лесно се представя под формата на числа.
Машината може да разбере за какво е обектътпредложение и какви действия да предприеме. Например, ако клиентът каже: „Алиса, включи малко музика“, тогава „включи“ ще бъде действието, „музиката“ ще бъде обектът, върху който се извършва действието. "Алиса" ще разбере клиента и ще започне да предприема действия.
Но самите думи са колекция от букви, каторазберете значението им? Има подобни думи - "играй" и "играй", ще разбере ли устройството, че това е едно и също нещо? Отговор на този въпрос даде американският лингвист Леонардо Блумфийлд. В началото на двадесети век той предлага теория, при която значението на една дума се определя от контекста, в който се намира тази дума. Погледнете слайда и помислете коя дума може да се замени с три точки.
Моят отговор би бил слон, но когато попитахстуденти, те казват, че може да има носорог или дори жираф. Но като цяло разбираме, че това е голямо животно, което живее в Африка и което може да се ядоса. Ако комбинираме всичко това, тогава получаваме някакво семантично описание на този обект, без да използваме самата дума.
Но ако дигитализираме това, ще получимдесетки хиляди числа. И благодарение на американския математик Джийн Голуб той успя да разбере как значително да намали броя на цифрите. Вместо да използват числа, те използваха колекция от числа, наречена вектор. И този вектор може да се използва за разбиране на близост или разстояние в смисъла, семантична свързаност. Така че можете да разберете, че „игра“ е приблизително същото като „игра“.
Вече има инструменти, където можете да въвеждате думи,и ще стане ясно как са разпределени на картата на значенията. Например думите „жираф“, „слон“ и „носорог“ са групирани и завършват една до друга в пространството на значенията. Тези методи са еволюирали и сега изглеждат много по-напреднали.
Представили сме думи под формата на структура, изречения под формата на структура, представили сме думи под формата на значения, всичко това е под формата на числа, какво следва?
Услуги
Всяка услуга има стотици хиляди, милиони,милиарди обекти. Ако говорим за търсене в интернет, това са стотици милиарди страници, десетки милиарди изображения. Ако поточно предаване на музика, милиони песни.
Един от първите подходи за индексиране на данни −изграждане на двоични дървета за търсене. Същото се използва в речниците: отваряте го в средата и ако сте пропуснали правилната дума, превъртете назад, ако не сте я разбрали, продължете. Но през 1962 г. съветските математици Георги Аделсон-Велски и Евгений Ландис измислиха структура от данни, която се поддържа в състояние на бързо търсене.
Тази система работи само с линейни данни −цифри или думи. И какво ще се случи с многоизмерните данни, ако искаме да търсим нещо на карта или в триизмерно пространство? За да направят това, те измислиха такива структури като kd-дървета, те перфектно се справят със задачите за търсене в триизмерно пространство. Но те спряха да работят за съвременни задачи, където текстът се описва със стотици числа.
Но благодарение на теоретичната работа от края на ХХ векЕрик Бърнинсън предложи разработването на дървета за търсене, наречени Anna, които могат да се използват за гарантиране на добро качество на търсене в огромни колекции. Това работи за цялата обширна база на Spotify - прекрасен резултат, който беше получен само преди пет години.
Има и други подходи:например социологът Стенли Милграм прави странни и понякога нечовешки експерименти. Той роди теорията за шестте ръкостискания, според която всички хора на Земята се познават чрез не повече от шест ръкостискания. За да направи това, той помоли хората да изпратят писмо до непознат. След това трябваше да изберат измежду своите познати онези, които биха могли да познават този човек. И се оказа, че им трябват шест писма, за да направят това. Експериментът беше критикуван, но повторен през 2000-те - и потвърди резултатите.
Това е невероятно свойство, което в математикатапридобива името граф "Малък свят". Руски учени - групата на Юрий Малков - предложиха интересен алгоритъм. Използвали са го, за да намерят всичко навсякъде. Възлите в тази графика вече не са хора, а документи.
В тази графика - най-краткото разстояние между всекиняколко обекта. Потребителите могат да намерят това, от което се нуждаем много бързо. Тази структура от данни сега се използва в много компании в Русия и чужбина - Facebook, Mail.ru, Yandex. Отличен математически модел, който промени не само услугите за търсене и препоръки, но и гласовите асистенти.
Прочетете още
Вижте първия в света едностепенен орбитален кораб на бъдещето
В продължение на три години учените вярваха, че на юг от Марс има вода. Оказа се, че не е
Хиперзвуков самолет, задвижван с водород, може да достигне скорост до 12 Маха. Това е почти 15 000 км/ч