Assistent Zuckerberg og styresystemet "Samantha": to typer stemmesystemer
Jeg arbejder i et laboratorium
Der er to måder at se på, hvad der erstemmeassistent. Forestil dig, at du har en virtuel butler. For eksempel lavede Mark Zuckerberg for omkring fem år siden en smart assistent i sit hjem, som kaldte ham "Jarvis". Han vidste, hvordan han skulle lukke folk ind i huset, åbne og lukke døre, gardiner, tænde lyset. Andre eksempler på sådanne enheder er "Alexa" og "Alice", de bor i enheden og er i stand til at forbedre livet. De kan styre ovn, vaskemaskine, støvsuger og så videre.
En anden måde at se på assistenter er sominterface. I filmen "She" var der et operativsystem kaldet "Samantha", i det russiske stemmeskuespil havde hun samme stemme som "Alice" fra Yandex. Hun fungerede som en grænseflade til styresystemstyring og var ikke designet som assistent. Apple har denne tilgang - Siri, Microsoft - Сortana, Google - Google Assistant.
Hvordan fungerer de?
Alle assistenter er bygget på en meget ensprincip. Det første, han skal gøre, er at høre stemmen. Dette sker på brugerens enhed – en mobiltelefon eller en smart højttaler. Brugeren siger: "Alice", "Alexa", "OK Google". Efter disse magiske ord er enheden klar til at optage brugerens stemme. Dette sker op til et tidspunkt - indtil klienten er tavs, eller enheden er træt af at vente, indtil den er stille. Derefter sendes dataene til virksomhedens server, som leverer tjenesterne.
Det er her magien begynder.Den første operation er tale-til-tekst konvertering. Alle siger forskelligt, hvordan konverterer jeg dette til tekst? Så begynder det, vi bruger stemmeassistenter til – levering af en service. Dette er enhver operation, der er tilgængelig online - køb af billetter, booking af bord på en restaurant. Det eneste spørgsmål er, hvordan man giver en brugervenlig grænseflade. Hvis den ikke er der, bliver enheden til en oplæser.
Efter at have ringet til tjenesten, skal brugerenreturnere resultaterne, for dette skal du pakke dem ordentligt. Mest sandsynligt vil det være en tekst, et problem fra en side på internettet, en sang, data, som lommeregneren har beregnet. Dataene konverteres tilbage til tale og sendes til klienten.
Tale til tekst
Vores kommunikation foregår gennem tale, det er stemmenluftbevægelser rundt. Disse vibrationer falder på trommehinden, den skubber tre knogler - stigbøjlen, ambolten og hammeren. De rocker til gengæld et orgel kaldet en snegl. Vi har fået sneglen fra fisk, den er fyldt med vand og der bor hårceller i den, de svinger sammen med vandet i sneglen. De øvre hårceller forstærker udsvingene i væsken og overfører dem til den nederste del af hårcellerne, som danner en elektrisk impuls. Denne impuls overføres til hjernen.
Desuden er hårceller på forskellige steder i cochlea ansvarlige for forskellige frekvenser. Høje frekvenser behandles i den brede del, mellemfrekvenser vil være i midten og lave frekvenser tættere på midten.
Hvordan kan vi få maskinen til at opfatte lyden sådanpå samme måde - ikke i form af et råsignal, men i form af et sæt frekvenser? Svaret på dette spørgsmål blev givet af den franske matematiker Jean Baptiste Fourier, han boede på grænsen til XVIII-XIX århundreder. Videnskabsmanden foreslog en sådan matematisk transformation, ved hjælp af hvilken alt er det samme som i øret - et råsignal tages og dekomponeres i frekvenskomponenter.
Hvad skal man gøre med frekvenskomponenter?Vi kan kortlægge en spektral repræsentation til et fonem, det vil sige vi kan konvertere tale til fonemer. De konverteres mere eller mindre let algoritmisk til bogstaver. Det vil sige, at vi kan få et ord fra en fonetisk fremstilling.
Men alt dette er unøjagtigt.Der er fonemer, der adskiller sig lidt, overgange fra en lyd til en anden kan lyde forskelligt. De kaldes senoner, der er omkring 10 tusinde af dem, men når der er så mange af dem, bliver opgaven med at definere ord meget vanskeligere.
Bekæmpelse af bugs
Hvordan håndterer forskere fejl?Svaret på dette spørgsmål blev givet af den russiske matematiker Andrei Markov, der levede i begyndelsen af det 19.-20. århundrede. Han udviklede en teori, der beskriver processer, hvor den ene følger af den anden. Og takket være hans teori blev skjulte Markov-modeller udviklet. Dette er en af de første måder at rette fejl af denne art på.
For eksempel, når en person taler utydeligt, hanaccent eller han udtaler ordet forkert - der er en matematisk mekanisme, der giver dig mulighed for at gendanne og bestemme med høj nøjagtighed, hvad personen mente. Folk laver jo også fejl, men de forstår hinanden, hvilket betyder, at vi har en mekanisme til at rette fejl i hovedet.
Men tekstgengivelse er ikke nok -computer arbejder med tal. Hvordan får man dem? Noam Chomsky har en hypotese om, at vi har en struktur i hjernen, desuden tilgængelig på fødselsniveau, som hjælper os til hurtigt at lære naturlige sprog. Chomsky bygger, forfiner og arbejder gennem hele sit liv efter en model, der bestemmer, hvilke fælles mønstre der er på et sprog, uanset hvad - russisk, engelsk eller kinesisk.
På diasset - Chomskys grammatik.Det er omtrent det samme, som de gør i russisk sproglektioner, når de analyserer en sætning for komposition. Der er navneord, adjektiver, subjekter, prædikater, verbumgrupper - alt dette er formaliseret og kan vises til maskinen. Denne struktur er let repræsenteret i form af tal.
Maskinen kan forstå, hvad emnet er iforslag og hvad der skal gøres. For eksempel, hvis klienten siger: "Alice, tænd for noget musik", så vil "tænd" være handlingen, "musik" vil være det objekt, som handlingen finder sted på. "Alice" vil forstå klienten og begynde at handle.
Men selve ordene er en samling bogstaver, som f.eksforstå deres betydning? Der er lignende ord - "leg" og "spil", vil enheden forstå, at det er det samme? Svaret på dette spørgsmål blev givet af den amerikanske lingvist Leonardo Bloomfield. I begyndelsen af det tyvende århundrede foreslog han en teori, hvor betydningen af et ord er bestemt af den kontekst, som dette ord er placeret i. Kig på diaset og tænk over, hvilket ord der kan erstatte tre prikker.
Mit svar ville være en elefant, men da jeg spurgtestuderende, siger de, at der kan være et næsehorn eller endda en giraf. Men generelt forstår vi, at der er tale om et stort dyr, der lever i Afrika, og som kan være vredt. Hvis vi kombinerer alt dette, så får vi en vis semantisk beskrivelse af dette objekt uden at bruge selve ordet.
Men hvis vi digitaliserer dette, får vi dettitusindvis af numre. Og takket være den amerikanske matematiker Gene Golub lykkedes det ham at finde ud af, hvordan man kunne reducere antallet af cifre betydeligt. I stedet for at bruge tal brugte de en samling tal kaldet en vektor. Og denne vektor kan bruges til at forstå nærhed eller afstand i betydning, semantisk slægtskab. Så du kan forstå, at "leg" er omtrent det samme som "leg".
Nu er der værktøjer, hvor du kan indtaste ord,og det vil blive tydeligt, hvordan de er fordelt på betydningskortet. For eksempel er ordene "giraf", "elefant" og "næsehorn" grupperet og ender side om side i betydningsrummet. Disse metoder har udviklet sig og ser nu meget mere avancerede ud.
Vi har præsenteret ord i form af en struktur, sætninger i form af en struktur, vi har præsenteret ord i form af betydninger, alt dette er i form af tal, hvad er det næste?
Services
Hver tjeneste har hundredtusinder, millioner,milliarder af genstande. Hvis vi taler om søgning på internettet, er det hundredvis af milliarder sider, titusinder af billeder. Hvis musik streamer, millioner af sange.
En af de første tilgange til dataindeksering −bygge binære søgetræer. Det samme bruges i ordbøger: du åbner det på midten, og hvis du sprunget over det rigtige ord, skal du rulle tilbage, hvis du ikke fik det, så gå videre. Men i 1962 kom de sovjetiske matematikere Georgy Adelson-Velsky og Evgeniy Landis med en datastruktur, der fastholder sig selv i en tilstand af hurtigt opslag.
Dette system fungerer kun på lineære data −tal eller ord. Og hvad sker der med multidimensionelle data, hvis vi vil søge efter noget på et kort eller i tredimensionelt rum? For at gøre dette kom de med sådanne strukturer som kd-træer, de klarer perfekt opgaverne med at søge i tredimensionelt rum. Men de holdt op med at arbejde for moderne opgaver, hvor teksten er beskrevet med hundredvis af tal.
Men takket være det teoretiske arbejde i slutningen af det tyvende århundredeEric Berninson foreslog udviklingen af søgetræer, kaldet Anna, som kan bruges til at garantere god søgekvalitet på enorme samlinger. Dette fungerer for hele den store Spotify-base - et vidunderligt resultat, der blev opnået for kun fem år siden.
Der er også andre tilgange:for eksempel udførte sociologen Stanley Milgram bizarre og til tider umenneskelige eksperimenter. Han fødte teorien om seks håndtryk, at alle mennesker på Jorden kender hinanden gennem ikke mere end seks håndtryk. For at gøre dette bad han folk om at sende et brev til en fremmed. De skulle så blandt deres bekendte vælge dem, der kunne være bekendt med denne person. Og det viste sig, at det tog dem seks bogstaver at gøre dette. Forsøget blev kritiseret, men gentaget i 2000'erne - og bekræftede resultaterne.
Dette er en fantastisk egenskab, som i matematikfik navnet Grev "Lille Verden". Russiske videnskabsmænd - gruppen af Yuri Malkov - foreslog en interessant algoritme. De brugte det til at finde noget overalt. Noderne i denne graf er ikke længere mennesker, men dokumenter.
I denne graf - den korteste afstand mellem evtet par genstande. Brugere kan meget hurtigt finde det, vi har brug for. Denne datastruktur bruges nu i mange virksomheder i Rusland og i udlandet - Facebook, Mail.ru, Yandex. En fremragende matematisk model, der har ændret ikke kun søge- og anbefalingstjenester, men også stemmeassistenter.
Læs mere
Se verdens første et-trins orbitalskib i fremtiden
I tre år troede forskerne, at der var vand i den sydlige del af Mars. Det viste sig, at det ikke var det
Et hypersonisk brintdrevet fly kan nå hastigheder på op til 12 Mach. Det er næsten 15.000 km/t