Βοηθός Zuckerberg και το λειτουργικό σύστημα "Samantha": δύο τύποι φωνητικών συστημάτων
Δουλεύω σε εργαστήριο
Υπάρχουν δύο τρόποι για να δούμε τι είναιβοηθός φωνής. Φανταστείτε ότι έχετε έναν εικονικό μπάτλερ. Για παράδειγμα, πριν από περίπου πέντε χρόνια, ο Mark Zuckerberg έφτιαξε έναν έξυπνο βοηθό στο σπίτι του, τον αποκαλούσε «Jarvis». Ήξερε πώς να αφήνει τους ανθρώπους να μπαίνουν στο σπίτι, να ανοίγει και να κλείνει πόρτες, κουρτίνες, να ανάβει το φως. Άλλα παραδείγματα τέτοιων συσκευών είναι τα "Alexa" και "Alice", ζουν στη συσκευή και μπορούν να βελτιώσουν τη ζωή τους. Μπορούν να ελέγξουν τον φούρνο, το πλυντήριο ρούχων, την ηλεκτρική σκούπα και ούτω καθεξής.
Ένας άλλος τρόπος για να δούμε τους βοηθούς είναι ωςδιεπαφή. Στην ταινία "She" υπήρχε ένα λειτουργικό σύστημα που λεγόταν "Samantha", στη ρωσική φωνητική υποκριτική είχε την ίδια φωνή με την "Alice" από την Yandex. Λειτούργησε ως διεπαφή για τη διαχείριση του λειτουργικού συστήματος και δεν σχεδιάστηκε ως βοηθός. Η Apple έχει αυτήν την προσέγγιση - Siri, Microsoft - Сortana, Google - Google Assistant.
Πώς λειτουργούν;
Όλοι οι βοηθοί είναι χτισμένοι σε ένα πολύ παρόμοιοαρχή. Το πρώτο πράγμα που πρέπει να κάνει είναι να ακούσει τη φωνή. Αυτό συμβαίνει στη συσκευή του χρήστη - ένα κινητό τηλέφωνο ή ένα έξυπνο ηχείο. Ο χρήστης λέει: "Alice", "Alexa", "OK Google". Μετά από αυτές τις μαγικές λέξεις, η συσκευή είναι έτοιμη να ηχογραφήσει τη φωνή του χρήστη. Αυτό συμβαίνει μέχρι κάποιο σημείο - έως ότου ο πελάτης είναι σιωπηλός ή η συσκευή έχει βαρεθεί να περιμένει μέχρι να σιωπήσει. Μετά από αυτό, τα δεδομένα αποστέλλονται στον διακομιστή της εταιρείας, που παρέχει τις υπηρεσίες.
Εδώ αρχίζει η μαγεία.Η πρώτη λειτουργία είναι η μετατροπή ομιλίας σε κείμενο. Ο καθένας λέει διαφορετικά, πώς μπορώ να το μετατρέψω σε κείμενο; Στη συνέχεια ξεκινά αυτό για το οποίο χρησιμοποιούμε τους βοηθούς φωνής - την παροχή μιας υπηρεσίας. Αυτή είναι οποιαδήποτε λειτουργία που είναι διαθέσιμη online - αγορά εισιτηρίων, κράτηση τραπεζιού σε εστιατόριο. Το μόνο ερώτημα είναι πώς να παρέχετε μια φιλική προς το χρήστη διεπαφή. Εάν δεν υπάρχει, η συσκευή μετατρέπεται σε ομιλητή.
Αφού καλέσει την υπηρεσία, ο χρήστης πρέπειεπιστρέψτε τα αποτελέσματα, για αυτό πρέπει να τα συσκευάσετε σωστά. Πιθανότατα, θα είναι ένα κείμενο, ένα θέμα από μια σελίδα στο Διαδίκτυο, ένα τραγούδι, δεδομένα που έχει υπολογίσει η αριθμομηχανή. Τα δεδομένα μετατρέπονται ξανά σε ομιλία και μεταδίδονται στον πελάτη.
Ομιλία σε κείμενο
Η επικοινωνία μας γίνεται μέσω του λόγου, η φωνή είναικίνηση του αέρα γύρω. Αυτές οι δονήσεις πέφτουν στο τύμπανο, σπρώχνει τρία οστά - τον αναβολέα, τον αμόνι και το σφυρί. Αυτά, με τη σειρά τους, λικνίζουν ένα όργανο που ονομάζεται σαλιγκάρι. Το σαλιγκάρι το πήραμε από ψάρι, είναι γεμάτο με νερό και μέσα ζουν τριχωτά κύτταρα, ταλαντεύονται μαζί με το νερό στο σαλιγκάρι. Τα ανώτερα τριχωτά κύτταρα ενισχύουν τις διακυμάνσεις του υγρού και τις μεταδίδουν στο κάτω μέρος των τριχωτών κυττάρων, τα οποία σχηματίζουν μια ηλεκτρική ώθηση. Αυτή η ώθηση μεταδίδεται στον εγκέφαλο.
Επιπλέον, σε διαφορετικά σημεία του κοχλία, τα τριχωτά κύτταρα είναι υπεύθυνα για διαφορετικές συχνότητες. Οι υψηλές συχνότητες επεξεργάζονται στο ευρύ τμήμα, οι μεσαίες συχνότητες θα είναι στη μέση και οι χαμηλές συχνότητες πιο κοντά στο κέντρο.
Πώς μπορούμε να κάνουμε το μηχάνημα να αντιλαμβάνεται τον ήχο έτσιμε τον ίδιο τρόπο - όχι με τη μορφή ενός πρωτογενούς σήματος, αλλά με τη μορφή ενός συνόλου συχνοτήτων; Την απάντηση στο ερώτημα αυτό έδωσε ο Γάλλος μαθηματικός Jean Baptiste Fourier, που έζησε στα σύνορα του 18ου-19ου αιώνα. Ο επιστήμονας πρότεινε έναν τέτοιο μαθηματικό μετασχηματισμό, με τη βοήθεια του οποίου όλα είναι ίδια όπως στο αυτί - ένα ακατέργαστο σήμα λαμβάνεται και αποσυντίθεται σε στοιχεία συχνότητας.
Τι να κάνετε με τα στοιχεία συχνότητας;Μπορούμε να χαρτογραφήσουμε μια φασματική αναπαράσταση σε ένα φώνημα, δηλαδή να μετατρέψουμε την ομιλία σε φωνήματα. Μετατρέπονται λίγο πολύ εύκολα αλγοριθμικά σε γράμματα. Δηλαδή, μπορούμε να πάρουμε μια λέξη από μια φωνητική παράσταση.
Αλλά όλα αυτά είναι ανακριβή.Υπάρχουν φωνήματα που διαφέρουν ελαφρώς, οι μεταβάσεις από τον έναν ήχο στον άλλο μπορεί να ακούγονται διαφορετικά. Ονομάζονται senones, είναι περίπου 10 χιλιάδες.Αλλά όταν είναι τόσοι πολλοί, το έργο του ορισμού των λέξεων γίνεται πολύ πιο δύσκολο.
Καταπολέμηση σφαλμάτων
Πώς αντιμετωπίζουν οι ερευνητές τα λάθη;Την απάντηση σε αυτό το ερώτημα έδωσε ο Ρώσος μαθηματικός Αντρέι Μάρκοφ, ο οποίος έζησε στο γύρισμα του 19ου-20ου αιώνα. Ανέπτυξε μια θεωρία που περιγράφει διαδικασίες όπου η μία ακολουθεί από την άλλη. Και χάρη στη θεωρία του, αναπτύχθηκαν κρυμμένα μοντέλα Markov. Αυτός είναι ένας από τους πρώτους τρόπους για να διορθώσετε σφάλματα αυτού του είδους.
Για παράδειγμα, όταν ένα άτομο μιλάει αδιάκριτα, αυτόςπροφορά ή προφέρει λάθος τη λέξη - υπάρχει ένας μαθηματικός μηχανισμός που σας επιτρέπει να επαναφέρετε και να προσδιορίσετε με μεγάλη ακρίβεια τι εννοούσε το άτομο. Άλλωστε και οι άνθρωποι κάνουν λάθη, αλλά καταλαβαίνουν ο ένας τον άλλον, πράγμα που σημαίνει ότι έχουμε έναν μηχανισμό διόρθωσης λαθών στο κεφάλι μας.
Αλλά η αναπαράσταση κειμένου δεν είναι αρκετή -ο υπολογιστής λειτουργεί με αριθμούς. Πώς να τα αποκτήσετε; Ο Noam Chomsky έχει μια υπόθεση ότι έχουμε μια δομή στον εγκέφαλο, επιπλέον, διαθέσιμη στο επίπεδο γέννησης, η οποία μας βοηθά να μάθουμε γρήγορα φυσικές γλώσσες. Ο Τσόμσκι καθ' όλη τη διάρκεια της ζωής του χτίζει, βελτιώνει και εργάζεται πάνω σε ένα μοντέλο που καθορίζει ποια κοινά μοτίβα υπάρχουν σε μια γλώσσα, ανεξάρτητα από το τι - ρωσικά, αγγλικά ή κινέζικα.
Στη διαφάνεια - η γραμματική του Τσόμσκι.Αυτό είναι περίπου το ίδιο πράγμα που κάνουν στα μαθήματα ρωσικής γλώσσας όταν αναλύουν μια πρόταση ανά σύνθεση. Υπάρχουν ουσιαστικά, επίθετα, υποκείμενα, κατηγορήματα, ομάδες ρημάτων - όλα αυτά επισημοποιούνται και μπορούν να εμφανιστούν στο μηχάνημα. Αυτή η δομή αναπαρίσταται εύκολα με τη μορφή αριθμών.
Το μηχάνημα μπορεί να καταλάβει σε τι είναι το θέμαπρόταση και ποιες ενέργειες πρέπει να ληφθούν. Για παράδειγμα, εάν ο πελάτης πει: "Alice, ενεργοποιήστε τη μουσική", τότε η "ενεργοποίηση" θα είναι η δράση, η "μουσική" θα είναι το αντικείμενο στο οποίο λαμβάνει χώρα η δράση. Η "Alice" θα καταλάβει τον πελάτη και θα αρχίσει να αναλαμβάνει δράση.
Αλλά οι ίδιες οι λέξεις είναι μια συλλογή γραμμάτων, όπωςκαταλαβαίνετε τη σημασία τους; Υπάρχουν παρόμοιες λέξεις - "παίζω" και "παίζω", θα καταλάβει η συσκευή ότι αυτό είναι το ίδιο πράγμα; Την απάντηση στο ερώτημα αυτό έδωσε ο Αμερικανός γλωσσολόγος Leonardo Bloomfield. Στις αρχές του εικοστού αιώνα, πρότεινε μια θεωρία όπου η σημασία μιας λέξης καθορίζεται από το πλαίσιο στο οποίο βρίσκεται αυτή η λέξη. Κοιτάξτε τη διαφάνεια και σκεφτείτε ποια λέξη μπορεί να αντικαταστήσει τρεις τελείες.
Η απάντησή μου θα ήταν ένας ελέφαντας, αλλά όταν ρώτησαμαθητές, λένε ότι μπορεί να υπάρχει ρινόκερος ή ακόμα και καμηλοπάρδαλη. Αλλά γενικά, καταλαβαίνουμε ότι πρόκειται για ένα μεγάλο ζώο που ζει στην Αφρική και το οποίο μπορεί να θυμώσει. Αν τα συνδυάσουμε όλα αυτά, τότε παίρνουμε κάποια σημασιολογική περιγραφή αυτού του αντικειμένου χωρίς να χρησιμοποιήσουμε την ίδια τη λέξη.
Αλλά αν το ψηφιοποιήσουμε αυτό, θα πάρουμεδεκάδες χιλιάδες αριθμούς. Και χάρη στον Αμερικανό μαθηματικό Gene Golub, κατάφερε να καταλάβει πώς να μειώσει σημαντικά τον αριθμό των ψηφίων. Αντί να χρησιμοποιούν αριθμούς, χρησιμοποίησαν μια συλλογή αριθμών που ονομάζεται διάνυσμα. Και αυτό το διάνυσμα μπορεί να χρησιμοποιηθεί για την κατανόηση της εγγύτητας ή της απόστασης στο νόημα, της σημασιολογικής συνάφειας. Έτσι, μπορείτε να καταλάβετε ότι το «παίζω» είναι περίπου το ίδιο με το «παίζω».
Τώρα υπάρχουν εργαλεία όπου μπορείτε να εισάγετε λέξεις,και θα γίνει σαφές πώς κατανέμονται στον χάρτη των νοημάτων. Για παράδειγμα, οι λέξεις «καμηλοπάρδαλη», «ελέφαντας» και «ρινόκερος» ομαδοποιούνται και καταλήγουν δίπλα-δίπλα στον χώρο των νοημάτων. Αυτές οι μέθοδοι έχουν εξελιχθεί και τώρα φαίνονται πολύ πιο προηγμένες.
Έχουμε παρουσιάσει λέξεις με τη μορφή δομής, προτάσεις σε μορφή δομής, έχουμε παρουσιάσει λέξεις σε μορφή νοημάτων, όλα αυτά είναι σε μορφή αριθμών, τι ακολουθεί;
Υπηρεσιών
Κάθε υπηρεσία έχει εκατοντάδες χιλιάδες, εκατομμύρια,δισεκατομμύρια αντικείμενα. Αν μιλάμε για αναζήτηση στο Διαδίκτυο, πρόκειται για εκατοντάδες δισεκατομμύρια σελίδες, δεκάδες δισεκατομμύρια εικόνες. Αν ροή μουσικής, εκατομμύρια τραγούδια.
Μία από τις πρώτες προσεγγίσεις για την ευρετηρίαση δεδομένων −κατασκευή δυαδικών δέντρων αναζήτησης. Το ίδιο χρησιμοποιείται και στα λεξικά: την ανοίγετε στη μέση και αν παραλείψατε τη σωστή λέξη, κάντε κύλιση προς τα πίσω, αν δεν την καταλάβατε, προχωρήστε. Αλλά το 1962, οι Σοβιετικοί μαθηματικοί Georgy Adelson-Velsky και Evgeniy Landis κατέληξαν σε μια δομή δεδομένων που διατηρείται σε κατάσταση γρήγορης αναζήτησης.
Αυτό το σύστημα λειτουργεί μόνο σε γραμμικά δεδομένα −αριθμούς ή λέξεις. Και τι θα γίνει με τα πολυδιάστατα δεδομένα αν θέλουμε να αναζητήσουμε κάτι σε χάρτη ή σε τρισδιάστατο χώρο; Για να γίνει αυτό, κατέληξαν σε τέτοιες δομές όπως τα δέντρα kd, αντιμετωπίζουν τέλεια τα καθήκοντα της αναζήτησης σε τρισδιάστατο χώρο. Σταμάτησαν όμως να εργάζονται για σύγχρονες εργασίες, όπου το κείμενο περιγράφεται με εκατοντάδες αριθμούς.
Χάρη όμως στο θεωρητικό έργο του τέλους του εικοστού αιώναΟ Eric Berninson πρότεινε την ανάπτυξη δέντρων αναζήτησης, που ονομάζονται Anna, τα οποία μπορούν να χρησιμοποιηθούν για να εγγυηθούν καλή ποιότητα αναζήτησης σε τεράστιες συλλογές. Αυτό λειτουργεί για ολόκληρη την τεράστια βάση του Spotify - ένα υπέροχο αποτέλεσμα που επιτεύχθηκε μόλις πριν από πέντε χρόνια.
Υπάρχουν επίσης και άλλες προσεγγίσεις:για παράδειγμα, ο κοινωνιολόγος Stanley Milgram πραγματοποίησε περίεργα και μερικές φορές απάνθρωπα πειράματα. Γέννησε τη θεωρία των έξι χειραψιών, ότι όλοι οι άνθρωποι στη Γη γνωρίζονται μεταξύ τους με όχι περισσότερες από έξι χειραψίες. Για να το κάνει αυτό, ζήτησε από τους ανθρώπους να στείλουν ένα γράμμα σε έναν άγνωστο. Έπειτα έπρεπε να διαλέξουν ανάμεσα στους γνωστούς τους αυτούς που μπορούσαν να είναι εξοικειωμένοι με αυτό το άτομο. Και αποδείχθηκε ότι χρειάστηκαν έξι γράμματα για να το κάνουν αυτό. Το πείραμα επικρίθηκε, αλλά επαναλήφθηκε στη δεκαετία του 2000 - και επιβεβαίωσε τα αποτελέσματα.
Αυτή είναι μια καταπληκτική ιδιότητα, που στα μαθηματικάαπέκτησε το όνομα Κόμης «Μικρός Κόσμος». Ρώσοι επιστήμονες - η ομάδα του Γιούρι Μάλκοφ - πρότειναν έναν ενδιαφέροντα αλγόριθμο. Το χρησιμοποιούσαν για να βρουν οτιδήποτε οπουδήποτε. Οι κόμβοι σε αυτό το γράφημα δεν είναι πλέον άνθρωποι, αλλά έγγραφα.
Σε αυτό το γράφημα - η μικρότερη απόσταση μεταξύ οποιουδήποτεμερικά αντικείμενα. Οι χρήστες μπορούν να βρουν αυτό που χρειαζόμαστε πολύ γρήγορα. Αυτή η δομή δεδομένων χρησιμοποιείται πλέον σε πολλές εταιρείες στη Ρωσία και στο εξωτερικό - Facebook, Mail.ru, Yandex. Ένα εξαιρετικό μαθηματικό μοντέλο που άλλαξε όχι μόνο τις υπηρεσίες αναζήτησης και συστάσεων, αλλά και τους βοηθούς φωνής.
Διαβάστε περισσότερα
Δείτε το πρώτο μονοβάθμιο τροχιακό πλοίο του μέλλοντος στον κόσμο
Για τρία χρόνια, οι επιστήμονες πίστευαν ότι υπήρχε νερό στα νότια του Άρη. Αποδείχθηκε ότι δεν ήταν
Ένα υπερηχητικό αεροσκάφος με υδρογόνο μπορεί να φτάσει ταχύτητες έως και 12 Mach. Είναι σχεδόν 15.000 km/h