Pomoćnik Zuckerberg i operativni sustav "Samantha": dvije vrste glasovnih sustava
Radim u laboratoriju
Postoje dva načina da se pogleda ono što jestglasovni asistent. Zamislite da imate virtualnog batlera. Primjerice, prije otprilike pet godina Mark Zuckerberg napravio je pametnog pomoćnika u svom domu, nazvao ga je "Jarvis". Znao je pustiti ljude u kuću, otvarati i zatvarati vrata, zavjese, upaliti svjetlo. Drugi primjeri takvih uređaja su "Alexa" i "Alice", oni žive u uređaju i sposobni su poboljšati život. Mogu kontrolirati pećnicu, perilicu rublja, usisivač i tako dalje.
Drugi način gledanja na pomoćnike je kaosučelje. U filmu "Ona" postojao je operativni sustav pod nazivom "Samantha", u ruskoj glasovnoj glumi imala je isti glas kao "Alice" iz Yandexa. Djelovala je kao sučelje za upravljanje operativnim sustavom, a nije bila dizajnirana kao asistentica. Apple ima ovaj pristup - Siri, Microsoft - Sortana, Google - Google Assistant.
Kako oni rade?
Svi pomoćnici su izgrađeni na vrlo sličnomnačelo. Prvo što treba učiniti je čuti glas. To se događa na uređaju korisnika – mobitelu ili pametnom zvučniku. Korisnik kaže: "Alice", "Alexa", "OK Google". Nakon ovih čarobnih riječi, uređaj je spreman za snimanje glasa korisnika. To se događa do nekog trenutka - dok klijent ne utihne ili se uređaj umori od čekanja dok ne utihne. Nakon toga se podaci šalju na poslužitelj tvrtke koja pruža usluge.
Ovdje počinje magija.Prva operacija je pretvorba govora u tekst. Svatko kaže drugačije, kako da ovo pretvorim u tekst? Tada počinje ono za što koristimo glasovne asistente – pružanje usluge. Ovo je svaka operacija koja je dostupna online - kupnja karata, rezervacija stola u restoranu. Pitanje je samo kako osigurati korisničko sučelje. Ako ga nema, uređaj se pretvara u govornik.
Nakon pozivanja servisa korisnik trebavratite rezultate, za to ih morate pravilno zapakirati. Najvjerojatnije će to biti tekst, izdanje sa stranice na internetu, pjesma, podaci koje je izračunao kalkulator. Podaci se pretvaraju natrag u govor i prenose klijentu.
Govor u tekst
Naša komunikacija se odvija kroz govor, glas jekretanje zraka okolo. Te vibracije padaju na bubnjić, on gura tri kosti - stremen, nakovanj i čekić. Oni pak ljuljaju orgulje zvane puž. Puža smo dobili od ribe, ispunjen je vodom i u njemu žive stanice dlačica koje osciliraju zajedno s vodom u pužu. Gornje stanice dlake pojačavaju fluktuacije u tekućini i prenose ih na donji dio stanica dlake, koje tvore električni impuls. Ovaj impuls se prenosi u mozak.
Štoviše, na različitim mjestima pužnice stanice dlake su odgovorne za različite frekvencije. Visoke frekvencije se obrađuju u širokom dijelu, srednje frekvencije će biti u sredini, a niske frekvencije bliže centru.
Kako možemo natjerati stroj da ovako percipira zvukna isti način - ne u obliku sirovog signala, već u obliku skupa frekvencija? Odgovor na ovo pitanje dao je francuski matematičar Jean Baptiste Fourier, živio je na granici XVIII-XIX stoljeća. Znanstvenik je predložio takvu matematičku transformaciju, uz pomoć koje je sve isto kao u uhu - uzima se sirovi signal i razlaže na frekvencijske komponente.
Što učiniti s frekvencijskim komponentama?Možemo mapirati spektralni prikaz u fonem, odnosno možemo pretvoriti govor u foneme. Oni se manje-više lako algoritamski pretvaraju u slova. To jest, možemo dobiti riječ iz fonetskog prikaza.
Ali sve je to netočno.Postoje fonemi koji se neznatno razlikuju, prijelazi s jednog zvuka na drugi mogu zvučati drugačije. Zovu se senoni, ima ih oko 10 tisuća. Ali kad ih ima toliko, zadatak definiranja riječi postaje mnogo teži.
Borba protiv buba
Kako se istraživači nose s pogreškama?Odgovor na ovo pitanje dao je ruski matematičar Andrej Markov, koji je živio na prijelazu iz 19. u 20. stoljeće. Razvio je teoriju koja opisuje procese u kojima jedan slijedi iz drugog. A zahvaljujući njegovoj teoriji razvijeni su skriveni Markovljevi modeli. Ovo je jedan od prvih načina za ispravljanje grešaka ove vrste.
Na primjer, kada osoba govori nerazgovijetno, onnaglasak ili pogrešno izgovara riječ - postoji matematički mehanizam koji vam omogućuje da vratite i s velikom točnošću odredite što je osoba mislila. Uostalom, i ljudi griješe, ali se razumiju, što znači da u glavi imamo mehanizam za ispravljanje pogrešaka.
Ali prikaz teksta nije dovoljan -računalo radi s brojevima. Kako ih dobiti? Noam Chomsky ima hipotezu da imamo strukturu u mozgu, štoviše, dostupnu na razini rođenja, što nam pomaže da brzo naučimo prirodne jezike. Chomsky kroz svoj život gradi, dorađuje i radi na modelu koji određuje koji su zajednički obrasci u jeziku, bez obzira na to - ruski, engleski ili kineski.
Na slajdu - Chomskyjeva gramatika.To je otprilike isto što rade na satovima ruskog jezika kada analiziraju rečenicu po sastavu. Postoje imenice, pridjevi, subjekti, predikati, grupe glagola - sve je to formalizirano i može se prikazati stroju. Ova struktura je lako predstavljena u obliku brojeva.
Stroj može razumjeti u čemu je predmetprijedlog i koju radnju poduzeti. Na primjer, ako klijent kaže: “Alice, upali malo glazbe”, tada će “uključi” biti radnja, “glazba” će biti objekt na kojem se radnja odvija. "Alice" će razumjeti klijenta i početi djelovati.
Ali same riječi su skup slova, kaorazumjeti njihovo značenje? Postoje slične riječi - "play" i "play", hoće li uređaj shvatiti da je to ista stvar? Odgovor na ovo pitanje dao je američki lingvist Leonardo Bloomfield. Početkom dvadesetog stoljeća predložio je teoriju u kojoj je značenje riječi određeno kontekstom u kojem se ta riječ nalazi. Pogledajte slajd i razmislite kojom se riječju mogu zamijeniti tri točke.
Moj odgovor bi bio slon, ali kad sam pitaostudenti, kažu da bi mogao postojati nosorog ili čak žirafa. Ali općenito, razumijemo da je to velika životinja koja živi u Africi i koja se može ljutiti. Ako sve ovo spojimo, onda ćemo dobiti neki semantički opis ovog objekta bez upotrebe same riječi.
Ali ako ovo digitaliziramo, dobit ćemodeseci tisuća brojeva. A zahvaljujući američkom matematičaru Geneu Golubu uspio je smisliti kako značajno smanjiti broj znamenki. Umjesto brojeva, koristili su zbirku brojeva nazvanu vektor. I ovaj se vektor može koristiti za razumijevanje blizine ili udaljenosti u značenju, semantičke povezanosti. Dakle, možete razumjeti da je "play" približno isto što i "play".
Sada postoje alati u koje možete unijeti riječi,i postat će jasno kako su oni raspoređeni na karti značenja. Na primjer, riječi “žirafa”, “slon” i “nosorog” grupirane su i završavaju jedna pored druge u prostoru značenja. Ove metode su se razvile i sada izgledaju puno naprednije.
Predstavili smo riječi u obliku strukture, rečenice u obliku strukture, riječi smo predstavili u obliku značenja, sve je to u obliku brojeva, što je sljedeće?
usluge
Svaka usluga ima stotine tisuća, milijune,milijarde objekata. Ako govorimo o pretraživanju na internetu, to su stotine milijardi stranica, deseci milijardi slika. Ako strujanje glazbe, milijuni pjesama.
Jedan od prvih pristupa indeksiranju podataka −izgradnja stabala binarnog pretraživanja. Isto se koristi i u rječnicima: otvorite ga u sredini, a ako ste preskočili pravu riječ, pomaknite se natrag, ako je niste shvatili, samo naprijed. Ali 1962. godine sovjetski matematičari Georgy Adelson-Velsky i Evgeniy Landis osmislili su strukturu podataka koja se održava u stanju brzog pronalaženja.
Ovaj sustav radi samo na linearnim podacima −brojevima ili riječima. A što će se dogoditi s višedimenzionalnim podacima ako želimo nešto tražiti na karti ili u trodimenzionalnom prostoru? Da bi to učinili, smislili su takve strukture kao što su kd-stabla, savršeno se nose sa zadacima pretraživanja u trodimenzionalnom prostoru. Ali prestali su raditi za moderne zadatke, gdje se tekst opisuje stotinama brojeva.
Ali zahvaljujući teorijskom radu s kraja XX. stoljećaEric Berninson predložio je razvoj stabala pretraživanja, nazvanih Anna, koja se mogu koristiti za jamčenje dobre kvalitete pretraživanja na ogromnim zbirkama. Ovo funkcionira za cijelu ogromnu bazu Spotifyja - prekrasan rezultat koji je postignut prije samo pet godina.
Postoje i drugi pristupi:na primjer, sociolog Stanley Milgram izvodio je bizarne i ponekad neljudske eksperimente. On je rodio teoriju o šest rukovanja, da se svi ljudi na Zemlji poznaju kroz najviše šest rukovanja. Da bi to učinio, zamolio je ljude da pošalju pismo strancu. Zatim su među svojim poznanicima morali izabrati one koji bi mogli biti upoznati s tom osobom. I pokazalo se da im je za to trebalo šest slova. Eksperiment je bio kritiziran, ali ponovljen 2000-ih - i potvrdio rezultate.
Ovo je nevjerojatno svojstvo, koje u matematicistekao naziv grof "Mali svijet". Ruski znanstvenici - grupa Jurija Malkova - predložili su zanimljiv algoritam. Koristili su ga kako bi pronašli bilo što bilo gdje. Čvorovi u ovom grafu više nisu ljudi, već dokumenti.
U ovom grafikonu - najkraća udaljenost između bilo kojegpar objekata. Korisnici mogu vrlo brzo pronaći ono što nam treba. Ova struktura podataka sada se koristi u mnogim tvrtkama u Rusiji i inozemstvu - Facebook, Mail.ru, Yandex. Izvrstan matematički model koji je promijenio ne samo usluge pretraživanja i preporuke, već i glasovne asistente.
Čitaj više
Pogledajte prvi svjetski jednostupanjski orbitalni brod budućnosti
Tri godine znanstvenici su vjerovali da na jugu Marsa ima vode. Ispostavilo se da nije
Hipersonični zrakoplov na vodik može postići brzinu do 12 Mach. To je skoro 15.000 km/h