ザッカーバーグ助手とオペレーティングシステム「サマンサ」：2種類の音声システム
私は研究室で働いています
何であるかを見るには2つの方法があります音声アシスタント。あなたが仮想執事を持っていると想像してください。たとえば、約5年前、マーク・ザッカーバーグは自宅で「ジャービス」と呼ばれる賢いアシスタントを作りました。彼は人々を家に入れ、ドアやカーテンを開閉し、電気をつける方法を知っていました。そのようなデバイスの他の例は「アレクサ」と「アリス」であり、それらはデバイスに住んでいて、生活を改善することができます。オーブン、洗濯機、掃除機などを制御できます。
アシスタントを見る別の方法は次のとおりですインターフェース。映画「彼女」には「サマンサ」というオペレーティングシステムがあり、ロシアの声優ではヤンデックスの「アリス」と同じ声でした。彼女はオペレーティングシステム管理へのインターフェースとして機能し、アシスタントとしては設計されていませんでした。 Appleにはこのアプローチがあります-Siri、Microsoft-Сortana、Google-Googleアシスタント。
それらはどのように機能しますか？
すべてのアシスタントは非常によく似たものに基づいて構築されています原理。彼が最初にする必要があるのは声を聞くことです。これは、ユーザーのデバイス（携帯電話またはスマートスピーカー）で発生します。ユーザーは、「アリス」、「アレクサ」、「OKGoogle」と言います。これらの魔法の言葉の後、デバイスはユーザーの声を録音する準備ができています。これは、クライアントが沈黙するか、デバイスが沈黙するまで待つのにうんざりするまで、ある時点まで発生します。その後、データはサービスを提供する会社のサーバーに送信されます。
ここから魔法が始まります。最初の操作は、音声からテキストへの変換です。誰もが違った言い方をしますが、これをテキストに変換するにはどうすればよいですか？次に、音声アシスタントを使用するサービスの提供を開始します。これは、オンラインで利用できるすべての操作です。チケットの購入、レストランのテーブルの予約などです。唯一の問題は、ユーザーフレンドリーなインターフェースを提供する方法です。そこにない場合、デバイスはトーカーに変わります。
サービスを呼び出した後、ユーザーは次のことを行う必要があります結果を返します。このためには、適切にパックする必要があります。ほとんどの場合、それはテキスト、インターネット上のページからの問題、歌、電卓が計算したデータです。データは音声に変換され、クライアントに送信されます。
テキストへのスピーチ
私たちのコミュニケーションはスピーチを通して行われ、声は周りの空気の動き。これらの振動は鼓膜にかかり、あぶみ骨、アンビル、ハンマーの3つの骨を押します。それらは、順番に、カタツムリと呼ばれる器官を揺り動かします。私たちは魚からカタツムリを手に入れました。それは水で満たされ、有毛細胞がそこに住んでいて、カタツムリの水と一緒に振動します。上部の有毛細胞は、体液の変動を増幅し、それらを有毛細胞の下部に伝達し、電気インパルスを形成します。この衝動は脳に伝達されます。
さらに、蝸牛のさまざまな場所で、有毛細胞がさまざまな周波数の原因となっています。高域は広い部分で処理され、中域は中域で処理され、低域は中央に近くなります。
どうすれば機械にこのような音を認識させることができますか同じように-生の信号の形ではなく、周波数のセットの形で？この質問への答えは、フランスの数学者ジャン・バプティスト・フーリエによって与えられました。彼はXVIII-XIX世紀の境界に住んでいました。科学者は、すべてが耳の場合と同じであるという助けを借りて、そのような数学的変換を提案しました-生の信号が取得され、周波数成分に分解されます。
周波数成分をどうするか？スペクトル表現を音素にマッピングできます。つまり、音声を音素に変換できます。それらは多かれ少なかれ簡単にアルゴリズムで文字に変換されます。つまり、音声表現から単語を取得できます。
しかし、これはすべて不正確です。わずかに異なる音素があり、ある音から別の音への遷移は異なる音になる可能性があります。セノネスと呼ばれ、約1万個ありますが、その数が多いと言葉の定義が難しくなります。
バグとの戦い
研究者はどのようにエラーに対処しますか？この質問への答えは、19世紀から20世紀の変わり目に住んでいたロシアの数学者アンドレイマルコフによって与えられました。彼は、一方が他方から続くプロセスを説明する理論を開発しました。そして彼の理論のおかげで、隠れマルコフモデルが開発されました。これは、この種のエラーを修正する最初の方法の1つです。
たとえば、人が不明瞭に話すとき、彼はアクセントまたは彼は単語を誤って発音します-あなたがその人が何を意味したかを高精度で復元して決定することを可能にする数学的メカニズムがあります。結局のところ、人も間違いを犯しますが、お互いを理解しているので、頭の中で間違いを訂正する仕組みがあります。
しかし、テキスト表現だけでは不十分です-コンピューターは数字で動作します。それらを取得する方法は？ノーム・チョムスキーは、私たちが脳内に構造を持っているという仮説を立てています。さらに、出生レベルで利用できるため、自然言語をすばやく学ぶことができます。チョムスキーは生涯を通じて、ロシア語、英語、中国語など、言語に共通するパターンを決定するモデルを構築、改良、および開発しています。
スライド上-チョムスキーの文法。これは、ロシア語の授業で文章を構成ごとに分析する場合とほぼ同じです。名詞、形容詞、主語、述語、動詞グループがあります。これらはすべて形式化されており、マシンに表示できます。この構造は、数字の形で簡単に表すことができます。
機械は主題が何であるかを理解することができます提案と取るべき行動。たとえば、クライアントが「アリス、音楽をオンにして」と言った場合、「オン」がアクションになり、「音楽」がアクションが実行されるオブジェクトになります。 「アリス」はクライアントを理解し、行動を起こし始めます。
しかし、単語自体は、次のような文字のコレクションです。それらの意味を理解しますか？ 「遊ぶ」と「遊ぶ」という似たような言葉がありますが、デバイスはこれが同じことであることを理解しますか？この質問への答えは、アメリカの言語学者レオナルドブルームフィールドによって与えられました。 20世紀の初めに、彼は単語の意味がこの単語が置かれている文脈によって決定されるという理論を提案しました。スライドを見て、3つのドットの代わりに使用できる単語を考えてください。
私の答えは象ですが、私が尋ねたとき学生たち、彼らはサイやキリンさえいるかもしれないと言います。しかし、一般的に、これはアフリカに住んでいて怒っている可能性のある大きな動物であると私たちは理解しています。これらすべてを組み合わせると、単語自体を使用せずに、このオブジェクトのセマンティック記述を取得できます。
しかし、これをデジタル化すると、何万もの数字。アメリカの数学者ジーン・ゴラブのおかげで、彼は桁数を大幅に減らす方法を発見することができました。数値を使用する代わりに、ベクトルと呼ばれる数値の集合を使用しました。そして、このベクトルは、意味における近接性や距離、意味的な関連性を理解するために使用できます。したがって、「遊び」は「遊び」とほぼ同じであることが理解できます。
今は単語を入力できるツールもありますが、そしてそれらが意味の地図上でどのように分布しているかが明らかになるでしょう。たとえば、「キリン」、「ゾウ」、「サイ」という単語はグループ化され、意味の空間で隣り合ってしまいます。これらの方法は進化し、さらに高度になったように見えます。
私たちは構造の形で単語を提示し、構造の形で文を提示し、意味の形で単語を提示しました、これはすべて数字の形です、次は何ですか？
サービス内容
各サービスには数十万、数百万、何十億ものオブジェクト。インターネットでの検索について言えば、これらは数千億のページ、数百億の画像です。音楽ストリーミングの場合、何百万もの曲。
データインデックス作成への最初のアプローチの1つ-二分探索木の構築。同じことが辞書でも使用されています。中央で開き、正しい単語をスキップした場合は後ろにスクロールし、見つからなかった場合は先に進みます。しかし、1962年に、ソビエトの数学者ゲオルギーアデルソンベルスキーとエブゲニーランディスは、迅速な検索の状態を維持するデータ構造を考案しました。
このシステムは線形データでのみ機能します-数字や言葉。また、地図上または3次元空間で何かを検索したい場合、多次元データはどうなりますか？これを行うために、彼らはkd-treesなどの構造を考え出し、3次元空間での検索のタスクに完全に対処します。しかし、彼らはテキストが何百もの数字で記述されている現代のタスクのために働くのをやめました。
しかし、20世紀後半の理論的研究のおかげでEric Berninsonは、Annaと呼ばれる検索ツリーの開発を提案しました。これは、膨大なコレクションで優れた検索品質を保証するために使用できます。これは、広大なSpotifyベース全体で機能します。これは、わずか5年前に得られた素晴らしい結果です。
他のアプローチもあります：たとえば、社会学者のスタンレーミルグラムは、奇妙な、時には非人道的な実験を行いました。彼は、地球上のすべての人々が6回以下の握手でお互いを知っているという、6回の握手の理論を生み出しました。これを行うために、彼は人々に見知らぬ人に手紙を送るように頼みました。それから彼らは知人の中からこの人に精通している人を選ばなければなりませんでした。そして、これを行うには6文字かかることが判明しました。実験は批判されましたが、2000年代に繰り返されました-そして結果を確認しました。
これは、数学では驚くべき特性ですカウント「スモールワールド」を取得。ロシアの科学者（ユーリ・マルコフのグループ）は興味深いアルゴリズムを提案しました。彼らはそれを使ってどこでも何かを見つけました。このグラフのノードは、もはや人ではなく、ドキュメントです。
このグラフでは、任意の間の最短距離いくつかのオブジェクト。ユーザーは私たちが必要とするものを非常に迅速に見つけることができます。このデータ構造は現在、ロシアおよび海外の多くの企業（Facebook、Mail.ru、Yandex）で使用されています。検索および推奨サービスだけでなく、音声アシスタントも変更した優れた数学モデル。
続きを読む
世界初の未来の一段軌道船を見る
科学者たちは3年間、火星の南に水があると信じていました。それはそうではなかったことが判明しました
極超音速水素を動力源とする航空機は、マッハ12までの速度に達することができます。時速約15,000kmです