Asistentas Zuckerbergas ir operacinė sistema „Samanta“: dviejų tipų balso sistemos
Dirbu laboratorijoje
Yra du būdai pažvelgti į tai, kas yrabalso asistentas. Įsivaizduokite, kad turite virtualų liokajų. Pavyzdžiui, maždaug prieš penkerius metus Markas Zuckerbergas savo namuose pasidarė išmanųjį asistentą, pavadino jį „Jarvis“. Mokėjo įleisti žmones į namus, atidaryti ir uždaryti duris, užuolaidas, įjungti šviesą. Kiti tokių įrenginių pavyzdžiai yra „Alexa“ ir „Alice“, jie gyvena įrenginyje ir gali pagerinti gyvenimą. Jie gali valdyti orkaitę, skalbimo mašiną, dulkių siurblį ir pan.
Kitas būdas pažvelgti į padėjėjus yra kaipsąsaja. Filme „Ji“ buvo operacinė sistema „Samantha“, rusiškai vaidindama balsu ji turėjo tą patį balsą kaip „Alisa“ iš „Yandex“. Ji veikė kaip operacinės sistemos valdymo sąsaja ir nebuvo sukurta kaip asistentė. Apple turi tokį požiūrį – Siri, Microsoft – Сortana, Google – Google Assistant.
Kaip jie veikia?
Visi padėjėjai yra sukurti ant labai panašiųprincipu. Pirmas dalykas, kurį jis turi padaryti, yra išgirsti balsą. Tai nutinka vartotojo įrenginyje – mobiliajame telefone ar išmaniajame garsiakalbyje. Vartotojas sako: „Alisa“, „Alexa“, „OK Google“. Po šių stebuklingų žodžių įrenginys paruoštas įrašyti vartotojo balsą. Taip nutinka iki tam tikro momento – kol klientas tyli arba įrenginys pavargo laukti, kol nutils. Po to duomenys siunčiami į paslaugas teikiančios įmonės serverį.
Čia ir prasideda magija.Pirmoji operacija yra kalbos konvertavimas į tekstą. Visi sako skirtingai, kaip tai konvertuoti į tekstą? Tada prasideda tai, kam naudojame balso asistentus – paslaugos teikimas. Tai bet kokia operacija, kurią galima atlikti internetu – bilietų pirkimas, staliuko rezervavimas restorane. Vienintelis klausimas yra, kaip sukurti patogią sąsają. Jei jo nėra, įrenginys virsta garsiakalbiu.
Paskambinus tarnybai vartotojas turigrąžinkite rezultatus, tam turite juos tinkamai supakuoti. Greičiausiai tai bus tekstas, leidimas iš interneto puslapio, daina, duomenys, kuriuos apskaičiavo skaičiuoklė. Duomenys vėl konvertuojami į kalbą ir perduodami klientui.
Kalba į tekstą
Mūsų bendravimas vyksta per kalbą, balsas yraoro judėjimas aplinkui. Šios vibracijos krenta ant ausies būgnelio, jis stumia tris kaulus – balnakilžį, priekalą ir plaktuką. Tie, savo ruožtu, sūpuoja organus, vadinamus sraigėmis. Sraigę gavome iš žuvies, ji užpildyta vandeniu ir joje gyvena plauko ląstelės, kurios sraigėje svyruoja kartu su vandeniu. Viršutinės plauko ląstelės sustiprina skysčio svyravimus ir perduoda juos į apatinę plaukų ląstelių dalį, kurios formuoja elektrinį impulsą. Šis impulsas perduodamas smegenims.
Be to, skirtingose sraigės vietose plaukų ląstelės yra atsakingos už skirtingus dažnius. Aukšti dažniai apdorojami plačiojoje dalyje, vidutiniai bus viduryje, o žemi – arčiau centro.
Kaip galime priversti mašiną suvokti tokį garsąlygiai taip pat – ne neapdoroto signalo, o dažnių rinkinio pavidalu? Atsakymą į šį klausimą davė prancūzų matematikas Jeanas Baptiste'as Furjė, jis gyveno ant ribos XVIII-XIX a. Mokslininkas pasiūlė tokią matematinę transformaciją, kurios pagalba viskas kaip ir ausyje – imamas neapdorotas signalas ir suskaidomas į dažnio komponentus.
Ką daryti su dažnio komponentais?Spektrinį vaizdą galime susieti su fonema, tai yra, galime paversti kalbą fonemomis. Jie daugiau ar mažiau lengvai algoritmiškai paverčiami raidėmis. Tai reiškia, kad žodį galime gauti iš fonetinio vaizdavimo.
Bet visa tai netikslu.Yra fonemų, kurios šiek tiek skiriasi, perėjimai iš vieno garso į kitą gali skambėti skirtingai. Jie vadinami senonais, jų yra apie 10 tūkstančių. Tačiau kai jų tiek daug, žodžių apibūdinimo užduotis tampa daug sunkesnė.
Kova su klaidomis
Kaip mokslininkai elgiasi su klaidomis?Į šį klausimą atsakė rusų matematikas Andrejus Markovas, gyvenęs XIX–XX amžių sandūroje. Jis sukūrė teoriją, apibūdinančią procesus, kai vienas seka iš kito. Ir jo teorijos dėka buvo sukurti paslėpti Markovo modeliai. Tai vienas iš pirmųjų būdų ištaisyti tokio pobūdžio klaidas.
Pavyzdžiui, kai žmogus kalba neaiškiai, jisakcentas arba jis neteisingai ištaria žodį – yra matematinis mechanizmas, leidžiantis atkurti ir labai tiksliai nustatyti, ką žmogus turėjo omenyje. Juk žmonės irgi klysta, bet vienas kitą supranta, vadinasi, mūsų galvose yra klaidų taisymo mechanizmas.
Tačiau teksto vaizdavimo nepakanka -Kompiuteris veikia su skaičiais. Kaip juos gauti? Noam Chomsky turi hipotezę, kad mūsų smegenyse yra struktūra, be to, gimimo lygiu, kuri padeda mums greitai išmokti natūralių kalbų. Chomsky visą gyvenimą kuria, tobulina ir dirba pagal modelį, kuris nustato, kokie bendri raštai yra kalboje, nesvarbu, kokia – rusų, anglų ar kinų.
Skaidrėje – Chomsky gramatika.Tai maždaug tas pats, ką jie daro rusų kalbos pamokose, kai analizuoja sakinį pagal kompoziciją. Yra daiktavardžių, būdvardžių, dalykų, predikatų, veiksmažodžių grupių – visa tai formalizuota ir gali būti parodyta mašinai. Ši struktūra lengvai pavaizduojama skaičių forma.
Mašina gali suprasti, kokia temapasiūlymas ir kokių veiksmų imtis. Pavyzdžiui, jei klientas sako: „Alisa, įjunk muziką“, „įjunk“ bus veiksmas, „muzika“ bus objektas, kuriame veiksmas vyksta. „Alisa“ supras klientą ir pradės imtis veiksmų.
Bet patys žodžiai yra raidžių rinkinys, kaipsuprasti jų prasmę? Yra panašūs žodžiai – „žaisti“ ir „žaisti“, ar įrenginys supras, kad tai tas pats? Atsakymą į šį klausimą pateikė amerikiečių kalbininkas Leonardo Bloomfieldas. pradžioje jis pasiūlė teoriją, pagal kurią žodžio reikšmę lemia kontekstas, kuriame šis žodis yra. Pažiūrėkite į skaidrę ir pagalvokite, kokiu žodžiu galima pakeisti tris taškus.
Mano atsakymas būtų dramblys, bet kai paklausiaustudentų, jie sako, kad ten gali būti raganosis ar net žirafa. Bet apskritai mes suprantame, kad tai didelis gyvūnas, gyvenantis Afrikoje ir galintis pykti. Jei visa tai sujungsime, gautume šio objekto semantinį aprašymą, nenaudodami paties žodžio.
Bet jei tai suskaitmeninsime, gausimedešimtys tūkstančių skaičių. Ir amerikiečių matematiko Gene Golub dėka jam pavyko išsiaiškinti, kaip žymiai sumažinti skaitmenų skaičių. Užuot naudoję skaičius, jie naudojo skaičių rinkinį, vadinamą vektoriumi. Ir šis vektorius gali būti naudojamas suprasti artumą ar atstumą prasme, semantinį ryšį. Taigi galite suprasti, kad „žaisti“ yra maždaug tas pats, kas „žaisti“.
Dabar yra įrankių, kuriais galite įvesti žodžius,ir paaiškės, kaip jos pasiskirsto reikšmių žemėlapyje. Pavyzdžiui, žodžiai „žirafa“, „dramblys“ ir „raganosis“ sugrupuojami ir atsiduria greta reikšmių erdvėje. Šie metodai išsivystė ir dabar atrodo daug pažangesni.
Mes pateikėme žodžius struktūros pavidalu, sakinius - struktūros, žodžius pateikėme reikšmių pavidalu, visa tai yra skaičių pavidalu, kas toliau?
Paslaugos
Kiekviena paslauga turi šimtus tūkstančių, milijonų,milijardai objektų. Jei kalbame apie paiešką internete, tai yra šimtai milijardų puslapių, dešimtys milijardų vaizdų. Jei muzika transliuojama, milijonai dainų.
Vienas iš pirmųjų duomenų indeksavimo metodų –dvejetainių paieškos medžių kūrimas. Tas pats vartojamas ir žodynuose: atsiverčiate per vidurį, o jei praleidote reikiamą žodį, slinkite atgal, jei negavote – pirmyn. Tačiau 1962 m. sovietų matematikai Georgijus Adelsonas-Velskis ir Jevgenijus Landisas sugalvojo duomenų struktūrą, kuri palaiko greito atkūrimo būseną.
Ši sistema veikia tik tiesiniais duomenimisskaičiai ar žodžiai. O kas atsitiks su daugiamačiais duomenimis, jei norėsime ko nors ieškoti žemėlapyje ar trimatėje erdvėje? Norėdami tai padaryti, jie sugalvojo tokias struktūras kaip kd-medžiai, jie puikiai susidoroja su paieškos trimatėje erdvėje užduotimis. Bet jie nustojo dirbti su šiuolaikinėmis užduotimis, kur tekstas apibūdinamas šimtais skaičių.
Tačiau XX amžiaus pabaigos teorinio darbo dėkaEricas Berninsonas pasiūlė sukurti paieškos medžius, vadinamus Anna, kurie gali būti naudojami siekiant užtikrinti gerą paieškos kokybę didžiulėse kolekcijose. Tai veikia visoje didžiulėje „Spotify“ bazėje – nuostabus rezultatas, gautas tik prieš penkerius metus.
Taip pat yra ir kitų būdų:pavyzdžiui, sociologas Stanley Milgramas atliko keistus ir kartais nežmoniškus eksperimentus. Jis sukūrė šešių rankų paspaudimų teoriją, kad visi žmonės Žemėje pažįsta vieni kitus per ne daugiau kaip šešis rankos paspaudimus. Norėdami tai padaryti, jis paprašė žmonių išsiųsti laišką nepažįstamam žmogui. Tada jie turėjo iš savo pažįstamų pasirinkti tuos, kurie galėtų būti pažįstami su šiuo asmeniu. Ir paaiškėjo, kad tam jiems prireikė šešių raidžių. Eksperimentas buvo kritikuojamas, bet pakartotas 2000-aisiais – ir patvirtino rezultatus.
Tai nuostabi savybė, kuri matematikojeįgijo grafo „Mažasis pasaulis“ vardą. Rusijos mokslininkai - Jurijaus Malkovo grupė - pasiūlė įdomų algoritmą. Jie naudojo jį norėdami rasti bet ką. Šio grafiko mazgai yra nebe žmonės, o dokumentai.
Šiame grafike – trumpiausias atstumas tarp bet kuriopora objektų. Vartotojai gali labai greitai rasti tai, ko mums reikia. Ši duomenų struktūra dabar naudojama daugelyje Rusijos ir užsienio įmonių – Facebook, Mail.ru, Yandex. Puikus matematinis modelis, pakeitęs ne tik paieškos ir rekomendacijų paslaugas, bet ir balso asistentus.
Skaityti daugiau
Pamatykite pirmąjį pasaulyje ateities vienos pakopos orbitinį laivą
Trejus metus mokslininkai manė, kad Marso pietuose yra vandens. Paaiškėjo, kad ne
Hipergarsinis vandeniliu varomas orlaivis gali pasiekti iki 12 machų greitį. Tai beveik 15 000 km/val