Asistents Cukerbergs un operētājsistēma "Samantha": divu veidu balss sistēmas
Es strādāju laboratorijā
Ir divi veidi, kā apskatīt to, kas irbalss palīgs. Iedomājieties, ka jums ir virtuāls sulainis. Piemēram, pirms aptuveni pieciem gadiem Marks Cukerbergs savās mājās uztaisīja gudru palīgu, nosauca viņu par "Džārvisu". Viņš prata ielaist cilvēkus mājā, atvērt un aizvērt durvis, aizkarus, ieslēgt gaismu. Citi šādu ierīču piemēri ir "Alexa" un "Alice", viņi dzīvo ierīcē un spēj uzlabot dzīvi. Viņi var kontrolēt cepeškrāsni, veļas mašīnu, putekļu sūcēju un tā tālāk.
Vēl viens veids, kā aplūkot palīgus, ir kāsaskarne. Filmā "Viņa" bija operētājsistēma ar nosaukumu "Samantha", krievu balss spēlē viņai bija tāda pati balss kā "Alisei" no Yandex. Viņa darbojās kā operētājsistēmas pārvaldības saskarne un nebija paredzēta kā palīgs. Apple ir šāda pieeja - Siri, Microsoft - Сortana, Google - Google Assistant.
Kā viņi strādā?
Visi palīgi ir veidoti uz ļoti līdzīgaprincipu. Pirmā lieta, kas viņam jādara, ir dzirdēt balsi. Tas notiek lietotāja ierīcē – mobilajā tālrunī vai viedajā skaļrunī. Lietotājs saka: "Alise", "Alexa", "OK Google". Pēc šiem burvju vārdiem ierīce ir gatava ierakstīt lietotāja balsi. Tas notiek līdz brīdim, kad klients klusē vai ierīce ir nogurusi gaidīt, līdz tā apklusīs. Pēc tam dati tiek nosūtīti uz pakalpojumu sniedzēja uzņēmuma serveri.
Šeit sākas maģija.Pirmā darbība ir runas pārvēršana tekstā. Katrs saka savādāk, kā to pārvērst tekstā? Tad sākas tas, kam mēs izmantojam balss palīgus – pakalpojuma sniegšana. Tā ir jebkura darbība, kas ir pieejama tiešsaistē – biļešu pirkšana, galdiņa rezervēšana restorānā. Vienīgais jautājums ir, kā nodrošināt lietotājam draudzīgu saskarni. Ja tā nav, ierīce pārvēršas par runātāju.
Pēc servisa izsaukšanas lietotājam tas ir jādaraatgrieziet rezultātus, tāpēc tie ir pareizi jāiepako. Visticamāk, tas būs teksts, izdevums no lapas internetā, dziesma, dati, ko kalkulators aprēķinājis. Dati tiek pārveidoti atpakaļ runā un nosūtīti klientam.
Runa uz tekstu
Mūsu komunikācija notiek caur runu, balss irgaisa kustība apkārt. Šīs vibrācijas krīt uz bungādiņu, tā spiež trīs kaulus – kāpsli, laktu un āmuru. Tie savukārt šūpo ērģeles, ko sauc par gliemezi. Gliemezi ieguvām no zivīm, tas ir piepildīts ar ūdeni un tajā dzīvo matiņu šūnas, tās svārstās kopā ar ūdeni gliemežnīcā. Augšējās matu šūnas pastiprina šķidruma svārstības un pārraida tās uz matu šūnu apakšējo daļu, kas veido elektrisku impulsu. Šis impulss tiek pārraidīts uz smadzenēm.
Turklāt dažādās gliemežnīcas vietās matu šūnas ir atbildīgas par dažādām frekvencēm. Augstās frekvences tiek apstrādātas platajā daļā, vidējās būs vidū, bet zemās frekvences tuvāk centram.
Kā mēs varam likt iekārtai uztvert šādu skaņutādā pašā veidā - nevis neapstrādāta signāla veidā, bet gan frekvenču kopas veidā? Atbildi uz šo jautājumu sniedza franču matemātiķis Žans Batists Furjē, viņš dzīvoja uz XVIII-XIX gs. robežas. Zinātnieks ierosināja šādu matemātisko transformāciju, ar kuras palīdzību viss ir tāpat kā ausī - tiek ņemts neapstrādāts signāls un sadalīts frekvences komponentos.
Ko darīt ar frekvenču komponentiem?Mēs varam kartēt spektrālo attēlojumu fonēmai, tas ir, mēs varam pārvērst runu fonēmās. Tos vairāk vai mazāk viegli algoritmiski pārvērš burtos. Tas ir, mēs varam iegūt vārdu no fonētiskā attēlojuma.
Bet tas viss ir neprecīzi.Ir fonēmas, kas nedaudz atšķiras, pārejas no vienas skaņas uz otru var izklausīties atšķirīgi. Tos sauc par senoniem, to ir apmēram 10 tūkstoši. Bet, kad to ir tik daudz, vārdu definēšanas uzdevums kļūst daudz grūtāks.
Cīņa ar kļūdām
Kā pētnieki tiek galā ar kļūdām?Atbildi uz šo jautājumu sniedza krievu matemātiķis Andrejs Markovs, kurš dzīvoja 19.-20.gadsimtu mijā. Viņš izstrādāja teoriju, kas apraksta procesus, kuros viens izriet no otra. Un, pateicoties viņa teorijai, tika izstrādāti slēptie Markova modeļi. Šis ir viens no pirmajiem veidiem, kā novērst šāda veida kļūdas.
Piemēram, kad cilvēks runā neskaidri, viņšakcents vai viņš nepareizi izrunā vārdu - ir matemātisks mehānisms, kas ļauj atjaunot un ar augstu precizitāti noteikt, ko cilvēks domāja. Galu galā cilvēki arī kļūdās, bet saprot viens otru, kas nozīmē, ka mūsu galvā ir kļūdu labošanas mehānisms.
Bet ar teksta attēlojumu nepietiek -dators strādā ar cipariem. Kā tos iegūt? Noam Čomskim ir hipotēze, ka mums smadzenēs ir struktūra, turklāt dzimšanas līmenī pieejama, kas palīdz ātri apgūt dabiskās valodas. Čomskis visu mūžu būvē, pilnveido un strādā pēc modeļa, kas nosaka, kādi kopējie raksti ir valodā, vienalga kādā – krievu, angļu vai ķīniešu valodā.
Slaidā - Čomska gramatika.Tas ir apmēram tas pats, ko viņi dara krievu valodas stundās, analizējot teikumu pēc sastāva. Ir lietvārdi, īpašības vārdi, priekšmeti, predikāti, darbības vārdu grupas - tas viss ir formalizēts un to var parādīt mašīnai. Šo struktūru viegli attēlot skaitļu veidā.
Iekārta var saprast, par ko ir runapriekšlikumu un kādas darbības jāveic. Piemēram, ja klients saka: “Alise, ieslēdz kādu mūziku”, tad “ieslēgt” būs darbība, “mūzika” būs objekts, uz kura notiek darbība. "Alise" sapratīs klientu un sāks rīkoties.
Bet paši vārdi ir burtu kopums, piemēramsaprast to nozīmi? Ir līdzīgi vārdi - "play" un "play", vai ierīce sapratīs, ka tas ir viens un tas pats? Atbildi uz šo jautājumu sniedza amerikāņu valodnieks Leonardo Blūmfīlds. Divdesmitā gadsimta sākumā viņš ierosināja teoriju, kurā vārda nozīmi nosaka konteksts, kurā šis vārds atrodas. Apskatiet slaidu un padomājiet, ar kādu vārdu var aizstāt trīs punktus.
Mana atbilde būtu zilonis, bet, kad es jautājustudenti, viņi saka, ka varētu būt degunradzis vai pat žirafe. Bet kopumā mēs saprotam, ka tas ir liels dzīvnieks, kas dzīvo Āfrikā un kurš var būt dusmīgs. Ja mēs to visu apvienojam, tad mēs iegūstam kādu šī objekta semantisko aprakstu, neizmantojot pašu vārdu.
Bet, ja mēs to digitalizējam, mēs iegūstam desmitiem tūkstošu skaitļu.Un, pateicoties amerikāņu matemātiķim Gene Golub, viņam izdevās izdomāt, kā ievērojami samazināt ciparu skaitu.Tā vietā, lai izmantotu skaitļus, viņi izmantoja ciparu kolekciju, ko sauc par vektoru.Un šo vektoru var izmantot, lai saprastu tuvumu vai attālumu nozīmē, semantisko saskaņotību.Tādā veidā jūs varat saprast, ka "spēlēt" ir aptuveni tas pats, kas "spēlēt".
Tagad ir rīki, kur var ievadīt vārdus, un kļūs skaidrs, kā tie tiek izplatīti nozīmju kartē.Piemēram, vārdi "žirafe", "zilonis" un "degunradzis" ir sagrupēti nozīmju telpā.Šīs metodes ir attīstījušās un tagad izskatās daudz progresīvākas.
Mēs esam uzrādījuši vārdus struktūras formā, teikumus struktūras formā, mēs esam uzrādījuši vārdus nozīmju formā, tas viss ir skaitļu formā, kas tālāk?
Pakalpojumi
Katram pakalpojumam ir simtiem tūkstošu, miljonu,miljardiem objektu. Ja mēs runājam par meklēšanu internetā, tie ir simtiem miljardu lapu, desmitiem miljardu attēlu. Ja tiek straumēta mūzika, miljoniem dziesmu.
Viena no pirmajām pieejām datu indeksēšanai -bināro meklēšanas koku veidošana. Tas pats tiek izmantots vārdnīcās: atverat to vidū un, ja izlaidāt pareizo vārdu, ritiniet atpakaļ, ja nesapratāt, turpiniet. Bet 1962. gadā padomju matemātiķi Georgijs Adelsons-Velskis un Jevgeņijs Lendiss nāca klajā ar datu struktūru, kas uztur sevi ātras izguves stāvoklī.
Šī sistēma darbojas tikai ar lineāriem datiemcipariem vai vārdiem. Un kas notiks ar daudzdimensionāliem datiem, ja mēs vēlamies kaut ko meklēt kartē vai trīsdimensiju telpā? Lai to izdarītu, viņi nāca klajā ar tādām struktūrām kā kd-koki, tie lieliski tiek galā ar meklēšanas uzdevumiem trīsdimensiju telpā. Bet viņi pārstāja strādāt pie mūsdienu uzdevumiem, kur teksts ir aprakstīts ar simtiem skaitļu.
Bet, pateicoties divdesmitā gadsimta beigu teorētiskajam darbamĒriks Berninsons ierosināja izstrādāt meklēšanas kokus ar nosaukumu Anna, ko var izmantot, lai garantētu labu meklēšanas kvalitāti milzīgās kolekcijās. Tas darbojas visai plašajai Spotify bāzei – brīnišķīgs rezultāts, kas tika iegūts tikai pirms pieciem gadiem.
Ir arī citas pieejas:piemēram, sociologs Stenlijs Milgrams veica dīvainus un dažkārt necilvēcīgus eksperimentus. Viņš radīja sešu rokasspiedienu teoriju, ka visi cilvēki uz Zemes pazīst viens otru, izmantojot ne vairāk kā sešus rokasspiedienus. Lai to izdarītu, viņš lūdza cilvēkus nosūtīt vēstuli svešiniekam. Pēc tam viņiem bija jāizvēlas starp saviem paziņām tie, kas varētu būt pazīstami ar šo personu. Un izrādījās, ka viņiem bija nepieciešami seši burti, lai to izdarītu. Eksperiments tika kritizēts, bet 2000. gados tika atkārtots - un apstiprināja rezultātus.
Tas ir pārsteidzošs īpašums, kas matemātikāieguva nosaukumu Grāfs "Mazā pasaule". Krievu zinātnieki - Jurija Malkova grupa - ierosināja interesantu algoritmu. Viņi to izmantoja, lai jebkur kaut ko atrastu. Šajā grafikā mezgli vairs nav cilvēki, bet gan dokumenti.
Šajā grafikā - īsākais attālums starp jebkurupāris objekti. Lietotāji var ļoti ātri atrast vajadzīgo. Šo datu struktūru tagad izmanto daudzos uzņēmumos Krievijā un ārvalstīs - Facebook, Mail.ru, Yandex. Lielisks matemātiskais modelis, kas mainījis ne tikai meklēšanas un ieteikumu pakalpojumus, bet arī balss palīgus.
Lasīt vairāk
Apskatiet pasaulē pirmo nākotnes vienpakāpes orbitālo kuģi
Trīs gadus zinātnieki uzskatīja, ka Marsa dienvidos ir ūdens. Izrādījās, ka tā nebija
Hiperskaņas ar ūdeņradi darbināma lidmašīna var sasniegt ātrumu līdz 12 Mach. Tas ir gandrīz 15 000 km/h