Assistent Zuckerberg og operativsystemet "Samantha": to typer stemmesystemer
Jeg jobber i et laboratorium
Det er to måter å se på hva som erstemmeassistent. Tenk deg at du har en virtuell butler. For eksempel, for omtrent fem år siden, laget Mark Zuckerberg en smart assistent i hjemmet hans, kalte ham "Jarvis". Han visste hvordan han skulle slippe folk inn i huset, åpne og lukke dører, gardiner, skru på lyset. Andre eksempler på slike enheter er "Alexa" og "Alice", de bor i enheten og er i stand til å forbedre livet. De kan styre ovnen, vaskemaskinen, støvsugeren og så videre.
En annen måte å se på assistenter er somgrensesnitt. I filmen "She" var det et operativsystem kalt "Samantha", i det russiske stemmeskuespillet hadde hun samme stemme som "Alice" fra Yandex. Hun fungerte som et grensesnitt til operativsystemadministrasjon, og var ikke designet som assistent. Apple har denne tilnærmingen - Siri, Microsoft - Сortana, Google - Google Assistant.
Hvordan fungerer de?
Alle assistenter er bygget på en veldig likprinsipp. Det første han må gjøre er å høre stemmen. Dette skjer på brukerens enhet – en mobiltelefon eller en smarthøyttaler. Brukeren sier: "Alice", "Alexa", "OK Google". Etter disse magiske ordene er enheten klar til å spille inn brukerens stemme. Dette skjer til et tidspunkt – til klienten er stille eller enheten er lei av å vente til den er stille. Etter det sendes dataene til serveren til selskapet, som leverer tjenestene.
Det er her magien begynner.Den første operasjonen er tale-til-tekst-konvertering. Alle sier forskjellig, hvordan konverterer jeg dette til tekst? Så begynner det vi bruker stemmeassistenter til – levering av en tjeneste. Dette er en hvilken som helst operasjon som er tilgjengelig online - kjøp av billetter, bestilling av bord på en restaurant. Det eneste spørsmålet er hvordan du kan tilby et brukervennlig grensesnitt. Hvis den ikke er der, blir enheten til en snakker.
Etter å ha ringt tjenesten må brukerenreturner resultatene, for dette må du pakke dem ordentlig. Mest sannsynlig vil det være en tekst, et problem fra en side på Internett, en sang, data som kalkulatoren har beregnet. Dataene konverteres tilbake til tale og overføres til klienten.
Tale til tekst
Vår kommunikasjon foregår gjennom tale, det er stemmenluftbevegelse rundt. Disse vibrasjonene faller på trommehinnen, den skyver tre bein - stigbøylen, ambolten og hammeren. De rocker på sin side et orgel som kalles en snegle. Vi har fått sneglen fra fisk, den er fylt med vann og det bor hårceller i den, de svinger sammen med vannet i sneglen. De øvre hårcellene forsterker svingningene i væsken og overfører dem til den nedre delen av hårcellene, som danner en elektrisk impuls. Denne impulsen overføres til hjernen.
Dessuten, på forskjellige steder i cochlea, er hårceller ansvarlige for forskjellige frekvenser. Høye frekvenser behandles i den brede delen, mellomfrekvenser vil være i midten, og lave frekvenser nærmere sentrum.
Hvordan kan vi få maskinen til å oppfatte høres slik utpå samme måte - ikke i form av et råsignal, men i form av et sett med frekvenser? Svaret på dette spørsmålet ble gitt av den franske matematikeren Jean Baptiste Fourier, som levde på grensen mellom 1700- og 1800-tallet. Forskeren foreslo en slik matematisk transformasjon, ved hjelp av hvilken alt er det samme som i øret - et råsignal blir tatt og dekomponert i frekvenskomponenter.
Hva skal man gjøre med frekvenskomponenter?Vi kan kartlegge en spektral representasjon til et fonem, det vil si at vi kan konvertere tale til fonem. De konverteres mer eller mindre enkelt algoritmisk til bokstaver. Det vil si at vi kan få et ord fra en fonetisk representasjon.
Men alt dette er unøyaktig.Det er fonemer som er litt forskjellige, overganger fra en lyd til en annen kan høres annerledes ut. De kalles senoner, det er omtrent 10 000 av dem. Men når det er så mange av dem, blir oppgaven med å definere ord mye vanskeligere.
Bekjempe insekter
Hvordan håndterer forskere feil?Svaret på dette spørsmålet ble gitt av den russiske matematikeren Andrei Markov, som levde på begynnelsen av 1800- og 1900-tallet. Han utviklet en teori som beskriver prosesser der den ene følger av den andre. Og takket være hans teori ble skjulte Markov-modeller utviklet. Dette er en av de første måtene å fikse feil av denne typen.
For eksempel, når en person snakker utydelig, hanaksent eller han uttaler ordet feil - det er en matematisk mekanisme som lar deg gjenopprette og bestemme med høy nøyaktighet hva personen mente. Folk gjør tross alt også feil, men de forstår hverandre, noe som gjør at vi har en mekanisme for å rette feil i hodet.
Men tekstrepresentasjon er ikke nok -datamaskinen fungerer med tall. Hvordan få dem? Noam Chomsky har en hypotese om at vi har en struktur i hjernen, dessuten tilgjengelig på fødselsnivå, som hjelper oss raskt å lære naturlige språk. Chomsky bygger, foredler og jobber etter en modell som bestemmer hvilke vanlige mønstre det er i et språk, uansett hva - russisk, engelsk eller kinesisk.
På lysbildet - Chomskys grammatikk.Dette er omtrent det samme som de gjør i russisk språktime når de analyserer en setning for komposisjon. Det er substantiv, adjektiver, subjekter, predikater, verbgrupper - alt dette er formalisert og kan vises til maskinen. Denne strukturen er lett representert i form av tall.
Maskinen kan forstå hva emnet er iforslag og hva som skal gjøres. For eksempel, hvis klienten sier: "Alice, slå på litt musikk," så vil "slå på" være handlingen, "musikk" vil være objektet som handlingen finner sted på. "Alice" vil forstå klienten og begynne å handle.
Men selve ordene er en samling bokstaver, somforstå betydningen deres? Det er lignende ord - "lek" og "lek", vil enheten forstå at dette er det samme? Svaret på dette spørsmålet ble gitt av den amerikanske lingvisten Leonardo Bloomfield. På begynnelsen av det tjuende århundre foreslo han en teori der betydningen av et ord bestemmes av konteksten dette ordet befinner seg i. Se på lysbildet og tenk på hvilket ord som kan erstattes med tre prikker.
Mitt svar ville være en elefant, men når jeg spurtestudenter, sier de at det kan være et neshorn eller til og med en sjiraff. Men generelt forstår vi at dette er et stort dyr som lever i Afrika og som kan være sint. Hvis vi kombinerer alt dette, får vi en semantisk beskrivelse av dette objektet uten å bruke selve ordet.
Men hvis vi digitaliserer dette, får vi dettitusenvis av tall. Og takket være den amerikanske matematikeren Gene Golub klarte han å finne ut hvordan han kunne redusere antall sifre betydelig. I stedet for å bruke tall, brukte de en samling tall kalt en vektor. Og denne vektoren kan brukes til å forstå nærhet eller avstand i betydning, semantisk slektskap. Så du kan forstå at "lek" er omtrent det samme som "lek".
Nå er det verktøy der du kan skrive inn ord,og det vil bli tydelig hvordan de er fordelt på betydningskartet. For eksempel er ordene «siraff», «elefant» og «neshorn» gruppert og ender opp side om side i betydningsrommet. Disse metodene har utviklet seg og ser nå mye mer avanserte ut.
Vi har presentert ord i form av en struktur, setninger i form av en struktur, vi har presentert ord i form av betydninger, alt dette er i form av tall, hva er det neste?
tjenester
Hver tjeneste har hundretusener, millioner,milliarder av gjenstander. Hvis vi snakker om søk på Internett, er dette hundrevis av milliarder sider, titalls milliarder bilder. Hvis musikk streames, millioner av sanger.
En av de første tilnærmingene til dataindeksering −bygge binære søketrær. Det samme brukes i ordbøker: du åpner det i midten, og hvis du hoppet over det riktige ordet, bla tilbake, hvis du ikke fikk det, fortsett. Men i 1962 kom de sovjetiske matematikerne Georgy Adelson-Velsky og Evgeniy Landis opp med en datastruktur som opprettholder seg selv i en tilstand av raskt oppslag.
Dette systemet fungerer kun på lineære data −tall eller ord. Og hva vil skje med flerdimensjonale data hvis vi vil søke etter noe på et kart eller i tredimensjonalt rom? For å gjøre dette kom de opp med slike strukturer som kd-trær, de takler perfekt oppgavene med å søke i tredimensjonalt rom. Men de sluttet å jobbe for moderne oppgaver, der teksten er beskrevet med hundrevis av tall.
Men takket være det teoretiske arbeidet på slutten av det tjuende århundreEric Berninson foreslo utvikling av søketrær, kalt Anna, som kan brukes til å garantere god søkekvalitet på enorme samlinger. Dette fungerer for hele den enorme Spotify-basen – et fantastisk resultat som ble oppnådd for bare fem år siden.
Det finnes også andre tilnærminger:for eksempel utførte sosiologen Stanley Milgram bisarre og noen ganger umenneskelige eksperimenter. Han fødte teorien om seks håndtrykk, at alle mennesker på jorden kjenner hverandre gjennom ikke mer enn seks håndtrykk. For å gjøre dette ba han folk sende et brev til en fremmed. De måtte da velge blant sine bekjente de som kunne være kjent med denne personen. Og det viste seg at det tok dem seks bokstaver for å gjøre dette. Eksperimentet ble kritisert, men gjentatt på 2000-tallet – og bekreftet resultatene.
Dette er en fantastisk egenskap, som i matematikkskaffet seg navnet grev "Small World". Russiske forskere - gruppen til Yuri Malkov - foreslo en interessant algoritme. De brukte den til å finne hva som helst hvor som helst. Nodene i denne grafen er ikke lenger mennesker, men dokumenter.
I denne grafen - den korteste avstanden mellom evtet par gjenstander. Brukere kan finne det vi trenger veldig raskt. Denne datastrukturen brukes nå i mange selskaper i Russland og i utlandet - Facebook, Mail.ru, Yandex. En utmerket matematisk modell som har endret ikke bare søke- og anbefalingstjenester, men også taleassistenter.
Les mer
Se verdens første ett-trinns orbitalskip i fremtiden
I tre år trodde forskerne at det fantes vann sør på Mars. Det viste seg at det ikke var det
Et hypersonisk hydrogendrevet fly kan nå hastigheter på opptil 12 Mach. Det er nesten 15.000 km/t