Помоћник Закерберг и оперативни систем „Саманта“: две врсте гласовних система
Радим у лабораторији
Постоје два начина да се погледа шта јестегласовни асистент. Замислите да имате виртуелног батлера. На пример, пре око пет година, Марк Закерберг је направио паметног асистента у свом дому, назвао га је „Јарвис”. Знао је да пушта људе у кућу, отвара и затвара врата, завесе, пали светло. Други примери таквих уређаја су „Алека“ и „Алице“, они живе у уређају и у стању су да побољшају живот. Они могу да контролишу пећницу, машину за прање веша, усисивач и тако даље.
Други начин да се посматрају асистенти је каоинтерфејс. У филму "Она" постојао је оперативни систем под називом "Саманта", у руској гласовној глуми имала је исти глас као "Алице" из Јандекса. Она је деловала као интерфејс за управљање оперативним системом, а није била дизајнирана као асистент. Аппле има овај приступ - Сири, Мицрософт - Сортана, Гоогле - Гоогле Ассистант.
Како они раде?
Сви помоћници су изграђени на врло сличномпринцип. Прво што треба да уради је да чује глас. Ово се дешава на уређају корисника - мобилном телефону или паметном звучнику. Корисник каже: „Алице“, „Алекса“, „ОК Гугл“. Након ових магичних речи, уређај је спреман да сними глас корисника. Ово се дешава до одређеног тренутка - док клијент не утихне или се уређај умори од чекања док не утихне. Након тога, подаци се шаљу на сервер компаније која пружа услуге.
Ту почиње магија.Прва операција је конверзија говора у текст. Свако каже другачије, како да ово претворим у текст? Затим почиње оно за шта користимо гласовне асистенте – пружање услуге. Ово је свака операција која је доступна на мрежи - куповина карата, резервација стола у ресторану. Питање је само како обезбедити интерфејс прилагођен кориснику. Ако га нема, уређај се претвара у говорник.
Након позивања сервиса корисник треба давратите резултате, за ово их морате правилно упаковати. Највероватније ће то бити текст, издање са странице на Интернету, песма, подаци које је калкулатор израчунао. Подаци се поново претварају у говор и преносе клијенту.
Говор у текст
Наша комуникација се одвија кроз говор, глас јекретање ваздуха около. Ове вибрације падају на бубну опну, она гура три кости - стремен, наковањ и чекић. Они, пак, љуљају орган који се зове пуж. Пужа смо добили од рибе, испуњен је водом и у њему живе ћелије длаке које осцилирају заједно са водом у пужу. Горње ћелије за косу појачавају флуктуације у течности и преносе их на доњи део ћелија за косу, које формирају електрични импулс. Овај импулс се преноси у мозак.
Штавише, на различитим местима кохлее, ћелије косе су одговорне за различите фреквенције. Високе фреквенције се обрађују у широком делу, средње фреквенције ће бити у средини, а ниске фреквенције ближе центру.
Како можемо учинити да машина перципира овакав звукна исти начин - не у облику сировог сигнала, већ у облику скупа фреквенција? Одговор на ово питање дао је француски математичар Жан Батист Фурије, који је живео на граници 18.-19. Научник је предложио такву математичку трансформацију, уз помоћ које је све исто као у уху - узима се сирови сигнал и разлаже на фреквенцијске компоненте.
Шта радити са фреквенцијским компонентама?Можемо мапирати спектралну репрезентацију у фонему, односно можемо претворити говор у фонеме. Они се мање-више лако алгоритамски претварају у слова. Односно, реч можемо добити из фонетског приказа.
Али све ово је нетачно.Постоје фонеми који се мало разликују, прелази из једног звука у други могу звучати другачије. Зову се сенони, има их око 10 хиљада. Али када их има толико, задатак дефинисања речи постаје много тежи.
Борба против буба
Како се истраживачи носе са грешкама?Одговор на ово питање дао је руски математичар Андреј Марков, који је живео на прелазу из 19. у 20. век. Развио је теорију која описује процесе у којима један следи из другог. И захваљујући његовој теорији, развијени су скривени Марковљеви модели. Ово је један од првих начина за исправљање грешака ове врсте.
На пример, када особа говори неразговетно, онакценат или погрешно изговори реч - постоји математички механизам који вам омогућава да вратите и са великом прецизношћу утврдите шта је особа мислила. Уосталом, и људи греше, али се разумеју, што значи да имамо механизам за исправљање грешака у глави.
Али представљање текста није довољно -рачунар ради са бројевима. Како их добити? Ноам Чомски има хипотезу да имамо структуру у мозгу, штавише, доступну на нивоу рођења, што нам помаже да брзо научимо природне језике. Чомски током свог живота гради, усавршава и ради на моделу који одређује који су заједнички обрасци у језику, без обзира на то - руски, енглески или кинески.
На слајду – граматика Чомског.То је отприлике исто што раде на часовима руског језика када анализирају реченицу по саставу. Постоје именице, придеви, субјекти, предикати, групе глагола - све је то формализовано и може се показати машини. Ова структура је лако представљена у облику бројева.
Машина може да разуме у чему је предметпредлог и шта треба предузети. На пример, ако клијент каже: „Алиса, укључи музику“, тада ће „укључи“ бити радња, „музика“ ће бити објекат на коме се радња одвија. "Алице" ће разумети клијента и почети да предузме акцију.
Али саме речи су збирка слова, каоразумети њихово значење? Постоје сличне речи - "плаи" и "плаи", да ли ће уређај разумети да је то иста ствар? Одговор на ово питање дао је амерички лингвиста Леонардо Блумфилд. Почетком двадесетог века он је предложио теорију у којој је значење речи одређено контекстом у коме се ова реч налази. Погледајте слајд и размислите којом речју се могу заменити три тачке.
Мој одговор би био слон, али кад сам питаостуденти, кажу да би могао бити носорог или чак жирафа. Али генерално схватамо да је ово велика животиња која живи у Африци и која може бити љута. Ако све ово комбинујемо, онда добијамо неки семантички опис овог објекта без употребе саме речи.
Али ако ово дигитализујемо, добићемодесетине хиљада бројева. А захваљујући америчком математичару Џину Голубу, успео је да смисли како да значајно смањи број цифара. Уместо бројева, користили су колекцију бројева која се зове вектор. И овај вектор се може користити за разумевање близине или удаљености у значењу, семантичке повезаности. Дакле, можете разумети да је „играти“ приближно исто што и „играти“.
Сада постоје алати где можете да унесете речи,и постаће јасно како су распоређени на мапи значења. На пример, речи „жирафа”, „слон” и „носорог” су груписане и завршавају једна поред друге у простору значења. Ове методе су се развиле и сада изгледају много напредније.
Речи смо представили у облику структуре, реченице у виду структуре, представили смо речи у виду значења, све је то у облику бројева, шта је следеће?
Услуге
Свака услуга има стотине хиљада, милионе,милијарде објеката. Ако говоримо о претраживању на интернету, то су стотине милијарди страница, десетине милијарди слика. Ако се музика стримује, милиони песама.
Један од првих приступа индексирању података −изградња стабала бинарног претраживања. Исто се користи и у речницима: отворите га у средини, и ако сте прескочили праву реч, скролујте назад, ако је нисте добили, само напред. Али 1962. године, совјетски математичари Георгиј Аделсон-Велски и Евгениј Ландис дошли су до структуре података која се одржава у стању брзог тражења.
Овај систем ради само на линеарним подацима −бројевима или речима. А шта ће се десити са вишедимензионалним подацима ако желимо да тражимо нешто на мапи или у тродимензионалном простору? Да би то урадили, смислили су такве структуре као што су кд-стабла, савршено се носе са задацима претраживања у тродимензионалном простору. Али су престали да раде за савремене задатке, где је текст описан стотинама бројева.
Али захваљујући теоријском раду с краја двадесетог векаЕрик Бернинсон је предложио развој стабала претраживања, названих Анна, која се могу користити да гарантују добар квалитет претраге на огромним колекцијама. Ово функционише за читаву огромну базу Спотифи - диван резултат који је постигнут пре само пет година.
Постоје и други приступи:на пример, социолог Стенли Милграм изводио је бизарне и понекад нехумане експерименте. Он је изнедрио теорију о шест руковања, да се сви људи на Земљи познају кроз не више од шест руковања. Да би то урадио, замолио је људе да пошаљу писмо странцу. Затим су морали да изаберу међу својим познаницима оне који би могли бити упознати са овом особом. И испоставило се да им је за ово требало шест писама. Експеримент је критикован, али поновљен 2000-их - и потврдио резултате.
Ово је невероватно својство, које у математицистекао назив гроф „Мали свет”. Руски научници - група Јурија Малкова - предложили су занимљив алгоритам. Користили су га да пронађу било шта било где. Чворови на овом графикону више нису људи, већ документи.
На овом графикону - најкраћа удаљеност између било којепар објеката. Корисници могу врло брзо пронаћи оно што нам је потребно. Ова структура података се сада користи у многим компанијама у Русији и иностранству - Фацебоок, Маил.ру, Иандек. Одличан математички модел који је променио не само услуге претраге и препоруке, већ и гласовне асистенте.
Опширније
Погледајте први светски једностепени орбитални брод будућности
Три године су научници веровали да на југу Марса има воде. Испоставило се да није
Хиперсонична летелица на водоник може достићи брзину до 12 маха. Скоро је 15.000 км/х