Mga System ng Pagkilala sa Pagsasalita Dapat Kumuha ng mas matalinong, Propesor Sabi

Ang pag-uusap sa telepono sa mga automated speech recognition systems ay maaaring mag-alala sa katunayan na ang mga siyentipiko ay nagtatrabaho upang gawing mas mabuhay ang mga siyentipiko at mas nakakainis na gamitin.

"Mula sa karanasan ng mga mamimili, ang mga tao ay nakakakita ng mga sistemang ito na nakakabigo," sabi ni James Ang Allen, sino ang chairman ng computer science sa University of Rochester, ay nagsalita bago ang kumperensya ng SpeechTEK 2010, na gaganapin sa New York sa linggong ito.

Karamihan sa mga computerized speech recognition system ay maaaring maunawaan kung ano ang isang tao ay nagsabi ng hanggang 98 porsiyento ng oras, at gayon pa man ang mga tao ay naka-chafe pa rin sa paggamit ng mga automated na sistema ng tulong sa telepono. Ang susi sa paggawa ng mga sistemang ito ay mas nakakabigo sa paggamit ay sa pamamagitan ng pagbibigay sa kanila ng mas malalim na pag-unawa sa wika at paggawa ng mga ito nang mas interactive, sinabi Allen.

[Karagdagang pagbabasa: Ang iyong bagong PC ay nangangailangan ng mga 15 libreng, mahusay na mga programa]

Sa ngayon, ang mga kagawaran ng serbisyo sa customer ng karamihan sa mga malalaking organisasyon ay nag-aalok ng mga automated na sistema ng tulong sa telepono. Tinatawag ng isang gumagamit ang numero ng tulong at isang artipisyal na tinig na tinatanong ang tumatawag ng isang serye ng mga tanong. Karamihan sa mga sistemang ito ay batay sa mga balangkas na karaniwang malaking puno ng desisyon. Sa ganitong mga sistema, "hindi mo alam kung ano ang nais ng tao, sinusunod mo ang isang script," sabi niya.

Ang mga sistema ay talagang isang komposit ng maraming iba't ibang mga teknolohiya. Ang isa ay ang pagkilala sa pagsasalita, o ang kakayahang maunawaan ng isang computer, o matagumpay na isalin sa teksto, kung ano ang sinasabi ng nagsasalita.

Ang iba pang teknolohiya, ang pagproseso ng natural na wika (NLP), ay sumusubok na i-convert ang mensahe ng tagapagsalita sa isang command na maaaring ipatupad ng computer, o maaaring mai-summarized para sa isang tao operator.

Mahusay na strides ay ginawa sa parehong pagkilala ng boses at NLP sa nakaraang ilang dekada, ngunit tila sila ay nagdala ng karamihan ng pagkabigo sa kanilang mga gumagamit. "Tumawag lamang ako sa bangko kapag may problema ako at labanan ang mga sistemang ito. [Tanungin ko] kung ano ang maaari kong sagutin upang mapunta sa isang tao nang mas mabilis hangga't maaari," sinabi Allen.

Ang akademikong pananaliksik na gawain ni Allen ay naging sa paghahanap ng mga paraan na "maaari naming makipag-usap sa isang makina sa parehong paraan na maaari naming makipag-usap sa isang tao," sinabi niya.

Mga pag-uusap sa pagitan ng dalawang tao ay maaaring maging tumpak sa mga paraan ng mga computer na nahihirapan sa pagtutugma. Itinuro ni Allen ang ilang maagang trabaho na ginawa niya bilang isang mag-aaral na nagtapos, kung saan naitala niya ang mga pag-uusap sa isang istasyon ng impormasyon sa istasyon ng tren. Sa isang pakikipag-ugnayan, ang isang pasahero ay nagtutungo hanggang sa booth at nagsasabing "8:50 sa Windsor," at ang mga nag-aaralang sagot ay "late na Gate 10, 20 minuto." Habang alam ng tagapag-alaga ang eksaktong impormasyon na hinahanap ng nagtatanong, ang mga nakakompyuter na sistema ay makakahanap ng unang pahayag ng pasahero.

Ang paraan na nakikita ito ni Allen, nawawala ang dalawang elemento mula sa mga modernong sistema: Ang kakayahang pag-aralan kung ano ang sinasabi ng tagapagsalita at ang kakayahan upang makipag-usap sa speaker upang madagdagan ang nalalaman tungkol sa kung ano ang nais sabihin ng nagsasalita.

"Napakaraming off-the-shelf NLP ay may malalim na pagbabawas. Wala kaming teknolohiya na nagbibigay sa iyo ng kahulugan ng mga pangungusap," sinabi niya. Ang mga gamit sa pagpoproseso ng istatistika at serbisyo sa pagpapaliwanag ng salita tulad ng WordNet ay maaaring makatulong na tukuyin ang isang salita kundi pati na rin ang relasyon ng isang salita, upang malaman ng isang sistema na, halimbawa, ang isang "subsidiary" ay bahagi ng isang "kumpanya."

Ang dalawang-daan na komunikasyon sa pagitan ng mga gumagamit at ang mga computer ay kinakailangan din. Kapag binabanggit ang kanilang mga pangangailangan, ang mga tao ay maaaring magbigay ng impormasyon nang walang partikular na pagkakasunud-sunod. Dapat itong maging hanggang sa computer upang tipunin ang impormasyon na ito at hindi mabigat ang gumagamit sa mga tanong na may mga sagot na naibigay na.

"Ito ang hinaharap, ito ay talagang kung ano ang nais mong gawin ng mga system, at maaari naming bumuo ng dialog mga sistema na maaaring suportahan ang hanay ng pagiging kumplikado na ito, "sinabi niya.

Upang ilarawan ang ideyang ito, si Allen at ang isang pangkat ng mga mananaliksik ay nagdisenyo ng isang programa na tinatawag na Cardiac na maaaring gayahin ang mga tanong na itinanong ng isang nars sa isang pasyente na may sakit sa puso. Ang programa ay nilikha gamit ang pagpopondo mula sa U.S. National Institutes of Health. Sa system na ito, kapag ang isang gumagamit ay nagbibigay ng impormasyon, hindi na ito hihilingin ng system, sinabi ni Allen. Ang sistema ay mangangatwiran kung anong materyal ang naibigay na at kung ano ang kailangan pa.

Ang isa pang programa na dinisenyo ni Allen at ang kanyang koponan, na tinatawag na Plough, ay maaaring matutunan kung paano magsagawa ng mga karaniwang gawain sa isang computer. "Ito ay isang sistema na nagbibigay-daan sa iyo upang mahalagang gamitin ang dialog upang sanayin ang iyong system kung paano gumawa ng mga bagay para sa iyo," sabi niya.

Bilang halimbawa, ipinakita ni Allen ang programa na pag-aaral kung paano makahanap ng mga kalapit na restaurant gamit ang isang browser. Magbubukas ang user ng isang browser, mag-navigate sa isang restaurant locator site, i-type ang uri ng restaurant na hinahangad at ang lokasyon, at pagkatapos ay i-cut at i-paste ang mga resulta sa isang blangkong pahina. Inilarawan ng user ang bawat hakbang habang ito ay natupad.

Sa proseso, ang Plough ay magtatala sa bawat hakbang, at maririnig na tumugon kapag nauunawaan ang hakbang. Mamaya, kapag gusto ng user na maghanap ng ibang restawran, ang programa ay sasama sa lahat ng parehong paggalaw, na awtomatikong gumagawa ng isa pang listahan ng mga restaurant.

Ang karagdagang data ay ang susi para sa higit pang mga sistema ng pagpoproseso ng wika tulad ng tao, sumang-ayon ang punong siyentipiko ng Microsoft para sa pagsasalita na si Larry Heck, sa ibang pahayag sa kumperensya. "Kung wala kang data, hindi mahalaga kung gaano ka sopistikado ang iyong mga algorithm," sabi niya.

Ang isang lugar upang makahanap ng mas maraming data ay nasa mga query sa search engine, iminungkahi niya. Ang mga serbisyo ng search engine ay nakakakuha ng napakalaking bilang ng mga query, na lahat ay nakakabit sa mga sagot. "Tinitingnan ko ang paghahanap bilang isang malapit na pinsan sa teknolohiya sa pagpoproseso ng wika," sabi ni Heck.

Mga araw na ito, ang mga tao ay sinanay upang buuin ang kanilang mga query bilang isang hanay ng mga keyword. Sa halip, kung ang mga gumagamit ay mag-type sa buong mga pangungusap na naglalarawan kung ano ang kailangan nila, ang nagreresultang hanay ng data ay maaaring maging isang mahabang paraan sa pagtulong sa mga sistema ng mas mahusay na maunawaan kung ano ang hinahanap ng mga tao.

Ano ang hinulaang bilang mas maraming mga tao ang gumagamit ng mga serbisyo sa paghahanap ng voice-activate mula sa Microsoft at Google, sila ay magiging mas sanay sa pagbubuo ng kanilang mga query bilang mga buong pangungusap, na sa paglipas ng panahon ay maaaring makatulong sa NLP system mas mahusay na inaasahan ang mga pangangailangan ng user.

Joab Jackson ay sumasaklaw sa enterprise software at pangkalahatang teknolohiya breaking balita para sa Ang IDG News Serbisyo. Sundin si Joab sa Twitter sa @Joab_Jackson. Ang e-mail address ni Joab ay [email protected]