Streszczenie: Technologia informacyjna

Kompas Słowny
Lepsza korekcja błędów mowy dla narzędzi do dyktowania />

KONTEKST: Ekstremalna wielozadaniowość to współczesna moda, ale nikt nie ma wystarczającej liczby rąk, aby jednocześnie zarządzać telefonem komórkowym, cyfrowym organizerem, kierownicą i kawą. W związku z tym ludzie chcą interakcji z komputerami bez użycia rąk. Chociaż systemy rozpoznawania mowy są dokładniejsze niż kiedykolwiek, typowi użytkownicy nadal spędzają więcej czasu na poprawianiu błędów niż na dyktowaniu tekstu; połowa czasu ich poprawiania jest poświęcana na przesuwanie kursora do błędów wykrytych, powiedzmy, w podyktowanej wiadomości e-mail. Oceny ufności — oszacowania prawdopodobieństwa, że ​​oprogramowanie przechwyciło właściwe słowo — można wykorzystać do identyfikacji ewentualnych błędów. Teraz Jinjuan Feng i Andrew Sears z University of Maryland w hrabstwie Baltimore pokazali, że wyniki ufności można również wykorzystać do przyspieszenia procesu korekty.

Ta historia była częścią naszego wydania z marca 2005 r.

• Zobacz resztę numeru
• Subskrybuj

METODY I WYNIKI: Dwunastu uczestników dyktowało dokumenty składające się z 400 słów za pomocą systemu rozpoznawania mowy. Nieprawidłowo zinterpretował 17 procent słów, co jest typowym wskaźnikiem; był to proces korekty, który był nietypowy. Oprogramowanie wykorzystywało wyniki ufności do oznaczania słów w całym tekście jako kotwic nawigacyjnych. Użytkownicy mogli szybko przeskoczyć do każdej kotwicy za pomocą krótkich poleceń głosowych, a następnie przesunąć kursor słowo po słowie do błędu. Naukowcy zmierzyli liczbę poleceń nawigacyjnych, z których korzystali uczestnicy, częstość niepowodzeń poleceń nawigacyjnych oraz czas spędzony na dyktowaniu i nawigowaniu. Średnie wskaźniki niepowodzeń zgłaszane dla innych technik wynoszą około 5 procent dla nawigacji opartej na kierunku (przesuń w prawo) i 10 do 20 procent dla nawigacji opartej na słowach (wybierz grudzień). W teście techniki Feng i Sears wskaźnik niepowodzeń wyniósł tylko 3,2%. Co więcej, czas spędzony przez użytkowników na przeglądaniu błędów został skrócony o prawie jedną piątą. Jest to istotne w porównaniu z innymi technikami korekcji błędów i obiecujące, ponieważ praca ta sugeruje sposoby dalszego doskonalenia.

DLACZEGO TO MA ZNACZENIE: Lillipuckie guziki na palmtopach i innych kieszonkowych cudach szybko kurczą się pod kciukiem o stałej wielkości. Wzrasta wielozadaniowość i coraz więcej osób niepełnosprawnych fizycznie wchodzi na rynek pracy. Oba trendy odciągną użytkowników od systemów komputerowych z ręcznymi interfejsami. Rozpoznawanie mowy, ale ze względu na wysoki wskaźnik błędów i długie czasy korekcji, jest oczywistą alternatywą.

Ta praca wyraźnie pokazuje, że używanie wyników ufności do nawigacji może skrócić czasy korekcji przez użytkowników. Dzięki dalszym udoskonaleniom technika ta może zwiększyć użyteczność korekcji błędów bez użycia rąk, a tym samym wywołać wzrost liczby nowych gadżetów i aplikacji.

ŹRÓDŁO: Feng, J. i A. Sears. 2004. Wykorzystanie wyników zaufania do poprawy nawigacji opartej na mowie bez użycia rąk w systemach ciągłego dyktowania. Transakcje ACM dotyczące interakcji komputer-człowiek 11: 329-356.

Korekty kwantowe
Jak sprawdzić błędy w komputerze kwantowym

KONTEKST: Osobie z zewnątrz logika obliczeń kwantowych może wydawać się mistyczna. Podczas gdy standardowy bit reprezentuje dane jako jednokierunkowe lub inny (cyfrowe 0 lub 1), bit kwantowy przechowuje dane w jedną stronę oraz inny (0 i 1 oraz wszystkie możliwości pomiędzy). Podczas gdy standardowy komputer musi analizować możliwe rozwiązania pojedynczo, komputer kwantowy może teoretycznie zbadać wszystkie rozwiązania naraz i wybrać właściwe w jednym kroku. Jest to idealne rozwiązanie w przypadku rozwiązań opartych na próbach i błędach, takich jak łamanie kodów szyfrujących.

Ale, jak w przypadku jakiejś przeklętej mitycznej istoty, większość informacji zawartych w systemie kwantowym zniknie, jeśli zostanie zauważona, ponieważ proces patrzenia na nie zakłóca system. Oznacza to, że użytkownik może spojrzeć na odpowiedź na pytanie, ale nie może sprawdzić obliczeń, które za tym stoją. Dlatego komputer kwantowy musi niezawodnie korygować błędy, tak aby nikt ich nie widział. Teraz, po raz pierwszy, John Chiaverini i koledzy z Narodowego Instytutu Standardów i Technologii (NIST) zrobili to w układzie kwantowym, który można by powiększyć.

METODY I WYNIKI: W komputerze kwantowym NIST informacja jest zakodowana w stanie kwantowym pojedynczego atomu. Za pomocą procesu zwanego splątaniem losy tego atomu rodzicielskiego są powiązane z losami dwóch atomów towarzyszących, tak że zmiany stanu rodzica są odzwierciedlane w towarzyszach. Wykorzystując jony berylu (atomy z ładunkiem elektrycznym) do przenoszenia informacji kwantowych, naukowcy byli w stanie rozplątać, zdekodować i porównać stany dwóch jonów towarzyszących, a tym samym pośrednio wywnioskować, czy wystąpił błąd. Impuls laserowy mógłby wówczas skorygować pierwotny stan kwantowy jonu bez faktycznej obserwacji go.

DLACZEGO TO MA ZNACZENIE: Wiele technik szyfrowania zależy od trudności w rozłożeniu bardzo dużych liczb metodą prób i błędów. Komputer kwantowy może teoretycznie pokonać wszystkie takie systemy szyfrowania i wydaje się, że będzie o rząd wielkości potężniejszy niż najbardziej zaawansowane systemy współczesne. Dlatego każdy zainteresowany utrzymywaniem cyfrowych tajemnic — od numerów kart kredytowych do transakcji internetowych po tajne informacje dla rządów i korporacji — dba o komputery kwantowe. Chociaż użyteczny komputer kwantowy jest wciąż daleko, bardzo daleko, prace w NIST pokazały, jak zdjąć jedno z najbardziej upokarzających przekleństw mechaniki kwantowej.

ŹRÓDŁO: Chiaverini, J., et al. 2004. Realizacja korekcji błędów kwantowych. Natura 432: 602-605.

Skanowanie myśli
Maszyny uczą się analizować aktywność mózgu />

KONTEKST: Czy komputery mogą nauczyć się czytać w ludzkim umyśle? Wykrywanie myśli może wykraczać poza ich możliwości, ale komputery można wytrenować w rozpoznawaniu pewnych zadań umysłowych na podstawie skanów monitorujących aktywność mózgu. Jedna popularna technika skanowania, funkcjonalne obrazowanie rezonansem magnetycznym (fMRI), już pomaga w badaniach nad uczeniem się, pamięcią, emocjami, zaburzeniami nerwowymi i lekami psychiatrycznymi. Korzystając ze statystyk i analizy danych, badacze mogą identyfikować wzorce aktywności jako charakterystyczne dla pewnych czynności i stanów umysłowych. Teraz Tom Mitchell i jego koledzy z Carnegie Mellon University pokazali, że komputery mogą zautomatyzować ten proces, przynajmniej w przypadku niektórych prostych zadań.

METODY I WYNIKI: Wykorzystując dane fMRI od osób zaangażowanych w różne zadania, zespół CMU przeszkolił komputery, aby rozpoznawały, które wzorce fMRI towarzyszą stanom poznawczym dla różnych zadań. Podczas tego procesu komputer opracował modele matematyczne do rozróżniania różnych stanów poznawczych. Następnie, biorąc pod uwagę nowe dane fMRI, komputery przewidziały stany psychiczne badanych na podstawie skanów mózgu. Choć niedoskonałe, automatycznie wytrenowane komputery przekonująco przewyższały przypadek w rozróżnianiu, czy badany patrzy na zdania, czy na obrazki, czyta niejednoznaczne lub jednoznaczne zdania i czyta słowa związane z różnymi kategoriami, takimi jak ludzie, narzędzia lub owoce.

DLACZEGO TO MA ZNACZENIE: Ta praca pokazuje, że komputer może wykorzystać wyniki jednego zestawu skanów mózgu do przewidywania, co mózg robił podczas innych skanów. Ta zdolność może ostatecznie doprowadzić do dokładniejszego wykorzystania skanów MRI w medycynie. Może to również przyspieszyć analizę danych, zwłaszcza gdy z czasem badana jest jedna osoba. A ponieważ komputery nauczyły się rozpoznawać aktywność mózgu na podstawie pojedynczego, krótkiego odstępu, a nie połączenia kilku skanów w dłuższym okresie czasu, może to skrócić czas spędzany przez każdego pacjenta w urządzeniu do rezonansu magnetycznego, czyniąc drogi sprzęt łatwiej dostępnym.

Szerzej praca ta jest ważnym zastosowaniem w dziedzinie uczenia maszynowego. Przy stosunkowo niewielkiej liczbie przykładów uczących komputery były w stanie wykryć znaczące wzorce w danych zawierających tysiące danych wejściowych, z których wiele jest nieistotnych lub niedokładnych. Ponieważ naukowcy zbierają coraz bardziej szczegółowe zestawy danych z mózgu i innych złożonych systemów, techniki te oferują sposób na bardziej efektywne wykorzystanie informacji.

ŹRÓDŁO: Mitchell, T.M., et al. 2004. Nauka dekodowania stanów poznawczych z obrazów mózgu. Nauczanie maszynowe 57: 145-175.

ukryć