Tam, kde má Siri potíže se sluchem, může pomoci dav lidí

Počítačový vědec Jeffrey Bigham vytvořil program pro rozpoznávání řeči, který kombinuje nejlepší talenty strojů a lidí.

Přestože programy pro rozpoznávání hlasu, jako je Apple Siri a Nuance's Dragon, docela dobře slyší známé hlasy a jasně diktovaná slova, tato technologie stále nedokáže spolehlivě zachytit události, které představují nové reproduktory, akcenty, fráze a zvuky na pozadí. Lidé jsou v takových situacích docela dobří v porozumění slovům, ale většina z nás není dostatečně rychlá na to, aby přepsala text v reálném čase (proto si profesionální stenografové mohou účtovat více než 100 USD za hodinu). Takže Bighamův program Písař rozšiřuje rychlé počítače o přesné lidi v naději, že rychle chrlí titulky a přepisy.

Tento rychlý davový experiment by mohl být velkou pomocí pro neslyšící a sluchově postižené lidi. Také by to mohlo poskytnout nové způsoby, jak zlepšit aplikace pro rozpoznávání hlasu, jako je Siri, v oblastech, kde se potýkají.

Scribeovy algoritmy nasměrují lidské pracovníky, aby zadali fragmenty toho, co slyší v řeči. Zvýšením hlasitosti nebo zpomalením rychlosti zvukových úseků může program nasměrovat různé pracovníky na jedinečné, ale překrývající se části řeči a poté jim dát několik sekund na zotavení, než je požádá, aby znovu napsali.

Pomocí algoritmů zpracování v přirozeném jazyce Scribe spojuje napsané fragmenty do úplného přepisu a nadbytečné překrývání může pomoci odstranit chyby. (Tato brokovnicová výpočetní technika je podobná způsobu, jakým funguje mnoho strojů na sekvenování DNA, zdůrazňuje Bigham.) Dokáže vytvořit přepis nebo titulek se zpožděním pouhých tří sekund za použití pouhých tří až pěti pracovníků.

Jediným požadavkem je, aby pracovníci slyšeli a mohli psát, takže i jako skupina stojí méně než stenograf a nepotřebují dny předem, poznamenává. To by mohlo být velkou pomocí pro neslyšícího studenta, který chce, řekněme, absolvovat nový online kurz, který není opatřen titulky.

Bigham (viz Inovátoři do 35 let, 2009: Jeffrey Bigham ) a jeho kolega z University of Rochester Walter Lasecki testovali Scribe s dělníky, které našli prostřednictvím Amazon’s Mechanical Turk, kde se lidé přihlašují k provádění jednoduchých úkolů. Bighamův tým těmto pracovníkům vyplácel minimálně 6 dolarů za hodinu. Tým také najal vysokoškolské studenty pracovního studia za 10 $ na hodinu. Crowdsourced práce lidí v obou skupinách se zdá být jen o něco méně přesná než práce profesionálního stenografa, říká Bigham. A v některých případech sdružení pracovníci přesněji transkribovali žargonové výrazy, které by jeden profesionální písař mohl špatně slyšet.

Co Scribe začíná ukazovat, je schopnost pracovat společně jako součást davu při plnění velmi obtížných výkonnostních úkolů lépe, než to dokáže člověk sám, říká.

Bigham nyní vyvíjí Scribe do aplikace, která, jak doufá, by mohla pomoci neslyšícím rychle crowdsourcovat přepisy. Pro podporu velkého počtu uživatelů zvažuje také licencování technologie nebo založení startupu.

Není to poprvé, co někoho napadlo použít levnou, počítačem řízenou lidskou práci k posílení tradičních slabin v programech umělé inteligence nebo jiném softwaru. Cvrlikání nabírá lidi na Mechanical Turk pomoci svému vyhledávači klasifikovat aktuální témata, která se náhle začnou objevovat. Bigham také vytvořil systém osobní asistence nazvaný Chorus (viz Umělá inteligence, Powered By Many Humans), který by mohl být chytřejší než Siri, ale levnější než jakýkoli jednotlivý hodinový zaměstnanec.

To neznamená, že lidská práce vždy překoná automatizované systémy při přepisu řeči. Aditya Parameswaran, výzkumník na Stanfordské univerzitě, který také pracuje na lidsky podporovaných výpočtových metodách, říká, že jak se algoritmy učení zlepšují, techniky crowdsourcingu, jako jsou tyto, budou užitečné hlavně pro zvýšení přesnosti počítačů, spíše než pro to, aby většinu věcí dělali lidé. práce.

skrýt