Įeikite į Drakoną

Kiekvienas pastatas turi savo šlovę, sako Janet Baker, vesdama mane aplink trijų aukštų mūrinį pastatą, stovintį ant kalvos su vaizdu į Bostoną. Kadaise buvęs malūnas, šis pastatas buvo išvalytas, renovuotas ir paverstas biurais. Šiandien tai yra „Dragon Systems“ būstinė, 1982 m. įkurtos įmonės Janet ir jos vyras Jimas Bakeris.

Kas yra šis? Aš klausiu.

Ši istorija buvo mūsų 1998 m. rugsėjo mėnesio numerio dalis

• Žr. likusią numerio dalį
• Prenumeruoti

Virvė, ant kurios kabėjo John Wilkes Booth, buvo pagaminta čia, – šypsosi ji.

Kai žinau pramoninio pastato praeitį, ženklai yra visur. Antro ir trečio aukštų grindys šiek tiek pasvirusios, kad prieš šimtmetį darbininkai galėtų ridenti masyvias virvės rites. Trečiame aukšte yra durys, kurios atsiveria į tuščią erdvę, kur blokai nuleido rites į apačioje laukiančius vežimus. Skriemuliai ir ritinėliai vis dar kabo nuo pastato lubų.

Tačiau istorikai, žvelgiantys atgal į XXI amžių, rečiau prisimena šį seną malūną dėl kilpos, kuri laužė Abraomo Linkolno žudiko kaklą, nei dėl to, kad tai vieta, kur Dragon Systems išsprendė didžiulį kompiuterių mokslo iššūkį: sukurti asmeninį kompiuterį, kuris atpažintų natūralų. žmogaus kalba.
Jau nuo praėjusio šimtmečio inžinieriai bandė sukurti mašiną, kuri atsižvelgtų į šeimininko balsą; net Aleksandras Greimas Belas išbandė savo jėgas. Ir nors kompiuteriai, galintys atpažinti pavienius ištartus žodžius, egzistavo dešimtmečius, 1995 m. rudenį ekspertai vis dar skelbė, kad staliniai įrenginiai, galintys perrašyti nuolatinę kalbą – greitą ir kartais miglotą žmonių kalbėjimo būdą – nebus šalia iki bent jau 2000 m.…ir galbūt daug vėliau.

Šiandien kompiuterių parduotuvėse galite nusipirkti Dragon Systems NaturallySpeaking už 99,95 USD ir paleisti jį naujame kompiuteryje, kainuojančiame mažiau nei 2000 USD.

Taigi, ką ši technologija gali padaryti? Anksčiau šiais metais sėdėjau konferencijų salėje Dragon būstinėje su krūva skeptiškai nusiteikusių technologijų rašytojų, o Joelis Gouldas, pagrindinis Dragon Systems architektas, demonstravo programą, kurią padėjo sukurti. Gouldas nuėjo į konferencijų salės priekį, prijungė nešiojamąjį kompiuterį prie projektoriaus, užsidėjo lengvas telefono ausines ir pradėjo kalbėti.

Pirmiausia parodysiu jums demonstraciją, o tada grįšiu ir parodysiu jums kai kuriuos dalykus, kurie greitai prabėgo“, – sakė Gouldas. Po kelių sekundžių ekrane pasirodė tie patys žodžiai, kuriuos stebuklingai įvedė pats kompiuteris. Gouldas tęsė pokalbio stilių, mašina perrašinėjo viską, ką jis pasakė. Nors kartais pasitaikydavo klaidų, mašinos tikslumas buvo nepaprastas. Tikėdamasis sugadinti programą, žurnalistas paklausė, ar galima atskirti žodžius, kurie skamba taip pat, bet rašomi skirtingai. Gouldas nusišypsojo ir ištarė: Prašau dabar parašyti laišką poniai Rait. Pasakykite jai, kad du yra per daug pirkti. Sistema puikiai atpažino žodžius.

Dragon vadovybė užtikrintai prognozuoja, kad po penkerių metų kompiuteris be tokios balso atpažinimo programinės įrangos atrodys toks pat primityvus, kaip šiandien atrodytų kompiuteris be pelės. Laiškai ir elektroninis paštas bus padiktuoti taip pat lengvai, kaip ir kalbantis telefonu. Vienu žingsniu toliau, kompiuterinis sinchroninis vertimas gali panaikinti kalbos barjerus.

Kalbos atpažinimo sistema atsirado keleriais metais anksčiau nei numatyta, daugiausia dėl Jimo ir Janet Baker, poros, kuri 1982 m. įkūrė įmonę „Dragon“, atkaklumas. Kaip mokslininkai, pora padėjo išrasti kai kuriuos pagrindinius algoritmus, kuriuos šiandien naudoja visi kalbos atpažinimo produktai. . Būdami verslininkai, jie kovojo už tai, kad technologijas komercializuoti kelerius metus anksčiau nei bet kas. Dabar, kai kalbama apie darbalaukį, aišku, kad mūsų kompiuterijos ateitį nemaža dalimi formuos Dragon Systems ir ją pagimdžiusi vyro ir žmonos komanda.

Janet Maciver ir Jimas Bakeris įsimylėjo, kai abu buvo Niujorko Rokfelerio universiteto absolventai. Tai buvo 1970 m. ruduo. Žanelė, žavi ir komunikabili biofizikė, tyrinėjo, kaip nervų sistema apdoroja informaciją. Jimas buvo labai drovus matematikas, ieškantis daug žadančios temos.

Trečiasis jų santykių dalyvis – kalbos atpažinimo mįslė – pateko į sceną vieną dieną, kai Džimas apsilankė Dženetės laboratorijoje ir pamatė osciloskopo ekraną, kuriame buvo vaizduojama judanti banguota linija. Signalas, paaiškino Janet, buvo nuolatinis vykstančių įvykių žurnalas, kurį sukuria nedidelė analoginė grandinė, kurią iš pradžių išrado profesorius Jerome'as Lettvinas iš MIT. Įvykiai jos ekrane buvo žmogaus kalbos garsai.

Man tai pasirodė labai įdomi modelio atpažinimo problema, – sako Jimas, galvodamas apie tą lemtingą vingį. Nukreiptas į garsiakalbį, signalas skleistų garsus, kuriuos žmogus galėtų suprasti: trumpai tariant, kalba. Tačiau ekrane rodoma informacija buvo neįveikiama.

Ir kai sužinojau daugiau apie tai, sužinojau, kokia sudėtinga iš tikrųjų buvo problema, prisimena jis. Pagrindinis iššūkis buvo ne tik sukurti kompiuterį, galintį atpažinti atskirus žodžius – „Bell Labs“ komanda tai padarė dar 1952 m. Paprastas Bell kompiuteris galėjo atpažinti skaitmenis nuo nulio iki devynių, suderindamas tariamus garsus su šablonų rinkiniu, saugomu analoginė atmintis. Ir aštuntajame dešimtmetyje tokios diskrečios atpažinimo sistemos, kurios veikė, su sąlyga, kad sistema pirmą kartą buvo išmokyta pagal kalbėtojo balsą ir kad kalbėtojas sustodavo tarp kiekvieno žodžio, buvo sudaryta iki kelių šimtų žodžių.

Tikroji užduotis buvo sukurti algoritmą, kuris galėtų įprasminti natūraliai ištartus sakinius, kai atskiri žodžių garsai yra užmaskuoti konteksto (žr. diagramą, p. 61). Tai [padarė] įdomiau, sako Jimas. Jau tada nuolatinis kalbos atpažinimas jam atrodė ideali tyrimo problema, kurią jis apibūdina kaip labai sudėtingą, bet ne neįmanomą.

Kai Jimas ir Janet 1971 m. ruošėsi savo vestuvėms, JAV gynybos pažangių tyrimų projektų agentūra (DARPA) pradėjo ambicingą penkerių metų projektą, pavadintą „Speech Understanding Research“. Agentūra manė, kad bet kokia technologija, leidžianti kariams greičiau bendrauti su kompiuteriais, gali būti reikšmingas strateginis pranašumas, ypač mūšio lauke. Projekto tikslas: sistema, galinti atpažinti nenutrūkstamą žmogaus kalbą iš 1000 žodžių žodyno 90 procentų tikslumu.

DARPA iniciatyvos laikas buvo atsitiktinis kepėjams, kaip ir Jimo mokslinis pagrindas. Būdamas bakalauro studijas, jis sukūrė matematinę techniką, skirtą tariamai atsitiktiniams įvykiams analizuoti, remdamasis rusų matematiko Andrejaus Markovo (1856–1922) pradėtais metodais. Jimas buvo pirmasis žmogus, kuris suprato, kad tokie paslėpti Markovo modeliai gali būti naudojami kalbos mįslei įminti.

Dauguma jaunavedžių bendradarbiauja spręsdami iššūkius, pavyzdžiui, kokį modelį pasirinkti savo vestuvių Kinijoje. Kepėjai šių užduočių nepraleido (jie pasirinko drakoną), bet tada nusprendė kartu spręsti ir kalbos atpažinimo problemą. Tačiau jie atsidūrė vis labiau izoliuoti Rokfeleryje, kuriame nebuvo kalbos supratimo ekspertų ir trūko kompiuterio galios išbandyti Jimo metodus. Taigi kitais metais jie susikrovė lagaminus ir persikėlė į Carnegie Mellon universitetą, vieną iš pagrindinių DARPA projekto rangovų ir dirbtinio intelekto (DI) tyrimų židinį.

Carnegie Mellon'e Bakeriai atrado, kad jų požiūris į kalbos atpažinimą gerokai žengė į priekį nuo pagrindinių. Tuo metu daugelis dirbtinio intelekto tyrinėtojų manė, kad mašina gali atpažinti ištartus sakinius tik tada, kai iš pradžių gali suprasti daug konteksto, įskaitant tai, kas buvo kalbėtojas, ką kalbėtojas žinojo ir ką kalbėtojas gali bandyti pasakyti, taip pat anglų kalbos gramatikos taisyklės. Kitaip tariant, norint atpažinti kalbą, mašina turi būti gana protinga.

Bakers išbandė visiškai kitokį tašką. Remdamiesi Jimo patirtimi dirbant su Markovo modeliais, jie sukūrė programą, kuri veikė tik statistikos srityje. Pirmiausia jie pradėjo skaičiuoti tikimybę, kad bet kurie du ar trys žodžiai atsiras vienas po kito anglų kalboje. Tada jie sukūrė fonetinį žodyną su tų žodžių grupių garsais. Kitas žingsnis buvo algoritmas iššifruoti ištartų žodžių eilutę pagal ne tik gerą garso atitiktį, bet ir pagal tikimybę, kad kažkas juos ištars tokia tvarka. Sistema neturėjo anglų kalbos gramatikos žinių, žinių bazės, taisyklėmis pagrįstos ekspertų sistemos, jokios žvalgybos. Nieko, išskyrus skaičius.

Tai buvo labai eretiška ir radikali idėja, sako Janet. Daugelis žmonių sakė: tai ne kalba ar kalba, tai matematika! Tai kažkas kita!'

Nors Beikerių mąstymas sulaukė plačiai paplitusio skepticizmo, sako Victoras Zue, MIT kompiuterių mokslų laboratorijos asocijuotas direktorius ir kalbos tyrimų pradininkas, laikas įrodė, kad [Bakeriai] laikosi tokio požiūrio. Iš tiesų, Bakers sistema, kurią jie pavadino drakonu po būtybės, kuri puošė jų porceliano rinkinį, netrukus pradėjo nuolat pranokti konkuruojančius metodus.

Kai 1975 m. Bakeriai gavo daktaro laipsnį iš Carnegie Mellon, jų novatoriškas darbas netrukus padėjo jiems abiems dirbti IBM Thomaso J. Watsono tyrimų centre, esančiame už Niujorko. Tuo metu IBM buvo viena iš vienintelių organizacijų, kurios naudojo didelį žodyną ir nuolatinį kalbos atpažinimą. Mes nenuėjome į [IBM] ir nesakėme: jūs turite mus abu pasamdyti“, – prisimena Jimas. Tiesiog taip pavyko. Tačiau tai buvo modelis, kuris kartosis. Šiandien, kai Jimas yra „Dragon Systems“ pirmininkas / generalinis direktorius, o Janet – prezidentė, kepėjai didžiuojasi turėdami beveik identiškus gyvenimo aprašymus.

IBM kepėjai sukūrė programą, kuri galėtų atpažinti nenutrūkstamą kalbą iš 1000 žodžių žodyno. Tačiau tai buvo toli nuo realaus laiko. Programa, veikianti IBM 370 kompiuteryje, užtruko maždaug valandą, kol iššifravo vieną ištartą sakinį. Tačiau tai, kas labiau nuvylė Bakerius, nei laukė laiko pagrindiniame kompiuteryje, buvo IBM atsisakymas išbandyti kalbos atpažinimą realiomis sąlygomis.

IBM yra puiki tyrimų institucija ir mums patiko joje dirbti, sako Janet. Tačiau mes labai norėjome, kad viskas būtų pateikta rinkoje ir sulauktume tikrų vartotojų. Tikrai tikri vartotojai negalėjo laukti valandos, kol kompiuteris perrašys sakinį. Tačiau ji pažymi, kad galėtumėte atlikti paprastesnius dalykus naudodami daug mažiau [kompiuterių] išteklių. IBM vadovybė jautėsi kitaip ir pasakė keperiams, kad daro per anksti.
Tai buvo IBM praleistų galimybių klestėjimas (reliacinės duomenų bazės ir RISC mikroprocesoriai yra pagrindiniai išradimai, kurių bendrovei nepavyko parduoti), o 1979 m. Bakers nusivylimas užvirė. Pora perėjo į „Verbex“, Bostone įsikūrusią „Exxon Enterprises“ dukterinę įmonę, sukūrusią duomenų rinkimo telefonu skaitmenimis sistemą. Jimas (kaip naujai paskirtas pažangiosios plėtros viceprezidentas) ir Janet (kaip tyrimų viceprezidentas) nusprendė, kad programa tvarkytų nuolatinę kalbą.

Tačiau mažiau nei po trejų metų „Exxon“ pasitraukė iš kalbos atpažinimo verslo, o kepėjai vėl ieškojo darbo. Šį kartą jų panašus gyvenimo aprašymas reiškė problemų – nė vienam iš jų nebuvo darbo. Duetas suprato, kad jų laukia pasirinkimas: skirtis nuo kalbos atpažinimo keičiant sritis arba keliauti savarankiškai.

1982 m., neturėdami rizikos kapitalo, verslo plano, dviejų ikimokyklinio amžiaus vaikų ir didelės hipotekos, Bakers įkūrė Dragon Systems. Jie vadovavo įmonei iš savo svetainės ir manė, kad jų santaupų užtektų 18 mėnesių – galbūt net 24, jei valgys pakankamai mažai.

Šiek tiek sunkiai nusiteikę, bet tikrai ne išsekę, šiandien Bakeriai labiau atrodo kaip laimingai senstantys akademikai, o ne sėkmingi verslininkai. Tačiau vaikštant po prabangią Drakono būstinę iškart matyti, kad jie abu. „Dragon Systems“ kasmet išaugo beveik 50 procentų per pastaruosius 16 metų; dabar joje dirba daugiau nei 260 žmonių. Jų paslaptis, sako Janet, buvo pasitikėjimo savimi dešimtmetis. Užuot kaupę skolas ar pardavę įmonės dalį pašaliniams asmenims, kepėjai reikalavo, kad atlyginimai ir išlaidos būtų apmokėtos iš pajamų. Dėl to Dragon sutelkė dėmesį į realių problemų sprendimą dabartinėmis technologijomis ir sugebėjo tai padaryti.

Praėjus metams po „Dragon“ išsiritimo, buvo sukurtas sudėtingas individualių projektų, tyrimų sutarčių ir pirmųjų produktų sąrašas, pagrįstas vis tvirtesniu atskiru atpažinimo metodu. Tarp orientyrų buvo pirmasis „Dragon“ sandoris, kuriame nedidelė britų įmonė „Apricot Computers“ panaudojo „Dragon“ technologiją, kad parduotų pirmąjį asmeninį kompiuterį, leidžiantį žmonėms atidaryti failus ar paleisti programas kalbant paprastomis komandomis. (Deja, „Abrikosas“ subrendo anksčiau laiko ir greitai žlugo.) 1986 m. „Xerox“ darbuotojai, ginkluoti mikrofonais ir radijo siųstuvais, naudojo „Dragon“ technologiją, kad atliktų viso įmonės atsargų, kurias sudaro 2,2 mln. dalių, auditą.

1990 m. Dragon pristatė DragonDictate 30K – pirmąjį didelį žodyną, kalbos pakeitimo tekstu sistemą, skirtą bendros paskirties diktavimui. Programa leido vartotojui valdyti kompiuterį tik balsu ir iškart susilaukė palankumo tarp neįgaliųjų, įskaitant aktorių Christopherį Reeve'ą.

Tačiau atskira Dragon technologija negalėjo prasiskverbti į bendrą rinką. Nors daugelis žmonių įvedė tekstą naudodami „DragonDictate“ greičiau nei įvedė tekstą, niekas nemėgo būti verčiamas daryti pauzes tarp kiekvieno ištarto žodžio. Dar blogiau, konkurentai pasirodė stipriai naudodami savo atskirą kalbos atpažinimo technologiją. Visi žinojo, kad tai, ko vartotojai iš tikrųjų norėjo, yra nuolatinis kalbos atpažinimas ir kad pirmoji į rinką pasirodžiusi įmonė bus pasirengusi dominuoti. Tačiau visi taip pat žinojo, kad iki nepertraukiamo produkto liko mažiausiai penkeri metai, o gal net dešimtmetis.

Tada 1993 m. pabaigoje Bakers suprato, kad įprasta išmintis yra klaidinga. Žinodami, kaip sparčiai ir atmintis gerėjo, jie apskaičiavo, kad aukščiausios klasės staliniai kompiuteriai turėtų sugebėti atlikti nuolatinį atpažinimą per kelerius metus. Lygiai taip pat, kaip kadaise pora rizikavo savo karjera dėl neįprasto naujo požiūrio į kalbos atpažinimą, 1994 m. pirmąjį pusmetį kepėjai pradėjo pertvarkyti savo įmonę, siekdami pasinaudoti galimybe ir pristatyti savo idėjas į rinką.

Kol Jimas subūrė naują kūrėjų komandą, kuri sukurs pirmąjį Dragon nuolatinį kalbos atpažinimo įrenginį, Janet tarpininkavo su Kalifornijoje įsikūrusia standžiųjų diskų gamintoja Seagate Technologies, kad nupirktų 25 procentus Dragon akcijų. Bendrovė panaudojo pinigus savo inžinerijos, rinkodaros ir pardavimo pajėgoms aprūpinti. Per metus Dragon turėjo didžiausią kalbos tyrimų grupę pasaulyje – daugiau nei 50 mokslininkų ir programinės įrangos inžinierių.

Naujasis nuolatinis produktas tikrai būtų dvi programos viename. Pirmasis, atpažintojas, atliktų tikrąjį darbą, paversdamas sakytinius posakius į anglišką tekstą. Antroji programa buvo sąsaja, jungianti atpažintuvą tiek su vartotoju, tiek su likusia kompiuterio operacine sistema. Jei pirmoji pusė buvo grynas mokslas (remiantis ankstyvaisiais Bakers darbais), antroji buvo varginantis inžinerijos ir meno derinys, reikalingas mokslui paversti prekiniu produktu.

Sudėtingiausia iš šių realaus pasaulio problemų buvo užtikrinti, kad programinė įranga gerai veiktų „Windows“ aplinkoje. „Windows“ yra siaubinga, apgailestauja Dragon's Gould, kuris ėmėsi svarbios užduoties sukurti vartotojo sąsają. Jis yra klaidingas, prastai dokumentuotas, nenuoseklus, o jo dalys yra beveik netinkamos naudoti. Tačiau tuo vadovaujasi visi mūsų klientai.

1997 m. balandžio mėn. Dragon komanda pašalino pagrindines kliūtis ir pradėjo užsiminti pramonės analitikams, kad artėja kažkas didelio. Buvome skeptiški, prisimena Peteris Ffoulkesas iš rinkos tyrimų įmonės „Dataquest“. Tada jis pamatė demonstracinę versiją, kurioje buvo 230 000 žodžių. Buvome labai sužavėti tokio pajėgumo. Mes nesitikėjome, kad tai bus šiandien, o taip tikrai yra, sako Ffoulkesas.

Kepėjai lošė savo kompaniją ir lažinosi teisingai. Naujasis nuolatinio atpažinimo produktas, pavadintas Dragon NaturallySpeaking, akimirksniu sulaukė sėkmės. Janet Baker biuras pradėjo pildyti užklausas iš įmonių, kurios tikisi integruoti Dragon technologiją į savo programinę įrangą. Straipsniai apie NaturallySpeaking pasirodė leidiniuose visame pasaulyje; Gould demonstravo programą per CNN. Tą rudenį NaturallySpeaking nušlavė pramonės COMDEX parodą ir laimėjo visus svarbiausius gaminių apdovanojimus.

Vis dėlto, drakono laikas vienas dėmesio centre buvo trumpas. Kai 1997 m. birželio mėn. įmonė pirmą kartą pristatė „NaturallySpeaking“, IBM sumažino savo atskirojo kalbos atpažinimo įrenginio „Voice Type“ kainą iki 49,95 USD. Ir kadangi žinia apie artėjantį NaturallySpeaking išleidimą pasklido prieš kelis mėnesius, IBM jau ėmėsi žlugimo pastangų, kad savo nuolatinio kalbos atpažinimo programą (sukurtą toje pačioje laboratorijoje, kurioje aštuntajame dešimtmetyje dirbo Bakers) taip pat greitai. kaip įmanoma. Produktas „IBM ViaVoice“ parduotuvių lentynose pasirodė rugpjūčio mėnesį, kurio kaina siekė vos 99 USD.

IBM tikrai viską susprogdino, sako Johnas Oberteufferis, „Voice Information Associates“, tiriančios kalbos atpažinimo rinką, prezidentas. Aš naudoju juos abu ir, kalbant apie gryną atpažinimo tikslumą, sakyčiau, kad jie yra palyginami, sako jis. Dragon buvo priverstas sumažinti savo kainą nuo didelio pradinio 700 USD mokesčio iki 299 USD, vėliau iki 199 USD. „PC Data“ duomenimis, iki metų pabaigos „Dragon“ pardavė 29 463 „NaturallySpeaking“ kopijas, o IBM – 46 182 „ViaVoice“ kopijas. Tačiau bendromis produkto pajamomis Dragon pranoko Big Blue.

paslėpti