Jei norite vienkartinio balso atpažinimo, pasiimkite pigių lustų ir pridėkite paprastą AI

Flickr | msantos7

Pete'as Wardenas nori, kad išmestumėte savo balso atpažinimo įrangą į šiukšliadėžę. Ir tada pirkite daugiau – ir dar, ir dar daugiau. Šis „Google“ inžinierius siekia, kad balso atpažinimo nešvarumai būtų pigūs.

Jo idėja yra pakankamai paprasta: sumažinkite neuroninius tinklus, kurie paprastai naudojami garsui apdoroti, kol jie bus pakankamai veiksmingi, kad galėtų veikti su pigiais, lengvais lustais. Aš noriu 50 centų lusto, kuris galėtų atlikti paprastą balso atpažinimą ir veiktų metus su monetų baterija, jis paaiškino praėjusią savaitę Kembridže, JK vykusiame ginklų tyrimų aukščiausiojo lygio susitikime. Mes dar nesame... bet aš tikrai manau, kad tai yra įmanoma net naudojant dabartines technologijas, kurias turime dabar.

Susijusi istorija

Susijusi istorija

Už tokią mažą kainą aparatinė įranga būtų veiksmingai naudojama vienkartiniam naudojimui, atverdama anksčiau neįsivaizduojamus naudojimo būdus. Prietaisai gali būti naudojami kuriant pigias lėles, kurios reaguoja į jūsų vaikus, arba paprastą namų elektroniką, pavyzdžiui, balsu įjungiamas lempas. Tačiau Wardenas taip pat teigia, kad juos būtų galima panaudoti pramoninėse aplinkose, klausydamiesi triukšmo, o ne balsų – šimtai jutiklių atpažįsta garsinius signalus apie girgždančius ratus gamyklos įrangoje arba čirškančius svirplius ūkio lauke.

Wardenas, vadovaujantis „Google“ komandai, kuriančiai mobiliąsias ir įterptąsias įmonės debesies AI įrankio, vadinamo TensorFlow, programas, supranta, kad iškėlė sau iššūkį. Neįmanoma suspausti, tarkime, dirbtinio intelekto, kuris maitina „Amazon“ AI asistentą „Alexa“, kad jis veiktų naudojant paprastus baterijomis maitinamus lustus, kurių taktinis dažnis siekia vos šimtus megahercų. Taip yra iš dalies dėl to, kad „Alexa“ turi interpretuoti daugybę skirtingų garsų, bet ir dėl to, kad dauguma balso atpažinimo AI naudoja neuroninius tinklus, kuriems reikia išteklių, todėl „Alexa“ siunčia apdorojimą į debesį.

Taigi jis apribojo problemą, siekdamas nustatyti tik keletą naudingų komandų, tokių kaip įjungti, išjungti, paleisti, sustabdyti ir pan. Jis taip pat prekiauja įprastais kalbos atpažinimo algoritmais. Vietoj to, jis paima garso klipą, supjausto jį į trumpus fragmentus ir apskaičiuoja kiekvieno dažnio turinį. Jis išrikiuoja kiekvieną dažnio diagramą vieną po kitos, kad sukurtų 2-D dažnio turinio ir laiko vaizdą, ir taiko vizualinio atpažinimo algoritmus, kad nustatytų išskirtinį vieno žodžio parašą.

Pirmieji komandos bandymai pareikalavo aštuonių milijonų skaičiavimų, kad būtų galima išanalizuoti vienos sekundės garso įrašą 89 procentų tikslumu. Tai galėtų veikti šiuolaikiniame išmaniajame telefone ir būtų pakankamai greita, kad būtų interaktyvi, o tai yra geriau nei siųsti apdorojimą į debesį, tačiau jis neveiktų gerai naudojant mažos galios lustą. Po to, kai komanda pasiskolino algoritminiai triukai kurie padeda Android telefonams atpažinti frazę OK, Google, sistema sugebėjo išanalizuoti kalbos sekundę 85 procentų tikslumu, atlikdama vos 750 000 skaičiavimų.

Komanda turi paskelbė savo kodą TensorFlow svetainėje, kad galėtų naudotis kiti žmonės. Šiuo metu ji paleidžia programinę įrangą lustuose, pvz., naudojamuose išmaniuosiuose telefonuose ir „Raspberry Pis“ – itin pigiame kompiuteryje. Planuojama, kad jie veiktų su mažesniais lustais, tokiais kaip „Arduino“ plokštėse.

Tony Robinson, buvęs dirbtinio intelekto tyrinėtojas Kembridžo universitete, JK, o dabar kalbos atpažinimo įmonės vyriausiasis techninis pareigūnas Spechmatika , teigia, kad Wardeno užmojai yra geri, ir mano, kad tokie nebrangūs metodai padės balso atpažinimui per ateinančius metus išplisti. Tačiau jis mato problemą kuriant tokius ribotus AI. Žmonės nesilaiko scenarijaus, sako jis ir paaiškina, kad vargu ar vartotojai bus pakankamai kantrūs, kad pasinaudotų tokiu labai suvaržytu instrukcijų rinkiniu.

Vietoj to, jis siūlo, kad šiek tiek didelės galios lustai, galintys išnaudoti daugiau kalbinių galimybių, tokių kaip „Google Assistant“ ir „Amazon“ „Alexa“, gali būti geriau pritaikyti vartotojų programoms.

paslėpti