Santrauka: Informacinės technologijos

Verbalinis kompasas
Geresnis kalbomis pagrįstas diktavimo įrankių klaidų taisymas />

KONTEKSTAS: Ekstremalus kelių užduočių atlikimas yra šiuolaikinė mada, tačiau nė vienam žmogui neužtenka rankų, kad galėtų vienu metu valdyti mobilųjį telefoną, skaitmeninį tvarkyklę, vairą ir kavą. Atitinkamai, žmonės nori laisvų rankų būdo bendrauti su kompiuteriais. Nors kalbos atpažinimo sistemos yra tikslesnės nei bet kada anksčiau, įprasti vartotojai vis tiek praleidžia daugiau laiko taisydami klaidas nei diktuodami tekstą; pusė jų taisymo laiko sugaišta tiesiog perkeliant žymeklį į klaidas, nustatytas, tarkime, padiktuotame el. Pasitikėjimo balai – programinės įrangos įvertinimai, kiek tikėtina, kad ji užfiksavo tinkamą žodį – gali būti naudojami norint nustatyti galimas klaidas. Dabar Jinjuanas Fengas ir Andrew Searsas iš Merilendo universiteto Baltimorės grafystėje parodė, kad pasitikėjimo balai taip pat gali būti naudojami korekcijos procesui paspartinti.

Ši istorija buvo mūsų 2005 m. kovo mėnesio numerio dalis

• Žr. likusią numerio dalį
• Prenumeruoti

METODAI IR REZULTATAI: Dvylika dalyvių, naudodami kalbos atpažinimo sistemą, padiktavo 400 žodžių dokumentus. Jis neteisingai interpretavo 17 procentų žodžių, tipiškas rodiklis; tai korekcijos procesas buvo netipiškas. Programinė įranga naudojo pasitikėjimo balus, kad žymėtų žodžius visame tekste kaip naršymo inkarus. Naudotojai trumpomis balso komandomis galėjo greitai pereiti prie kiekvieno inkaro ir po žodžio perkelti žymeklį prie klaidos. Tyrėjai išmatavo dalyvių naudotų navigacijos komandų skaičių, navigacijos komandų gedimų dažnį ir laiką, praleistą diktuojant bei naršant. Vidutinis kitų metodų gedimų dažnis yra maždaug 5 procentai navigacijos kryptimi (judėkite į dešinę) ir 10–20 procentų žodžiais pagrįstos navigacijos (pasirinkite gruodžio mėn.). Atliekant Feng ir Sears technikos bandymą, gedimų procentas buvo tik 3,2 proc. Dar geriau, laikas, kurį vartotojai praleido ieškodami klaidų, sutrumpėjo beveik penktadaliu. Tai reikšminga, palyginti su kitais klaidų taisymo būdais, ir yra daug žadanti, nes šis darbas siūlo tolesnio tobulinimo priemones.

KODĖL TAI SVARBU: PDA ir kiti kišeninio dydžio stebuklai greitai mažėja po pastovaus dydžio nykščiu. Daugėja daugiafunkcinių užduočių, ir daugiau žmonių su fizine negalia patenka į darbo rinką. Abi tendencijos nukreips vartotojus nuo kompiuterinių sistemų su rankinėmis sąsajomis. Kalbos atpažinimas, tačiau dėl didelio klaidų dažnio ir ilgo taisymo laiko yra akivaizdi alternatyva.

Šis darbas aiškiai parodo, kad patikimumo balų naudojimas naršymui gali sutrumpinti vartotojų taisymo laiką. Tobulėjant, ši technika žada padidinti laisvų rankų įrangos klaidų taisymo naudojimą ir taip sukelti naujų programėlių ir programų antplūdį.

ŠALTINIS: Feng, J. ir A. Sears. 2004. Pasitikėjimo balų naudojimas siekiant pagerinti laisvų rankų balso navigaciją nuolatinio diktavimo sistemose. ACM operacijos dėl kompiuterio ir žmogaus sąveikos 11: 329-356.

Kvantinės pataisos
Kaip patikrinti klaidas kvantiniame kompiuteryje

KONTEKSTAS: Pašaliniam žmogui kvantinio skaičiavimo logika gali atrodyti mistiška. Nors standartinis bitas vaizduoja duomenis kaip vieną iš būdų arba kitas (skaitmeninis 0 arba 1), kvantinis bitas saugo duomenis kaip vieną būdą ir kitas (0 ir 1 ir visos galimybės tarp jų). Nors standartinis kompiuteris turi susidoroti su galimais sprendimais po vieną, kvantinis kompiuteris teoriškai galėtų ištirti visus sprendimus iš karto ir vienu veiksmu pasirinkti tinkamą. Tai idealiai tinka sprendimams, kurie priklauso nuo bandymų ir klaidų, pavyzdžiui, šifravimo kodų sulaužymui.

Tačiau, kaip kokia prakeikta mitinė būtybė, didelė dalis informacijos, esančios kvantinėje sistemoje, išnyks, jei ji bus stebima, nes žiūrėjimo į ją procesas trikdo sistemą. Tai reiškia, kad vartotojas gali peržiūrėti atsakymą į klausimą, bet negali patikrinti už jį pateiktų skaičiavimų. Todėl kvantinis kompiuteris turi patikimai ištaisyti klaidas, niekam jų nematant. Dabar pirmą kartą Johnas Chiaverini ir kolegos iš Nacionalinio standartų ir technologijų instituto (NIST) tai padarė kvantinėje sistemoje, kurią būtų galima išplėsti.

METODAI IR REZULTATAI: NIST kvantiniame kompiuteryje informacija yra užkoduota vieno atomo kvantinėje būsenoje. Naudojant procesą, vadinamą susipynimu, šio pirminio atomo likimas yra susietas su dviejų kompanioninių atomų likimu, todėl pirminio atomo būklės pokyčiai atsispindi kompanionuose. Naudodami berilio jonus (elektros krūvį turinčius atomus) kvantinei informacijai perduoti, mokslininkai sugebėjo atskirti, iššifruoti ir palyginti dviejų kompanioninių jonų būsenas ir taip netiesiogiai nuspręsti, ar įvyko klaida. Tada lazerio impulsas galėtų ištaisyti pradinio jono kvantinę būseną, jos faktiškai nepastebėdamas.

KODĖL TAI SVARBU: Daugelis šifravimo metodų priklauso nuo to, kaip sunku nustatyti labai didelius skaičius bandymų ir klaidų būdu. Kvantinis kompiuteris teoriškai galėtų nugalėti visas tokias šifravimo sistemas ir žada būti daug galingesnis už pažangiausias sistemas šiandien. Taigi kiekvienam, kuris domisi skaitmeninių paslapčių saugojimu – nuo ​​kreditinių kortelių numerių internetinėms operacijoms iki įslaptintos informacijos vyriausybei ir korporacijoms – rūpi kvantinė kompiuterija. Nors naudingas kvantinis kompiuteris vis dar toli, NIST darbas parodė, kaip panaikinti vieną iš baisiausių kvantinės mechanikos prakeiksmų.

ŠALTINIS: Chiaverini, J. ir kt. 2004. Kvantinės klaidų korekcijos realizavimas. Gamta 432: 602-605.

Jūsų minčių nuskaitymas
Mašinos mokosi analizuoti smegenų veiklą />

KONTEKSTAS: Ar kompiuteriai gali išmokti skaityti žmogaus mintis? Aptikti mintis gali viršyti jų gebėjimus, tačiau kompiuteriai gali būti išmokyti atpažinti tam tikras psichines užduotis iš nuskaitymų, kurie stebi smegenų veiklą. Viena populiari skenavimo technika, funkcinis magnetinio rezonanso tomografija (fMRT), jau padeda tirti mokymąsi, atmintį, emocijas, nervų sutrikimus ir psichiatrinius vaistus. Naudodami statistiką ir duomenų analizę, mokslininkai gali nustatyti veiklos modelius, būdingus tam tikrai psichinei veiklai ir būsenoms. Dabar Tomas Mitchellas ir jo kolegos iš Carnegie Mellon universiteto parodė, kad kompiuteriai gali automatizuoti šį procesą, bent jau kai kurias paprastas užduotis.

METODAI IR REZULTATAI: Naudodama fMRI duomenis iš tiriamųjų, atliekančių įvairias užduotis, CMU komanda mokė kompiuterius atpažinti, kurie fMRI modeliai lydi pažinimo būsenas atliekant įvairias užduotis. Šio proceso metu kompiuteris sukūrė matematinius modelius, skirtus atskirti skirtingas pažinimo būsenas. Tada, atsižvelgiant į naujus fMRI duomenis, kompiuteriai numatė tiriamųjų psichinę būseną iš smegenų skenavimo. Nors ir netobuli, automatiškai apmokyti kompiuteriai įtikinamai pranoko galimybę atskirti, ar tiriamasis žiūri į sakinius ar paveikslėlius, skaito dviprasmiškus ar nedviprasmiškus sakinius ir skaito žodžius, susijusius su skirtingomis kategorijomis, tokiomis kaip žmonės, įrankiai ar vaisiai.

KODĖL TAI SVARBU: Šis darbas rodo, kad kompiuteris gali naudoti vieno smegenų skenavimo rinkinio rezultatus, kad nuspėtų, ką smegenys veikė kitų nuskaitymų metu. Dėl šios galimybės galiausiai būtų galima tiksliau naudoti MRT skenavimus medicinoje. Tai taip pat gali pagreitinti duomenų analizę, ypač kai laikui bėgant tiriamas vienas asmuo. Ir kadangi kompiuteriai išmoko atpažinti smegenų veiklą per vieną trumpą intervalą, o ne iš kelių ilgesnio laikotarpio nuskaitymų sudėties, tai gali sutrumpinti laiką, kurį kiekvienas pacientas praleidžia prie MRT aparato, todėl brangi įranga taps lengviau prieinama.

Kalbant plačiau, šis darbas yra svarbus pritaikymas mašininio mokymosi srityje. Turėdami palyginti nedaug mokymo pavyzdžių, kompiuteriai galėjo aptikti reikšmingus duomenų, kuriuose buvo tūkstančiai įvesties duomenų, modelius, kurių daugelis buvo nereikšmingi arba netikslūs. Mokslininkams renkant vis išsamesnius smegenų ir kitų sudėtingų sistemų duomenų rinkinius, šie metodai suteikia galimybę veiksmingiau panaudoti informaciją.

ŠALTINIS: Mitchell, T. M. ir kt. 2004. Mokymasis iš smegenų vaizdų iššifruoti pažinimo būsenas. Mašininis mokymasis 57: 145-175.

paslėpti