211service.com
AI ir pārspējis cilvēkus, lasot no lūpām
Lasīšana no lūpām ir ļoti sarežģīta, jo tas ir atkarīgs no konteksta un valodas zināšanām, kā arī no vizuālām norādēm. Taču pētnieki pierāda, ka mašīnmācīšanos var izmantot, lai atšķirtu runu no klusiem videoklipiem efektīvāk nekā profesionālie lūpu lasītāji.
Vienā projektā komanda no Oksfordas Universitātes Datorzinātņu katedras ir izstrādājusi jaunu mākslīgā intelekta sistēmu ar nosaukumu LipNet. Kā Kvarcs ziņoja , tā sistēma tika veidota, pamatojoties uz datu kopu, kas pazīstama kā GRID, kas sastāv no labi apgaismotiem, ar seju uz priekšu vērstiem klipiem, kuros cilvēki lasa trīs sekunžu teikumus. Katrs teikums ir balstīts uz vārdu virkni, kas atbilst vienam un tam pašam modelim.
Komanda izmantoja šo datu kopu, lai apmācītu neironu tīklu, līdzīgi tam, ko bieži izmanto runas atpazīšanai. Tomēr šajā gadījumā neironu tīkls identificē mutes formas izmaiņas laika gaitā, mācoties saistīt šo informāciju ar teiktā skaidrojumu. AI neanalizē uzņemto materiālu fragmentos, bet ņem vērā visu, ļaujot tai iegūt izpratni par kontekstu no analizējamā teikuma. Tas ir svarīgi, jo ir mazāk mutes formu nekā cilvēka balss radīto skaņu.
Kad pārbaudīts , sistēma spēja pareizi identificēt 93,4 procentus vārdu. Brīvprātīgie, kas lasīja no lūpām, lūdza veikt tos pašus uzdevumus, pareizi identificēja tikai 52,3 procentus vārdu.
Bet kā Jaunais Zinātnieks ziņojumi , cita komanda no Oksfordas Inženierzinātņu departamenta, kas strādā ar Google DeepMind, ir paveikusi diezgan sarežģītāku uzdevumu. Tā vietā, lai izmantotu glītu un konsekventu datu kopu, piemēram, GRID, tā ir izmantojusi 100 000 videoklipu sēriju, kas uzņemta no BBC televīzijas. Šiem videoklipiem ir daudz plašāks valodu klāsts, un apgaismojums un galvas novietojums atšķiras.
Izmantojot līdzīga pieeja , Oksfordas un DeepMind komandai izdevās izveidot AI, kas spēja pareizi identificēt 46,8 procentus no visiem vārdiem. Tas ir arī daudz labāk nekā cilvēkiem, kuri bez kļūdām ierakstīja tikai 12,4 procentus vārdu. Ir skaidrs, ka ir daudz iemeslu, kāpēc precizitāte ir zemāka, sākot no apgaismojuma un orientācijas līdz lielākai valodas sarežģītībai.
Neskatoties uz atšķirībām, abi eksperimenti liecina, ka AI ievērojami pārspēj cilvēkus, lasot no lūpām, un nav grūti iedomāties potenciālus šādas programmatūras lietojumus. Nākotnē Skype varētu aizpildīt nepilnības, piemēram, ja zvanītājs atrodas trokšņainā vidē, vai cilvēki ar dzirdes traucējumiem varētu pacelt savu viedtālruni, lai dzirdētu, ko kāds saka.
(Lasīt vairāk: Kvarcs , Jaunais Zinātnieks , Oksfordas mašīnmācības lasīšanas grupa , arXiv , Automatizētās lūpu lasīšanas izaicinājumi un draudi )