Ienāc Pūķī

Katrai ēkai ir savas tiesības uz slavu, saka Dženeta Beikere, vedot mani pa trīsstāvu ķieģeļu ēku, kas atrodas uz kalna ar skatu uz Bostonu. Kādreiz dzirnavas šī ēka ir sakopta, renovēta un pārvērsta par birojiem. Mūsdienās tā ir 1982. gadā dibinātā uzņēmuma Dženetas un viņas vīra Džima Beikera galvenā mītne Dragon Systems.

Kas ir šis? ES jautāju.

Šis stāsts bija daļa no mūsu 1998. gada septembra numura

• Skatiet pārējo izdevuma daļu
• Abonēt

Šeit izgatavota virve, kas karājās Džonu Vilksu Būtu, viņa smaidot stāsta.

Kad uzzinu rūpnieciskās ēkas pagātni, zīmes ir visur. Otrajā un trešajā stāvā grīdas ir nedaudz noliektas, lai strādnieki pirms gadsimta varētu ripināt masīvās virvju spoles. Trešajā stāvā ir durvis, kas atveras tukšā telpā, kur bloks un tackle nolaida spoles uz ratiņiem, kas gaidīja zemāk. Pie ēkas griestiem joprojām karājas skriemeļi un rullīši.

Taču vēsturnieki, atskatoties no 21. gadsimta, mazāk ticams, ka atcerēsies šo veco dzirnavu māju pēc cilpas, kas izgrieza Ābrahama Linkolna slepkavas kaklu, nevis par vietu, kur Dragon Systems atrisināja lielu datorzinātņu izaicinājumu: iegūt personālo datoru, lai atpazītu dabisko. cilvēka runa.
Kopš pagājušā gadsimta inženieri ir mēģinājuši izveidot mašīnu, kas ņemtu vērā sava saimnieka balsi; pat Aleksandrs Greiems Bels izmēģināja savus spēkus. Un, lai gan datori, kas spēj atpazīt atsevišķus izrunātus vārdus, pastāv jau vairākus gadu desmitus, 1995. gada rudenī eksperti joprojām sludināja, ka galddatora iekārtas, kas spēj pārrakstīt nepārtrauktu runu — ātro un dažkārt arī neskaidro veidu, kā cilvēki patiesībā runā, — nepastāvēs līdz plkst. vismaz 2000... un, iespējams, daudz vēlāk.

Šodien varat iegādāties Dragon Systems NaturallySpeaking datoru veikalos par 99,95 USD un palaist to jaunā datorā, kas maksā mazāk nekā 2000 USD.

Tātad, ko šī tehnoloģija var darīt? Šī gada sākumā es sēdēju konferenču telpā Dragon galvenajā mītnē kopā ar skeptiskiem tehnoloģiju rakstniekiem, kamēr Džoels Gūlds, Dragon Systems galvenais arhitekts, demonstrēja programmu, kuru viņš palīdzēja izveidot. Goulds devās uz konferenču telpas priekšpusi, pieslēdza projektoram savu klēpjdatoru, uzvilka vieglas telefona austiņas un sāka runāt.

Vispirms es jums sniegšu demonstrāciju, un pēc tam es atgriezīšos un parādīšu dažas lietas, kuras jūs redzējāt ātri garām, sacīja Gūlds. Dažas sekundes vēlāk ekrānā parādījās tie paši vārdi, kurus maģiski ierakstīja pats dators. Gūlds turpināja šo sarunu stilu, mašīnai pārrakstot visu, ko viņš teica. Lai gan reizēm tika pieļauta kļūda, mašīnas precizitāte bija ievērojama. Cerot apgrūtināt programmu, žurnālists jautāja, vai tā var atšķirt vārdus, kas izklausās vienādi, bet tiek rakstīti atšķirīgi. Goulds pasmaidīja un izdvesa: lūdzu, tūlīt rakstiet vēstuli Raitas kundzei. Pastāstiet viņai, ka divas ir par daudz, lai nopirktu. Sistēma lieliski atpazina vārdus.

Dragon vadība pārliecinoši prognozē, ka pēc pieciem gadiem dators bez šādas balss atpazīšanas programmatūras šķitīs tikpat primitīvs kā dators bez peles šodien. Vēstules un e-pasts tiks diktēti tikpat viegli kā runājot pa telefonu. Tikai vienu soli tālāk, datorā bāzēta sinhronā tulkošana var gāzt valodas barjeras.

Runas atpazīšanas ieviešana dažus gadus pirms grafika lielā mērā ir saistīta ar Džima un Dženetas Beikeru neatlaidību, pāra, kurš 1982. gadā nodibināja Dragon. Kā pētnieki, pāris palīdzēja izgudrot dažus pamata algoritmus, ko mūsdienās izmanto visi runas atpazīšanas produkti. . Būdami uzņēmēji, viņi cīnījās, lai tehnoloģiju komercializētu vairākus gadus pirms jebkura grafika. Tagad, kad runa ir uz darbvirsmas, ir skaidrs, ka mūsu skaitļošanas nākotni lielā mērā veidos Dragon Systems un vīra un sievas komanda, kas to radīja.

Dženeta Makivere un Džims Beikers iemīlējās, kad abi bija Ņujorkas Rokfellera universitātes maģistrantūras studenti. Bija 1970. gada rudens. Dženeta, pievilcīga un atsaucīga biofiziķe, pētīja, kā informāciju apstrādā nervu sistēma. Džims bija ļoti kautrīgs matemātiķis, kurš meklēja daudzsološu disertācijas tēmu.

Trešais viņu attiecību dalībnieks — runas atpazīšanas mīkla — ienāca ainā kādu dienu, kad Džims apmeklēja Dženetas laboratoriju un ieraudzīja osciloskopa ekrānu, kurā bija redzama kustīga viļņota līnija. Dženeta skaidroja, ka signāls bija nepārtraukts notiekošo notikumu žurnāls, ko radīja neliela analogā shēma, kuru sākotnēji izgudroja MIT profesors Džeroms Lettvins. Notikumi viņas ekrānā bija cilvēka runas skaņas.

Tā man šķita ļoti interesanta modeļu atpazīšanas problēma, Džims saka, domādams par šo liktenīgo šķipsnu. Novirzīts uz skaļruni, signāls radītu skaņas, ko cilvēks varētu saprast: īsi sakot, valoda. Taču ekrānā redzamā informācija bija necaurredzama.

Un, uzzinot vairāk par to, es uzzināju, cik problēma patiesībā bija, viņš atceras. Galvenais izaicinājums nebija vienkārši izveidot datoru, kas varētu identificēt atsevišķus vārdus — Bell Labs komanda to darīja jau 1952. gadā. Bella vienkāršais dators varēja atpazīt ciparus no nulles līdz deviņiem, saskaņojot runātās skaņas ar šablonu kopumu, kas saglabāts analogā atmiņa. Un līdz 20. gadsimta 70. gadiem šādas diskrētas atpazīšanas sistēmas, kas darbojās ar nosacījumu, ka sistēma vispirms tika apmācīta runātāja balsī un runātājs apstājās starp katru vārdu, bija izveidojušas dažus simtus vārdu.

Patiesais uzdevums bija izstrādāt algoritmu, kas varētu dot jēgu dabiski izrunātiem teikumiem, kur atsevišķas vārdu skaņas ir maskētas to kontekstā (sk. diagrammu 61. lpp.). Tas [padarīja] interesantāku, Džims saka. Pat tad nepārtrauktā runas atpazīšana viņam šķita ideāla pētniecības problēma, ko viņš raksturo kā ļoti sarežģītu, bet ne neiespējamu.

Kad Džims un Dženeta gatavojās savām kāzām 1971. gadā, ASV Aizsardzības progresīvo pētījumu projektu aģentūra (DARPA) uzsāka vērienīgu piecu gadu projektu ar nosaukumu Speech Understanding Research. Aģentūra uzskatīja, ka jebkura tehnoloģija, kas ļauj karavīriem ātrāk sazināties ar datoriem, varētu būt nozīmīga stratēģiska priekšrocība, īpaši kaujas laukā. Projekta mērķis: sistēma, kas varētu atpazīt nepārtrauktu cilvēka runu no 1000 vārdu krājuma ar 90 procentu precizitāti.

DARPA iniciatīvas laiks Maizniekiem bija nejaušs, tāpat kā Džima zinātniskā pieredze. Būdams bakalaura students, viņš bija izstrādājis matemātisko paņēmienu šķietami nejaušu notikumu analīzei, pamatojoties uz krievu matemātiķa Andreja Markova (1856-1922) aizsācēju metodēm. Džims bija pirmais, kurš saprata, ka šādus slēptos Markova modeļus var izmantot runas mīklas atšķetināšanai.

Lielākā daļa jaunlaulāto sadarbojas, lai atrisinātu problēmas, piemēram, kādu modeli izvēlēties savām kāzām Ķīnā. Maiznieki šos uzdevumus neizlaida (izvēlējās pūķi), bet pēc tam nolēma kopīgi risināt arī runas atpazīšanas problēmu. Tomēr viņi kļuva arvien izolētāki Rokfellerā, kur nebija runas izpratnes ekspertu un kam trūka datora jaudas, lai izmēģinātu Džima paņēmienus. Tāpēc nākamajā gadā viņi sakravāja somas un pārsūtīja uz Kārnegija Melona universitāti, kas ir viens no DARPA projekta galvenajiem darbuzņēmējiem un mākslīgā intelekta (AI) pētniecības vieta.

Kārnegija Melonā Beikeri atklāja, ka viņu pieeja runas atpazīšanai ir tālu no parastajiem. Tajā laikā daudzi AI pētnieki uzskatīja, ka mašīna var atpazīt runātos teikumus tikai tad, ja tā vispirms var saprast lielu kontekstu, tostarp to, kas ir runātājs, ko runātājs zināja un ko runātājs varētu mēģināt pateikt, kā arī angļu valodas gramatikas noteikumi. Citiem vārdiem sakot, lai atpazītu runu, mašīnai jābūt diezgan inteliģentai.

Bakers izmēģināja pavisam citu taktiku. Balstoties uz Džima pieredzi darbā ar Markova modeļiem, viņi izveidoja programmu, kas darbojās tīri statistikas jomā. Pirmkārt, viņi sāka aprēķināt varbūtību, ka kādi divi vārdi vai trīs vārdi parādīsies viens pēc otra angļu valodā. Pēc tam viņi izveidoja fonētisko vārdnīcu ar šo vārdu grupu skaņām. Nākamais solis bija algoritms izrunāto vārdu virknes atšifrēšanai, pamatojoties ne tikai uz labu skaņu sakritību, bet arī atkarībā no varbūtības, ka kāds tos izrunās šādā secībā. Sistēmai nebija ne angļu valodas gramatikas zināšanu, ne zināšanu bāzes, ne uz noteikumiem balstītas ekspertu sistēmas, ne inteliģences. Nekas, izņemot skaitļus.

Tā bija ļoti ķecerīga un radikāla ideja, saka Dženeta. Daudzi cilvēki teica: tā nav runa vai valoda, tā ir matemātika! Tas ir kaut kas cits!

Lai gan Beikeru domāšana sastapās ar plaši izplatītu skepsi, saka Viktors Zue, MIT Datorzinātņu laboratorijas asociētais direktors un runas izpētes pionieris, laiks ir pierādījis, ka [Beikeriem] ir taisnība, īstenojot šāda veida pieeju. Patiešām, Beikeru sistēma, kuru viņi nosauca par Pūķi pēc būtnes, kas rotāja viņu porcelāna komplektu, drīz vien sāka konsekventi pārspēt konkurējošās metodes.

Kad Beikeri 1975. gadā ieguva doktora grādu no Kārnegija Melona, ​​viņu novatoriskais darbs drīz vien nodrošināja abus darbus IBM Tomasa J. Vatsona pētniecības centrā ārpus Ņujorkas. Tajā laikā IBM bija viena no vienīgajām organizācijām, kas strādāja ar plašu vārdu krājumu, nepārtrauktu runas atpazīšanu. Mēs nedevāmies uz [IBM] un neteicām: jums ir jāpieņem darbā mēs abi,” atceras Džims. Tas vienkārši sanāca tā. Tomēr tas bija modelis, kas atkārtojās. Šodien, kad Džims ir Dragon Systems priekšsēdētājs/izpilddirektors un Dženeta ir Dragon Systems prezidente, Beikeri lepojas ar gandrīz identiskiem CV.

Uzņēmumā IBM Bakers izstrādāja programmu, kas varētu atpazīt nepārtrauktu runu no 1000 vārdu krājuma. Tomēr tas bija tālu no reālā laika. Programmai, kas darbojas datorā IBM 370, bija nepieciešama aptuveni stunda, lai atšifrētu vienu izrunātu teikumu. Bet tas, kas Beikerus sarūgtināja vairāk nekā laika gaidīšana lielajā datorā, bija IBM atteikšanās pārbaudīt runas atpazīšanu reālos apstākļos.

IBM ir lieliska pētniecības iestāde, un mums patika tur strādāt, saka Dženeta. Taču mēs ļoti vēlējāmies ieviest lietas tirgū un iegūt īstus lietotājus. Protams, īsti lietotāji nevarēja gaidīt stundu, līdz dators pārrakstīs teikumu. Taču viņa atzīmē, ka jūs būtu varējuši izdarīt vienkāršākas lietas, izmantojot daudz mazāk [datora] resursu. IBM vadība jutās savādāk un teica Beikeriem, ka viņi ir pāragri.
Tas bija IBM neizmantoto iespēju ziedu laiki (ieskaitiet relāciju datu bāzes un RISC mikroprocesorus starp galvenajiem izgudrojumiem, ko uzņēmumam neizdevās komercializēt), un 1979. gadā Beikeru neapmierinātība uzvārās. Pāris pārgāja uz Verbex, Bostonā bāzētu Exxon Enterprises meitasuzņēmumu, kas bija izveidojis sistēmu datu vākšanai pa tālruni, izmantojot ierunātus ciparus. Džims (kā jaunizveidotais progresīvās izstrādes viceprezidents) un Dženeta (kā pētniecības viceprezidente) nolēma, ka programma nodrošina nepārtrauktu runu.

Taču mazāk nekā trīs gadus vēlāk Exxon izstājās no runas atpazīšanas biznesa, un Beikeri atkal meklēja darbu. Šoreiz viņu līdzīgos CV bija problēmas — nevienam no viņiem nebija darba. Duets saprata, ka ir izvēles priekšā: šķirties no runas atpazīšanas, mainot laukus, vai doties ceļā paši.

1982. gadā bez riska kapitāla, bez biznesa plāna, diviem pirmsskolas vecuma bērniem un lielas hipotēkas Beikers nodibināja Dragon Systems. Viņi vadīja uzņēmumu no savas dzīvojamās istabas un saprata, ka viņu ietaupījumi varētu ilgt 18 mēnešus, iespējams, 24 mēnešus, ja viņi ēdīs pietiekami maz.

Mazliet smagnēji, bet ne īsti formā, šodien Beikeri vairāk izskatās pēc laimīgi novecojošiem akadēmiķiem, nevis veiksmīgiem uzņēmējiem. Bet, ejot pa Dragona grezno štābu, uzreiz ir redzams, ka viņi ir abi. Pēdējo 16 gadu laikā Dragon Systems katru gadu ir pieaudzis par gandrīz 50 procentiem; tagad tajā strādā vairāk nekā 260 cilvēku. Viņu noslēpums, saka Dženeta, bija pašpaļāvības desmitgade. Tā vietā, lai uzkrātu parādus vai pārdotu uzņēmuma daļas nepiederošām personām, Beikers uzstāja, ka algas un izdevumi ir jāsedz no ieņēmumiem. Rezultātā Dragon koncentrējās uz reālu problēmu risināšanu ar pašreizējām tehnoloģijām, un viņam izdevās to nodrošināt.

Gadi pēc Dragon's izšķilšanās radīja pielāgotu projektu, pētniecības līgumu un pirmo produktu sarakstu, kas paļaujas uz arvien spēcīgāku diskrēto atpazīšanas pieeju. Viens no orientieriem bija Dragon pirmais darījums, kurā neliela britu firma Apricot Computers izmantoja Dragon tehnoloģiju, lai tirgotu pirmo personālo datoru, kas ļautu cilvēkiem atvērt failus vai palaist programmas, izrunājot vienkāršas komandas. (Diemžēl Apricot bija nogatavojies pirms sava laika un drīz izputēja.) 1986. gadā Xerox strādnieki, kuri bija bruņoti ar mikrofoniem un radio raidītājiem, izmantoja Dragon tehnoloģiju, lai veiktu visa uzņēmuma inventāra 2,2 miljonu detaļu auditu.

1990. gadā Dragon ieviesa DragonDictate 30K — pirmo lielo vārdu krājumu, sistēmu runas pārveidošanai tekstā vispārējai diktēšanai. Programma ļāva lietotājam kontrolēt datoru, izmantojot tikai balsi, un nekavējoties ieguva labvēlību starp invalīdiem, tostarp aktieri Kristoferu Rīvu.

Taču Dragon diskrētā tehnoloģija nevarēja iekļūt vispārējā tirgū. Lai gan daudzi cilvēki varēja ievadīt tekstu ar DragonDictate ātrāk nekā rakstīt, nevienam nepatika būt spiestam pauzēt starp katru izrunāto vārdu. Vēl ļaunāk, konkurenti uzstājās ar savu diskrēto runas atpazīšanas tehnoloģiju. Ikviens zināja, ka tas, ko lietotāji patiešām vēlas, ir nepārtraukta runas atpazīšana un ka pirmais uzņēmums, kas nonāks tirgū, būtu gatavs dominēt. Taču visi arī zināja, ka līdz nepārtrauktam produktam bija vajadzīgi vismaz pieci gadi, varbūt pat desmit gadi.

Tad kaut kad 1993. gada beigās Beikeri saprata, ka tradicionālā gudrība ir nepareiza. Zinot ātrumu, ar kādu uzlabojās datora ātrums un atmiņa, viņi aprēķināja, ka augstākās klases galddatoriem vajadzētu būt spējīgiem veikt nepārtrauktu atpazīšanu dažu gadu laikā. Tāpat kā pāris savulaik bija riskējuši ar savu karjeru, izmantojot neparasti jaunu pieeju runas atpazīšanai, 1994. gada pirmajā pusē maiznieki sāka pārveidot savu uzņēmumu, cenšoties izmantot iespēju un ieviest savas idejas tirgū.

Kamēr Džims izveidoja jaunu izstrādes komandu, lai izveidotu Dragon pirmo nepārtrauktās runas atpazīšanas ierīci, Dženeta noslēdza darījumu ar Kalifornijas cieto disku ražotāju Seagate Technologies, lai iegādātos 25 procentus Dragon akciju. Uzņēmums izmantoja naudu, lai papildinātu savus inženiertehniskos, mārketinga un pārdošanas spēkus. Gada laikā Dragon bija lielākā runas pētniecības komanda pasaulē — vairāk nekā 50 zinātnieku un programmatūras inženieru.

Jaunais nepārtrauktais produkts patiešām būtu divas programmas vienā. Pirmais, atpazinējs, veiktu faktisko darbu, pārvēršot runātos izteikumus angļu valodas tekstā. Otrā programma bija interfeiss, kas savienoja atpazinēju gan ar lietotāju, gan ar pārējo datora operētājsistēmu. Ja pirmā puse bija tīra zinātne (pamatojoties uz Beikeru agrīnajiem darbiem), otrā bija nomākta inženierijas un mākslas kombinācija, kas bija nepieciešama, lai zinātni pārvērstu par tirgojamu produktu.

Sarežģītākā no šīm reālās pasaules problēmām bija programmatūras laba darbība Windows vidē. Windows ir šausmīgs, žēlojas Dragon's Gould, kurš uzņēmās kritisko uzdevumu izveidot lietotāja interfeisu. Tas ir kļūdains, slikti dokumentēts, nekonsekvents, un tā daļas [ir] gandrīz neizmantojamas. Tomēr tā darbojas visi mūsu klienti.

Līdz 1997. gada aprīlim Dragon komanda bija pārvarējusi galvenos šķēršļus un sāka dot mājienus nozares analītiķiem, ka gaidāms kaut kas liels. Mēs bijām skeptiski, atceras Pīters Ffoulks no tirgus izpētes firmas Dataquest. Tad viņš ieraudzīja demonstrāciju, kurā bija 230 000 vārdu. Mēs bijām diezgan pārsteigti par iespējām. Mēs negaidījām, ka tas šodien būs šeit, un tā patiešām ir, saka Ffoulkes.

Bakers bija uzspēlējuši savu uzņēmumu, un viņi bija pareizi derējuši. Jaunais nepārtrauktās atpazīšanas produkts ar nosaukumu Dragon NaturallySpeaking bija tūlītējs hits. Dženetas Beikeres birojs sāka pildīt pieprasījumus no uzņēmumiem, kuri cerēja integrēt Dragon tehnoloģiju savās lietojumprogrammās. Raksti par NaturallySpeaking parādījās publikācijās visā pasaulē; Goulds demonstrēja programmu CNN. Tajā rudenī NaturallySpeaking pārņēma nozares COMDEX izstādi, iegūstot visas galvenās produktu balvas.

Tomēr Pūķa laiks vienatnē uzmanības centrā bija īss. Kad uzņēmums pirmo reizi nosūtīja NaturallySpeaking 1997. gada jūnijā, IBM reaģēja, samazinot sava diskrētā runas atpazīšanas ierīces Voice Type cenu līdz 49,95 USD. Un tā kā ziņas par NaturallySpeaking gaidāmo izlaišanu bija izplatījušās vairākus mēnešus iepriekš, IBM jau bija sācis avārijas mēģinājumus, lai pēc iespējas ātrāk pārvietotu savu nepārtrauktās runas atpazīšanas programmu (kas tika izstrādāta tajā pašā laboratorijā, kur Beikeri strādāja 1970. gados). pēc iespējas. Produkta IBM ViaVoice cena veikalu plauktos nonāca augustā un sasniedza tikai 99 USD.

IBM patiešām satrieca lietas, saka Džons Oberteufers, Voice Information Associates prezidents, kas pēta runas atpazīšanas tirgu. Esmu izmantojis tos abus, un, runājot par atpazīšanas precizitāti, es teiktu, ka tie ir salīdzināmi, viņš saka. Dragon bija spiests samazināt un samazināt savu cenu no dūšīgās sākotnējās maksas 700 USD uz 299 USD, pēc tam līdz 199 USD. Līdz gada beigām Dragon bija pārdevis 29 463 NaturallySpeaking kopijas, bet IBM bija pārdevis 46 182 ViaVoice kopijas, liecina PC Data. Bet kopējos produktu ieņēmumos Dragon bija pārspējis Big Blue.

paslēpties