Konspekts: Informācijas tehnoloģijas

Verbālais kompass
Labāka uz runu balstīta kļūdu labošana diktēšanas rīkiem />

KONTEKSTS: Ekstrēma daudzuzdevumu veikšana ir mūsdienu modes tendence, taču nevienam cilvēkam nav pietiekami daudz roku, lai vienlaikus pārvaldītu mobilo tālruni, digitālo organizatoru, stūri un kafiju. Attiecīgi cilvēki vēlas brīvroku veidu, kā mijiedarboties ar datoriem. Lai gan runas atpazīšanas sistēmas ir precīzākas nekā jebkad agrāk, parasti lietotāji joprojām pavada vairāk laika kļūdu labošanai, nevis teksta diktēšanai; puse no to labošanas laika tiek pavadīta, vienkārši virzot kursoru uz kļūdām, kas konstatētas, piemēram, diktētā e-pastā. Lai identificētu iespējamās kļūdas, var izmantot ticamības rādītājus — programmatūras aprēķinus par to, cik liela ir iespēja, ka tā ir tvērusi pareizo vārdu. Tagad Jinjuan Feng un Andrew Sears Merilendas Universitātē, Baltimoras apgabalā, ir parādījuši, ka pārliecības rādītājus var izmantot arī, lai paātrinātu korekcijas procesu.

Šis stāsts bija daļa no mūsu 2005. gada marta numura

• Skatiet pārējo izdevuma daļu
• Abonēt

METODES UN REZULTĀTI: Divpadsmit dalībnieki diktēja 400 vārdu garus dokumentus, izmantojot runas atpazīšanas sistēmu. Tā nepareizi interpretēja 17 procentus vārdu, kas ir tipisks rādītājs; tas bija korekcijas process, kas bija netipisks. Programmatūra izmantoja uzticamības rādītājus, lai visā tekstā atzīmētu vārdus kā navigācijas enkurus. Lietotāji var ātri pāriet uz katru enkuru ar īsām balss komandām un pēc tam pārvietot kursoru vārdu pa vārdam uz kļūdu. Pētnieki novērtēja dalībnieku izmantoto navigācijas komandu skaitu, navigācijas komandu atteices līmeni un laiku, kas pavadīts diktēšanai un navigācijai. Vidējais kļūdu īpatsvars, kas ziņots citām metodēm, ir aptuveni 5 procenti navigācijai, kas balstīta uz virzienu (pārvietojieties pa labi) un 10 līdz 20 procenti uz vārdiem balstītai navigācijai (atlasiet decembri). Fenga un Sears tehnikas pārbaudē atteices līmenis bija tikai 3,2 procenti. Vēl labāk, laiks, ko lietotāji pavadīja, lai atrastu kļūdas, tika samazināts par gandrīz piekto daļu. Tas ir nozīmīgi, salīdzinot ar citiem kļūdu labošanas paņēmieniem, un tas ir daudzsološi, jo šajā darbā tiek ieteikti līdzekļi turpmākai uzlabošanai.

KĀPĒC TAS IR SVARĪGI: PDA liliputas pogas un citi kabatas izmēra brīnumi ātri sarūk nemainīga izmēra īkšķa ietekmē. Daudzuzdevumu veikšana pieaug, un arvien vairāk cilvēku ar fiziskiem traucējumiem ienāk darba tirgū. Abas tendences novirzīs lietotājus no datorsistēmām ar manuālām saskarnēm. Runas atpazīšana, taču tā augstā kļūdu biežuma un ilgā labošanas laika dēļ ir acīmredzama alternatīva.

Šis darbs skaidri parāda, ka uzticamības rādītāju izmantošana navigācijai var samazināt lietotāju labošanas laiku. Ar turpmākiem uzlabojumiem šī tehnika sola palielināt brīvroku kļūdu labošanas lietojamību un tādējādi radīt jaunu sīkrīku un lietojumprogrammu pieaugumu.

AVOTS: Feng, J. un A. Sears. 2004. Uzticības rādītāju izmantošana, lai uzlabotu uz brīvroku runu balstītu navigāciju nepārtrauktās diktēšanas sistēmās. ACM darījumi datora un cilvēka mijiedarbībā 11: 329-356.

Kvantu korekcijas
Kā pārbaudīt kļūdas kvantu datorā

KONTEKSTS: Cilvēkam no malas kvantu skaitļošanas loģika var šķist mistiska. Lai gan standarta bits attēlo datus kā vienu veidu vai citā (digitālā 0 vai 1), kvantu bits saglabā datus kā vienu veidu un cits (0 un 1 un visas iespējas starp tām). Lai gan standarta datoram ir jāizpēta iespējamie risinājumi pa vienam, kvantu dators teorētiski varētu aplūkot visus risinājumus uzreiz un vienā solī izvēlēties pareizo. Tas ir ideāli piemērots risinājumiem, kas balstās uz izmēģinājumiem un kļūdām, piemēram, šifrēšanas kodu uzlaušanai.

Bet, tāpat kā kāda nolādēta mītiska būtne, liela daļa kvantu sistēmā ietvertās informācijas pazudīs, ja tā tiks novērota, jo tās aplūkošanas process traucē sistēmu. Tas nozīmē, ka lietotājs var aplūkot atbildi uz jautājumu, bet nevar pārbaudīt aiz tās esošos aprēķinus. Tāpēc kvantu datoram kļūdas ir jālabo droši, nevienam tās neredzot. Tagad pirmo reizi Džons Čiaverīni un kolēģi no Nacionālā standartu un tehnoloģiju institūta (NIST) to ir izdarījuši kvantu sistēmā, kuru varētu palielināt.

METODES UN REZULTĀTI: NIST kvantu datorā informācija tiek kodēta viena atoma kvantu stāvoklī. Izmantojot procesu, ko sauc par sapīšanos, šī vecākatoma liktenis ir saistīts ar divu pavadoņu atomu likteni, tādējādi izmaiņas vecāku stāvoklī atspoguļojas pavadoņos. Izmantojot berilija jonus (atomus ar elektrisko lādiņu), lai pārnēsātu kvantu informāciju, pētnieki varēja atdalīt, atšifrēt un salīdzināt divu kompanjonu jonu stāvokļus un tādējādi netieši secināt, vai ir notikusi kļūda. Pēc tam lāzera impulss varētu koriģēt sākotnējā jona kvantu stāvokli, to faktiski nenovērojot.

KĀPĒC TAS IR NOZĪMĪGI? Daudzas šifrēšanas metodes ir atkarīgas no grūtībām faktorēt ļoti lielus skaitļus, izmantojot izmēģinājumus un kļūdas. Kvantu dators teorētiski varētu pārspēt visas šādas šifrēšanas sistēmas un solās būt daudz jaudīgāks nekā mūsdienu vismodernākās sistēmas. Tāpēc ikvienam, kas interesējas par digitālo noslēpumu glabāšanu — no kredītkaršu numuriem tīmekļa darījumiem līdz klasificētai informācijai valdībām un korporācijām, rūp kvantu skaitļošana. Lai gan noderīgs kvantu dators joprojām ir tālu, tālu, darbs NIST ir parādījis, kā atcelt vienu no blēdīgākajiem kvantu mehānikas lāstiem.

AVOTS: Chiaverini, J., et al. 2004. Kvantu kļūdu korekcijas realizācija. Daba 432: 602-605.

Jūsu domu skenēšana
Mašīnas mācās analizēt smadzeņu darbību />

KONTEKSTS: Vai datori var iemācīties lasīt cilvēka domas? Domu noteikšana var pārsniegt viņu spējas, taču datorus var apmācīt atpazīt noteiktus garīgus uzdevumus no skenēšanas, kas uzrauga smadzeņu darbību. Viena populāra skenēšanas tehnika, funkcionālā magnētiskās rezonanses attēlveidošana (fMRI), jau palīdz pētīt mācīšanos, atmiņu, emocijas, nervu traucējumus un psihiatriskās zāles. Izmantojot statistiku un datu analīzi, pētnieki var identificēt darbības modeļus, kas raksturīgi noteiktām garīgām aktivitātēm un stāvokļiem. Tagad Toms Mičels un viņa kolēģi no Kārnegija Melona universitātes ir parādījuši, ka datori var automatizēt šo procesu, vismaz dažiem vienkāršiem uzdevumiem.

METODES UN REZULTĀTI: Izmantojot fMRI datus no subjektiem, kas iesaistīti dažādos uzdevumos, CMU komanda apmācīja datorus, lai atpazītu, kuri fMRI modeļi pavada kognitīvos stāvokļus dažādiem uzdevumiem. Šī procesa laikā dators izstrādāja matemātiskos modeļus, lai atšķirtu dažādus kognitīvos stāvokļus. Pēc tam, ņemot vērā jaunos fMRI datus, datori prognozēja subjektu garīgo stāvokli no smadzeņu skenēšanas. Lai arī tie ir nepilnīgi, automātiski apmācītie datori pārliecinoši pārspēja iespēju atšķirt, vai subjekts skatās teikumus vai attēlus, lasa divdomīgus vai nepārprotamus teikumus un lasīja vārdus, kas saistīti ar dažādām kategorijām, piemēram, cilvēkiem, instrumentiem vai augļiem.

KĀPĒC TAS IR SVARĪGI: Šis darbs parāda, ka dators var izmantot vienas smadzeņu skenēšanas kopas rezultātus, lai paredzētu, ko smadzenes dara citu skenēšanas laikā. Šī iespēja galu galā varētu novest pie precīzākas MRI skenēšanas izmantošanas medicīnā. Tas varētu arī paātrināt datu analīzi, jo īpaši, ja laika gaitā tiek pētīta viena persona. Un, tā kā datori iemācījās atpazīt smadzeņu darbību no viena īsa intervāla, nevis no vairāku skenējumu kopuma ilgākā laika periodā, tas varētu samazināt laiku, ko katrs pacients pavada MRI aparātā, padarot dārgu aprīkojumu vieglāk pieejamu.

Plašāk runājot, šis darbs ir svarīgs pielietojums mašīnmācības jomā. Izmantojot salīdzinoši nedaudzus apmācības piemērus, datori varēja atklāt jēgpilnus modeļus datos, kas satur tūkstošiem ievades datu, no kuriem daudzi bija neatbilstoši vai neprecīzi. Tā kā zinātnieki vāc arvien detalizētākas datu kopas no smadzenēm un citām sarežģītām sistēmām, šīs metodes piedāvā veidu, kā informāciju izmantot efektīvāk.

AVOTS: Mitchell, T. M. et al. 2004. Mācīšanās atšifrēt kognitīvos stāvokļus no smadzeņu attēliem. Mašīnmācība 57: 145-175.

paslēpties