[Muusika mängib] 

DAVID Humala: See on CS50. See on nädala lõpuks 10. Ja poiss, me olema hea klassi teile täna. Me oleme nii põnevil, et kutsuda kaks Meie sõbrad Yale'i kuni täna ja vaadata ristumiskohas tehisintellekt, robootika, loomuliku keele töötlemise ja rohkem. 

Ja tõepoolest, üle Viimastel nädalatel oleme kindlasti kulutanud palju aega, eriti varasema psets, keskendudes päris madala üksikasjad. Ja see on väga lihtne unustada ning puude taga metsa ja saada üles riputatud silmad ja tingimused ja viiteid, kindlasti, ja muu taoline. Kuid reaalsus on kutid nüüd koostisosi, mis saab tõesti lahendada mõned huvitavad probleemid, nende hulgas need sellised, mis meie sõpradele Yale'i tööd lihtsalt häbelik Cambridge. 

Lubage mul kõigepealt tutvustada meie peas assistent Yale'i, Andy. 

[APPLAUSE] 

ANDY: Esiteks, lihtsalt tänada et lubate paar Yalies pop mööda Cambridge täna. Me tõesti hindan seda. Teiseks, meie sõbrad tagasi koju-- Jason, Täname viibivad ja töötavad loengu. Loodan, et see kõik on hea, New Haven. 

Nii et jah, ma olen super põnevil tutvustada Scaz täna. Scaz jookseb robootika laboris. Ta on professor, nagu viis erinevate osakondade Yale'i. Oma lab, ta on palju, palju robotid, mis talle meeldib mängida. Tal on, sarnased, lahedam töö maailmas. Ja ta saab sellist jama ringi, et kogu päev pikk ja ei mingit tööd, samuti. 

Ja nii me tegelikult tõi üks neist maha täna. Nii ilma pikema jututa, Scaz on läheb minna ja tutvustada meid tema robot sõber. 

[APPLAUSE] BRIAN SCASSELLATI: Aitäh, David. Aitäh, Andy. See on nii tore olla siin kõigiga täna. Tahan kõigepealt olema väga selge, et CS50 töötajad siin Cambridge on olnud uskumatult külalislahked meile. Me oleme nii tänulikud kõige eest nad olen teinud meid toetada. Ja nii me tahaksime, et oleks võimalik tagasi headust. 

Nii et täna saame teatada et me ei kavatse on uus, üks-of-a-tüüpi CS50 sündmus toimub New Haven järgmisel nädalal. Ja see on CS50 Research Expo. Nii et me läheme tuleb kutsuda everyone-- CS50 üliõpilased, töötajad nii Harvardi ja Yale-- kuni langenud ja külastada meie juures reedel. Me peame paljude üle 30 erinevat inimest, esitades ja exhibiting-- upperclassmen näitab välja mõned oma teadustöö tooteid. Me peame mõned alustavatel, isegi, otsin jaoks natuke uus tech talent, alustavatel nii Harvard ja Yale. Ja me peame mõned õpperühm otsin mõned uue koosseisu. 

See saab olema väga põnev aeg. Loodetavasti need, kes on maha tulevat Harvard-Yale mängu suudab peatada poolt natuke alguses, õigus kesklinnas ülikooli, Sterling Memorial Library. Me läheme pea komplekt eksponaate, mis ulatuvad autonoomsete sailboats tarvitamise viisi tarkvara säilitada keskaja käsikirjad. 

Me läheme on reklaami hoc võrgustike ja inimesed õpetamise tarkvara kodeerimine Kaplinnas. Me peame arvutis muusika meeleavaldusi. Ja me muidugi rohkem robotid. Nii me loodame liitu meiega seda sündmust. See peaks olema palju lõbus, natuke toitu, ja palju huvitavat asju rääkida. 

Nii et täna me ei kavatse rääkida umbes loomuliku keele töötlemise. Ja see on katse meile ehitada uus viis liidestamine meie seadmeid, sest viimase paari nädala jooksul, oled keskendunud, kuidas see on, et võite kirjutada koodi, kirjutada tarkvara et on võimalus, et suudetakse ütleksid masin, see on see, mida ma tahan, et sa teeksid. 

Aga me ei vaja eeldada, et kõik see on seal, et on kasutatud igaüks maailmas läheb valda sedalaadi õpetust. Nii me vahet arvutis keeled ja loomulik languages-- see tähendab, et asju, mida inimesed kasutamine suhelda teiste inimestega. Ja püüame luua liidesed, mis kasutavad Nende loomulik side mehhanismid. 

Nüüd, just nagu iga teine ​​teema et oleme alustanud ka CS50, me ei kavatse alustada lihtsaim natuke loomuliku keele töötlemise et suudame ette kujutada. Me läheme alustada ajaloolise osa loomulik keel. Ja siis me ehitada kuni üha uuemate süsteemide ja lõbutseda demos mööda teed. 

Nii et me läheme alustada, mida oli ilmselt esimene loomulik keel töötlemise süsteem. See oli tarkvarasüsteemi kirjutatud 1966 Joseph Weizenbaum nimetatakse Eliza. Ja Eliza oli mõeldud imiteerida koostoimel sa oleks koos Rogerian psühhoterapeut. Nüüd Rogerians, neil oli idee, et psühhoteraapia kaasatud on võimalik peegeldada tagasi patsiendile ja nendega rääkida, Põhimõtteliselt, vaid anda neile väike natuke terapeut. See tähendab, et kõik et terapeut ütles pidi olema lihtsalt peegeldus mida patsient rääkis neile. 

Nii proovime ja demo seda. Kas meil on vabatahtlik, kes tahaks olla valmis jagama oma sügavaimad, pimedamal ja / või võltsitud saladusi Eliza? Muidugi, miks sa ei tule välja. Fantastiline. Ja su nimi on? 

MILES: Miles. 

BRIAN SCASSELLATI: Miles. Nice to meet you, Miles. Kui soovite korraldada peale seda. Ja me ei kavatse kasuta versioon Eliza et me oleme kopeeris jooksul CS50 IDE. Ja me vaatame allikas koodi see veidi aja pärast. Aga just nüüd, me oleme lihtsalt läheb tugineda seda kirjutades Eliza. 

Ja Eliza on annan teile vastuseid et ei kavatse olla kõigis pealinnades. Ja küsin mõned küsimused. Ja me vastame teile ja kirjuta vastustes Eliza. Nii Eliza on öelnud: "Tere, ma olen Eliza. Mis sul viga on? " Mida sa tahaksid rääkige Eliza umbes täna? 

MILES: Võin ainult magama kui mul on jänku sussid. 

BRIAN SCASSELLATI: Okei. Hästi. 

[NAER] 

"Ma võin ainult magama koos jänku sussid. " Ja Eliza ütleb: "Ütle, kas sa mingeid psühholoogilisi probleeme? Võib-olla on see hea näitaja. " 

OKEI. Mida sa tahaksid vastata? 

MILES: Jah. 

BRIAN SCASSELLATI: Jah. Man palju sõnu. Naudin seda. Eliza ütleb: "Sa paistad üsna positiivne." 

MILES: Ei, ma olen tegelikult elektron. 

BRIAN SCASSELLATI: "Ei. Tegelikult, ma olen elektron. " "Kas sa tuled mulle sest sa oled elektron? " Nüüd saame näha mõningaid things-- ma lähen peatamiseks teid lihtsalt teise, Miles. Ära mine kuhugi. Me ei teinud sa veel. Eliza on mõnes mõttes, vastates teatud asjad et ta ütleb, kuid ilma tegelikku arusaamist. Ja see on ka parroting tagasi mõned osade oma karistuse. 

Nii me ütlesime: "Ei Tegelikult, ma olen elektron. " Eliza vastas tagasi, "Kas sa tuled mulle, sest sa oled elektron? " Hästi. Anname veel üks vastus siin. Anna see hea, Miles. 

MILES: Hea üks? 

Jah, palun aidake mind. BRIAN SCASSELLATI: "Jah. Palun aidake mind. "" Oled sa kindel? " MILES: Ei BRIAN SCASSELLATI: Ei "Mida see soovitame teil?" 

MILES: Ma ei pruugi olla elektroni. 

BRIAN SCASSELLATI: "Ma pruugi olla elektrone. " "Kas sa tahad öelda pole lihtsalt olla negatiivne?" 

Hästi. Nii Miles, tänan sind nii palju. 

MILES: Aitäh. 

BRIAN SCASSELLATI: Tänan. [APPLAUSE] 

Nii et see Eliza programmi mitmeti, reageerib vaid tükid et Anname ilma sügava arusaam sellest, mis siin toimub. See on omamoodi süsteem nimetatakse mustrite, kus ootame teatud bitti teksti, et me oleme siis kavatseme välja, mida anti sisendiks teisendada see potentsiaalselt mingil viisil, ja siis anna see tagasi kasutaja. 

Kas mõni te arvate et Eliza on tegelikult täitmisel kehtib psühhoanalüüs siin? Üks inimene, võibolla. 

Sihtrühm: [kuuldamatu]. BRIAN SCASSELLATI: Ja kuidas Kas see teeb te tunnete? Jah, tõepoolest, nii see on. Ja me näeme, tegelikult on lähtekoodi see hetk. Ja nii sa lähed olema võimalik seda täpselt. 

Nüüd, Eliza on üks vorm, mida me kutsume praegu jututuba bot. See lihtsalt läheb läbi teksti, et pakute, annab minimaalseim summa mõistmise või töötlemiseks, ja siis papagoid sulle tagasi. Võtame pilk, kontseptuaalselt ja rääkida, mida see on see, et Eliza on tegelikult teevad. 

Eliza astub sentence-- olgem öelda: "Ma tahan muljet minu ülemus." Ja Eliza otsib läbi, et lause ja püüab leida ning sobitada teatud mustreid. Nii näiteks, üks mudel et Eliza otsib on sõnad "Ma tahan." Ja alati, kui näeb midagi mis on "ma tahan" seda, see sõnastab vastuse. Ja see vastus on fikseeritud string. Sel juhul on see "miks sa tahad?" Ja ma panen natuke tähe lõppu, sest see on lihtsalt alguses meie vastust. Ja täht näitab, et me läheme ülejäänud kasutaja utterance-- "muljet minu boss" - ja me ei kavatse lisada, et koridori lõpus string. 

Nüüd, selle asemel et öelda: "Miks sa tahad muljet oma boss, " seal on natuke veel töötlemistoimingud, mis me teeme. See tähendab, et me peame teisendada mõned asesõnad siin on "minu boss", et "boss." Ja seal võib olla mõni muu muutusi, mida me peame tegema. Nii et pigem lihtsalt kinni see otse lõpuni, mida me teeme on me võtame ülejäänud kasutaja utterance-- valge siin-- ja me võtame ta üks tükk aeg ja teisendada iga string sümboolne, iga sõna, võtta lausega. 

Nii et me võtame sõna "kuni". Pole konverteerimine et me peame seda tegema. "Muljet." Pole konverteerimine me peame tegema seal. "Minu" konverteerib et "oma". Ja "boss" me lihtsalt lahkuda, kuna "boss." Ja siis lõpuks midagi mis lõpeb ajavahemik, me muuta selle küsimusega. 

See on väga lihtne mustrite on tegelikult üsna edukas. Ja kui see võeti kasutusele in 1966-- Joseph Weizenbaum programmeeritud seda arvutis. Nüüd, arvutid tol ajal ei desktop mudeleid. Nad olid jagatud ressursse. Ja tema õpilased minna ja vestelda Eliza. Lõpuks ta tuli piirata juurdepääs sest tema õpilased ei olnud mingit tööd teha. Nad olid lihtsalt jututoas Eliza. Ja tegelikult, ta pidi tule tema assistent, kes veetis kogu oma aega rääkinud Eliza temast sügav ja murettekitav probleeme. 

Igaüks, kes kasutasid neid süsteeme hakkas antropomorfitseeriks neid. Nad hakkasid mõtlema neid on elusad ja reaalsed inimesed. Nad hakkasid tunda mõned asju, mida nad ütlesid tulid tagasi neile. Ja nad olid teada asju ise. Ja tegelikult, isegi eksperdid, isegi psühhoterapeudid, hakkasin muretsema, et tegelikult võibolla Eliza oleks asenda neid. Ja isegi arvuti teadlased mures, et me olime nii lähedal lahendamise loomuliku keele. 

Nüüd, see ei olnud kuskil lähedal tõsi. Aga see, kuidas muljetavaldav Nende süsteemide võib tunduda. Nii alustame vaadata all ja proovida saada natuke küsimus kus see kood tegelikult juhtub. Nii teeme seda koodi saadaval hiljem. Ja see on väga lihtne ja otsene port originaal Eliza rakendamist. 

Nii mõned neist stilistiline asjad, mida te näete siin ei ole stiililiselt mida me tahaks, et sa või mida me oleme õpetanud, et sa. Aga me oleme püüdnud hoida neid sama kogu paljud sadamad et see on olnud nii, et see on maitse originaal. Nii et me läheme hulka hunnik asju, ja siis me olema kogum märksõnu, mida et Eliza tunneb ja vastata otse. Nii et kui teil on sõnad nagu "kas sa" või "ma ei" või "ei" või "jah" või "dream" või "tere", siis Eliza Vastame valikuliselt neile. Me ka teatud asju et me vahetada, nagu ümberehitamiseks "minu", et "oma". 

Ja siis on meil hulk vastuseid et kõik need märksõnad, Vuorottelemme läbi Nende erinevaid vastuseid. Nii et kui ma ütlen "jah" kolm korda järjest, ma võib saada kolm erinevat vastuseid Eliza. Meie koodi, siis on tegelikult tähelepanuväärselt lihtne. Kui ma keri varem kõigi nende Vastuste et oleme programmeeritud ja me pikali meie peamine, me läheme initsialiseerida paar erinevaid muutujaid ja teha natuke majapidamine alguses. Aga seal on absoluutselt komplekt kood, mida saate aru. Üks suur samas silmus, mis ütleb, et ma olen hakka kordama seda ikka ja jälle. Ma lugeda rida, ja ma talletada, et sisend string. Ma vaatan ja vaata, kas see on eriline märksõna "bye", mis tähendab välju programmist. Ja siis ma vaatan ja vaata, kas keegi lihtsalt korrates ise ikka ja jälle. Ja ma kisa, kui nad teevad. Ma ütlen "ei korda ennast." 

Niikaua kui ükski neist juhtub, siis me siis skaneerida läbi ja ahela kaudu, liinidel 308-313 siin, ja vaadata ja näha, on mõni neist märksõna laused sisalduvate sisend et ma olin just? Kui on mäng neile, hästi siis ma mäletan, et asukohta. Ma mäletan, et märksõna. Ja ma saaks ehitada vastus. 

Kui ma ei leia üks, ka siis, viimane asi, mida minu märksõnade valikut on minu default vastuseid, kui midagi sobib. Ma küsin küsimusi nagu "Miks sa tulevad siia? "või" Kuidas ma saan teid aidata? " mis on vaid osaliselt asjakohased ükskõik mis sisend. 

Saadame ehitada Eliza vastus. Me oleme võimelised võtma et baasi vastust, nagu me tegime, et "minu boss" näiteks. Kui see on kõik, mis seal on-- kui see on lihtsalt üks string, et ma peaksin respond-- Ma lihtsalt saatke see tagasi viia. Kui see on tärniga juures lõpuks see, siis ma töödelda iga žetooni ülejäänud alla vastus ja lisada need, vahetada, Sõna-sõnalt nagu ma pean. 

Kõik see on täiesti midagi, mida võiks ehitada. Ja tegelikult, kuidas me on töödeldud käsurea argumente, Muide, kus sa pead töödeldakse läbi HTTP taotlusi järgida sama liiki reegleid. Nad mustrite. 

Nii Eliza oli suhteliselt oluline mõju looduslikele keel sest ta tegi seda tunduda, et see oli väga saavutatav eesmärk, nagu millegipärast olime suutma seda probleemi lahendada otse. Nüüd, et see ei tähenda, et Eliza ei kõik, mis me tahame teha. Kindlasti mitte. Aga me peaksime suutma midagi enamat. 

Meie esimene samm minna kaugemale Eliza läheb suutma vaadata ei tekstid on sisestatud arvesse klaviatuuril kuid kõnes, tegelik kõne salvestatakse mikrofoni. Nii nagu me vaatame neid erinevat tükki, me oleme läheb on ehitada kogum mudelid. Me läheme peame suutma minna madalaima taseme akustiline information-- sammuga, amplituud, frequency-- ja muuta, et võtta mõned üksused, et me oleme võimelised kergemini manipuleerida ja lõpuks, neid töödelda arvesse sõnu ja lauseid. 

Nii kõige kõnetuvastuse süsteemid, mis on seal täna jälgida statistilist mudel, kus me ehitame kolm eraldi esindused mida et helisignaali tegelikult sisaldab. Alustame foneetiline mudel mis räägib just baasi kõlab, et ma toodavad. Kas ma olen tootma midagi, mis on B nagu poiss või D nagu koer? Kuidas ära tunda need kaks erinevat Loomulik eraldi ja selge? 

Peal, et me siis ehitada Sõna hääldus mudel, midagi, mis seob kokku nende üksikute telefonid ja ühendab neid sõna. Ja pärast seda, me võtame sõna ja me koguda neid keeles mudeli täielik lause. 

Nüüd, me ei kavatse rääkida iga Nende iseseisvalt ja eraldi. Aga need kolm mudelit on kõik lihtsalt läheb statistika. Ja see tähendab, kui me nendega koostööd tegema, siis me suutma töötada neid kõiki korraga. Hästi. Alustame meie foneetiline mudel. Nii foneetiline mudelid tugineda arvutuslik tehnika nimetatakse varjatud Markovi mudeleid. Need on graafiline mudeleid, mis ma on ja tunnustada riigi maailmas olevaks erineb kogum funktsioone. Ja et riik kirjeldab üks osa hagi, et ma olen tegelenud. 

Nii et kui ma arvan, et umbes tegemise heli "ma", nagu ema, on olemas erinevad komponentide, et heli. Seal on osa, kus ma hingab sisse. Ja siis ma rahakott minu huuled. Ja ma rulli minu huuled veidi tagasi natuke teha, et "ma" heli. Ja siis seal on vabastamist. Minu huuled lagune. Air väljasaatmiseni. "Ma." 

Need kolm eri paigus oleks esindatud riike sel graph-- algusega, keskel ja lõpus. Ja ma oleks üleminekud võimaldas mul reisida ühest riigist järgmisele teatud tõenäosusega. Nii näiteks, et M heli võib olla väga, väga lühike sisselaske juures beginning-- "mm" - ja siis pikema, vibreerivad faasi, kus ma hoian oma huuled kokku ja peaaegu humming-- "mmmm" - ja siis väga lühike plahvatavat kus ma suruvad breath-- "ma." 

Varjatud Markovi mudelit eesmärk lüüa asjaolu mis teed, mis ma tegema et heli "ma" läheb olla pisut erinev selle ajastust, on sagedus, ja selle funktsioone kui Muide, et sa teed seda või nii, et võin oleks, kui ma räägin umbes erinevate kasutusalade kirja. "Ema" ja "võib i", heli veidi erinevalt. 

Nii et ära tunda eriti hea, oleksime ehitada Markov mudelid, need varjatud Markovi mudelid, iga võimalik telefoni, et ma Võiksid tunda, igal võimalikul heli, ja siis vaadata akustiliste andmete, et mul on ja määrata statistiliselt milline neist on kõige tõenäolisem ühe et on toodetud selle heli. OKEI. Seda mudelit meil siis hakata ehitama peal. Võtame hääldus mudel. Nüüd, mõnikord hääldus mudelid on lihtne ja sest seal on ainult üks hääldada midagi. Teinekord nad on veidi keerulisem. Siin on hääldus juhend eest, et punane asi, mis on puu, mis te teete ketšup välja. Inimesed ei usu, et see on puu. Õigus? 

Nüüd on palju erinevaid võimalusi et inimesed hääldada seda sõna. Mõned ütlevad "varba-mail-toe." Mõned ütlevad "varba-mah-toe." Ja me saame lüüa, et koos üks neist graafiline mudelid kus jällegi, me esindame üleminekud millel on teatava tõenäosusega ja nendega tõenäosus nendega. 

Nii et sel juhul, kui oleksin järgida top tee läbi kogu see graafik, Oleksin alustades kirjas vasakus servas on "ta" heli. Ma võtaks ülemise poole, NN "oh," ja siis "ma" ja siis "a" ja seejärel "ta" ja "oh." "Toe-võib-toe." Kui ma võtsin alt tee kaudu see, ma saan "ta-mah-toe." Ja kui ma läksin alla ja siis up, ma saan "ta-võib-toe." 

Need mudelid jäädvustada nende erinevusi, sest alati, kui meil kasutada üks neist tunnustamise süsteemid, see saab olema töötada palju eri liiki inimesi, palju erinevaid aktsente ja isegi erinevad kasutusalad samad sõnad. Lõpuks, peale selle, me ehitada midagi mis näeb tõesti keeruline, nimetatakse keele mudel, kuid tegelikult on kõige lihtsam Kolme sest need toimivad mida nimetatakse n-gramm mudelid. Ja sel juhul, ma näidata teile Kaheosalise n-grammine mudelis Bigrammi. Me kavatseme teha füüsilist idee et mõnikord, teatud sõnad tõenäolisem, et jälgida antud sõna kui teised. Kui ma ütlesin "ilmaennustust," järgmine sõna, mida tõenäoliselt "täna" või võiks olla "ilm prognoosida homme. " Aga see on ebatõenäoline, et olla edaspidi " ilmaennustust artišokk. " 

Mis keeles mudel teeb, on see lööb neid statistiliselt lugedes, alates väga suur corpus, kõik juhtudel milles üks sõna järgneb teisele. Nii et kui ma võtan suur corpus-- nagu iga Wall Street Journal mis on toodetud alates 1930 mis on üks standard corpuses-- ja ma vaatan läbi kõik et teksti ja loen up mitu korda pärast "prognoos" ma näen "täna" ja mitu korda ma näen "prognoos", millele järgneb "artišokk" esimene läheb olevat palju tõenäolisem. See saab ilmuda palju sagedamini. Ja nii see saab olema suurem tõenäosus sellega seotud. 

Kui ma tahan aru saada tõenäosus kogu lausung, siis ma lihtsalt lahku. Nii et tõenäosus kuulmine Lause "rott sõi juustu" on tõenäosus sõna "the" algab lausega, ja siis tõenäosus, et Sõna "rott" järgmiselt sõnaga «," ja tõenäosus, et Sõna "sõid" järgmiselt "rott" ning tõenäosus, et "juust" järgmiselt: "sõin." 

See kõlab nagu palju statistika, palju tõenäosust. Ja see on kõik, mis ta on. Aga hämmastav on see, kui sa seda teed Piisavalt suure valimi andmete see töötab. Ja see toimib tohutult hästi. Me kõik teame, et need tehnoloogiad. Enamik operatsioonisüsteeme tulla hääljuhtimisega sel hetkel. Me kasutame Siri ja Cortana ja Echo. Ja need asjad on aluseks Seda tüüpi kolmekihiline model-- foneetilise mudel allosas, et hääldus mudel keskel, ja keele mudeli peal neid. 

Nüüd peavad nad tegema natuke rohkem kui selleks, et vastata küsimustele. Aga aru, milline sa oled ütlus sõltub täpselt sellest. Võtame näiteks siin. Nii et mul on mu telefon istub siin all dokument kaamera. Ja me ei kavatse palub Siri mõned küsimused. Hästi? 

Nii saab ärgata minu telefoni siin. Siri, milline on ilm nagu New Haven täna? 

SIRI: Siin on ilm New Haven, Connecticut täna. 

BRIAN SCASSELLATI: OK. Nii esimese nägid, et Siri tunnustatud iga üksiku sõna ja seejärel toodetud vastust. Me räägime, kuidas seda vastust saab teoks natuke. Aga nüüd, et me teame et see on lihtsalt aluseks toor statistika ja selle mustrite tüüpi lähenemist, saame mängida mõned mängud Siri. 

Nii et ma ei proovi uuesti. Siri, milline on ilm jõehobu New Haven, täna? 

SIRI: OK. Siin on ilm New Haven, Connecticut täna. BRIAN SCASSELLATI: Siri ei daunted et sest see on leidnud pattern-- "Ilm", "täna", "New Haven." Just see reageeri et just Eliza. Hästi. Anname see üks ühtlasema rohkem naeruväärne näiteks. Siri, ilm artišokk vöölane jõehobu New Haven? 

SIRI: Las ma kontrollida seda. Siin on, mida ma leida internetist mida on artišokid armadillo jõehobu New Haven. 

BRIAN SCASSELLATI: OK. Nii et kui ma piisavalt kaugele eemal Selle mudeli Ma olen võimeline segadusse, kuna see ei vasta enam muster, mis see on. Ja see statistika mootor, mis ütleb, Milline on tõenäosus, et sul sõnad jõehobu ja artišokk kokku ja armadillo? See ju olla midagi uut. 

Nii et need tehnoloogiad, mida me kasutame iga päev. Kui me tahame, et võtta neid üks samm veelgi, kuigi kui me tegelikult soovite, et oleks võimalik rääkida, mida ta on see, et need süsteemid reageerivad, meil rääkida jällegi umbes põhjalikumaid rida küsimusi. Ja see on teema, side mida me nimetame küsimusele vastates. See tähendab, et me tahame, et oleks võimalik mina-- jah? Sihtrühm: [kuuldamatu]. BRIAN SCASSELLATI: Kas me saame arvesse varjatud Semantiline töötlemine? Nii et jah. On palju asju, mis on toimub pinna all on Siri ja mõned näited Ma lähen näitan sulle järgmine kus on üsna vähe nii struktuuri mida sa räägid, et on tähtis. Ja tegelikult, et on suur eelkäijana järgmisele slaidile minu jaoks. 

Nii samamoodi, et meie kõnetuvastuse ehitati üles mitmest kihist, kui me tahame mõista, mis see on, mis on tegelikult Nagu öeldud, me ei kavatse uuesti tugineda mitmekihilised analüüs teksti, mis on tunnustatud. Nii et kui Siri on tegelikult võimalik ütleme, otsida Ma leidsin neid sõnu. Mida ma nüüd nendega teha? Esimene komponent on sageli läbida ja proovida analüüsida struktuuri lause. Ja see, mida me oleme näinud algkool, sageli nagu omamoodi skeemide lauseid, me ei kavatse tunnistada, et teatud sõnad on teatud rollid. Need on nimisõnad. Need on asesõnad. Need on verbid. Ja me ei kavatse tunnustada et teatava grammatika sel juhul inglise keele grammatika, on kehtiv, kuidas ma saan neid kombineerida ja muid võimalusi, mis ei kehti. 

See tunnustus, et struktuuri, võib olla piisav, et aidata juhtida meid natukene. Aga see ei ole päris piisavalt meil oleks võimalik anda mingit tähendust, mida on öeldud siin. Selleks, et me peame lootma mingi summa semantiline töötlemiseks. See tähendab, et me ei kavatse on vaadata kell all, mida kõik need sõnad reaalselt nagu tähenduses. Ja lihtsaim viis seda teha, me läheme seostada iga sõna et me teame teatud funktsiooni, teatud transformatsioon, et see võimaldab juhtuda. 

Sel juhul me võiksime märgistada Sõna "John", kui on õige nimi, et ta tegeleb sellega identiteeti. Ja me võiksime märgistada "Mary", nagu samamoodi. Arvestades verbi nagu "armastab", et Eriliseks suhe et suudame esindada. Nüüd, see ei tähenda, et me mõistame mis on armastus vaid, et me mõistame see viis sümboolse süsteemi. See tähendab, et saame etikett seda ja manipuleerida seda. 

Iga sellist laadi lähenemisviiside igat tüüpi semantiline töötlemine Siin läheb vaja veidi natuke teadmisi ja palju tööd meie poolt. Oleme enam valdkonda kus lihtsalt statistika saab olema meie jaoks piisav. Nüüd, et minna sellest punktist on võimalik rääkida sees mis tegelikult toimub siin, olemisele võimalik manipuleerida käesoleva struktureerida ja mõista küsimus ja siis on võimalik minna ja otsida, mis nõuab rohkem keeruline kognitiivne mudel. 

Viis, kuidas need süsteemid on ehitatud on enamasti väga tööjõu intensiivne. Nad kujutavad inimestele kulutavad palju aja struktureerimise viise mis selliseid lauseid saab esitada mõned loogika. Läheb isegi veidi keerulisem, kuigi. 

Isegi kui me oleme käsitlenud semantika, siis me veel vaadata pragmaatika, mida on öeldud. See tähendab, et kuidas ma seotud sõnad et mul on midagi füüsiliselt välja seal maailmas või Vähemalt mõned infoallikas et ma saan manipuleerida? 

Mõnikord on need viia Imeline bitti ebaselgus. "Tulipunane star kolmap astronoom." OKEI. Nüüd lugesin, et kui naljakas tüüp pealkiri et me näeksime hilisõhtul TV sest me ei tõlgenda "star" on selle taevakeha tähenduses. Me teame, et see tähendab seda rohkem tavaline näitleja Suure hulga nähtavust. 

"Squad aitab koer hammustada ohver." Kas see, et meeskonda on tegelikult seal abistamine koer aastal ringi ja hammustab ohvrid? Või on see, et seal oli isik, kes oli hammustas koer, kes vajas abi? Just vaatlemisel süntaks ja semantika Lausete, me ei saa kindlaks teha, et. 

"Helikopter powered by inimese kärbsed." Kas on tegelikult tegelik vähe asju ringi lendamas, et On inimesi, kellel tiivad pingestamine helikopterite inimkonna hüvanguks? Või on üks mehaaniline seade et saab oma võimu inimene? 

Kui me vaatame küsimus vastates süsteemid, need on kihid, mis peame tegelema. Nüüd on parim ja kõige Sorteeri of levinud Nende süsteemide täna suudavad seda teha asju tasemel, mis on palju kaugemale meil oli 10 aastat tagasi. Siin on üks parimaid süsteeme see on seal täna. Ja see on süsteem IBM nimega Watson. See on meie sõbrad IBM. See on Katherine pangad, Jia Chen, ja Priscilla Moraes annab meile tutvustamise Watson Eile IBM Yorktown. [Video taasesitus] -Kuidas sul läheb? 

-Ma Olen hästi. Ma olen alati õnnelik, kui ma olen mõtlesin, eriti kui ma võib säilitada kaine nende server tuba. Kes on sinu lemmik näitleja? 

Mu lemmik näitleja Angelina Jolie kui Lara Croft in Tomb Raider, sest tema originaal kujul oli virtuaalse iseloomuga nagu mina. 

-Kuidas Watson aidata patsienti? 

-Kas Kava patsientidel juurdepääs Watson otse? Juurdepääs Watson nõuandev rakendused erinevad kasutamise puhul. Aga praegu, Watson vaid annavad võimalik diagnoosi ja ravi võimalusi meditsiinitöötaja. Vajaduse korral patsiendid võib anda teavet Watson, võibolla läbi Portaal web interface, tablett, või isegi mobiiltelefoni. Näiteks võib patsiendile paluti kirjeldada oma sümptomeid loomulikus keeles otse viiakse Watson lahusega, võimaldavad arstil keskenduda diagnoosi ja mitte andmete kogumise. 

Kes tappis Abraham Lincoln? 

Johannese Wilkes Booth. 

-Kui Mis aastal tegid Arizona Diamondbacks võita World Series? 

-2001. 

[Taasesituse lõpetamiseks] 

BRIAN SCASSELLATI: Nii selliseid süsteeme on toetuda ennekõike tunnistades kõnes; teiseks muundab selle mõtestatud sisemine esindatus; ja siis kolmas, on võimalik minna ja leida teabeallikaks, et võimaldab neil vastata sellele küsimusele. Selline keerukus eeldab sama tüüpi programmilise asju mis teil on teeme probleem komplekti. 

Suudame sõeluda HTTP päringute sama tüüpi madala mustriga sobitamise et Eliza teha. Suudame teisendada need sisemine esindatus, ja siis kasuta neid päringuid mõned välise andmebaasi, kasutades võimaluse SQL. Kõik süsteemid, mis ehitatakse täna teha seda tüüpi looduslikku keeles suhtlemine ehitatakse üles need samad põhimõtted. 

Nüüd, isegi süsteemi nagu Watson ei ole piisavalt keeruline suutma vastata suvalise küsimusi igal teemal. Ja tegelikult, nad peavad olema struktureerida antud valdkonnas. Nii võid minna online ja saate teada versioone Watson, kes tegutsevad hästi jooksul meditsiinilise informaatika. Või seal ühe online et just tegeleb sellega, kuidas teha head soovitused Mis õlut läheb, millega toit. Ja nendes valdkondades, see saab vastata küsimustele, leida teavet, mida ta vajab. 

Aga sa ei saa segada ja sobitada neid. Süsteem, mis on välja õpetatud andmebaasiga toidu ja õlle ei tööta hästi, kui sa äkki pane see koos meditsiinilise informaatika andmebaasis. Nii et isegi meie parimaid süsteeme täna toetuda tase töötlemine kus me oleme küljest kodeerimine ja hoone infrastruktuuri, et teha seda süsteemi käivitada. 

Nüüd, viimase teemat ma tahan et oleks võimalik saada täna on umbes mitteverbaalne suhtlemine. Suur mass teabe me üksteisega suhelda ei tulnud umbes läbi üksikute sõnade, et me kohaldamisel. See on pistmist asjad lähedust, pilku, oma hääletooni, Sinu algustähega. Ja et kommunikatsioon on ka midagi, mida paljud erinevad liidesed hoolivad väga palju. See ei ole see, mida Siri hoolib. Ma ei küsi Siri midagi ühel häälel või erinevas hääletooniga, ja Siri läheb mulle sama vastus. Aga see pole see, mida me ehitada palju muid liideseid. 

Ma tahan teile tutvustada nüüd ühele robotid. See oli ehitatud minu kauaaegne sõber ja kolleeg Cynthia Breazeal ja tema firma Jibo. Ja see robot-- me läheme veel paar vabatahtlikel tulla suhelda seda. Nii võib mul kaks inimest valmis mängida robot minu jaoks? Miks sa ei tule üles, ja miks sa ei tule välja. Kui soovite minuga siin, palun. 

Ja kui mul oleks teile tule õige siia. Tänu. Tere. 

ALFREDO: Meeldiv kohtuda. Alfredo. 

BRIAN SCASSELLATI: Alfredo. 

Raaheli Rachel. BRIAN SCASSELLATI: Rachel. Nice to meet you nii. Alfredo, ma lähen on lähete esimest. Tulge siia üles. Ma lähen sisse sina-- kui ma saan seda välja ilma koputab microphone-- to väike robot nimega Jibo. OKEI? 

Nüüd, Jibo eesmärk on olla interaktiivne. Ja kuigi see võib anda teile kõne, palju suhtlemist robot on mitteverbaalne. Alfredo, ma lähen palun öelda midagi ilusat ja tasuta robot, palun. ALFREDO: Ma arvan, et sa vaatad armas. 

[Whirring SOUND] BRIAN SCASSELLATI: OK. Tema vastus on ei verbaalne. Ja veel see andis sulle nii selge kinnitus et ta oli kuulnud, mida sa ütlesid ja ka kuidagi mõistnud. OKEI? Astuge tagasi siin üks teine. Aitäh. 

Rachel, kui soovite. Nüüd ma annan Sulle palju raskem töö. Kui soovite seista siin, varundada natuke nii saame teid kaamera ja otsida sel viisil. Ma küsin midagi öelda tegelikult tähendab ja vastik robot. 

Raaheli Mis sa lihtsalt tundus tegema, oli täiesti absurdne. 

[Sumin] 

See oli isegi rohkem absurd. Mis toimub sinuga? Ah, ei tunne end halvasti. Ma annan sulle kallistada. BRIAN SCASSELLATI: Okei. Aitäh, Rachel. Alfredo, Rachel tänu poisid väga. 

[APPLAUSE] 

Nii selline koostoime on in paljuski mõned samad reeglid ja mõned samad struktuuri, mida me oleks võinud keelelise suhtluse. See on nii kommunikatiivne ja täidab olulist eesmärki. Ja et interaktsiooni Paljuski on mõeldud olla märkimisväärne mõju inimene suheldes või kuulates robot. 

Nüüd ma olen õnn on Jibo täna. Sam Spauldingi on siin aidata meid koos robot. Ja ma küsin Sam anda meil üks kena demo Jibo tantsimine et saame vaadata lõpul siin. Nii et laske käia, Jibo. 

SAM: OK, Jibo. Näita meile oma tantsu samme. 

[Muusika mängib] BRIAN SCASSELLATI: Olgu, kõik. Tänu meie sõprade Jibo. 

[APPLAUSE] 

Ja tänu meie sõprade IBM aidates täna. Suhtlemine on midagi et sa lähed näha tulemas rohkem kui me ehitame keerulisem liidesed. Järgmisel nädalal saadame räägi kuidas liides arvuti vastased mängud. Aga kui teil on küsimusi selle, Ma tulen umbes kell tööaega täna. Ma olen õnnelik, et teile rääkida AI teemasid või sattuda üksikasjalikumalt. Head nädalavahetust. 

[APPLAUSE] [Muusika mängib]