1
00:00:00,000 --> 00:00:02,928
>> [Música tocando]

2
00:00:02,928 --> 00:00:11,230

3
00:00:11,230 --> 00:00:12,790
>> DAVID Malan: Este é CS50.

4
00:00:12,790 --> 00:00:14,072
Este é o fin de semana 10.

5
00:00:14,072 --> 00:00:16,030
E o neno, que temos un
clase boa para ti hoxe.

6
00:00:16,030 --> 00:00:20,040
Estamos tan animado para invitar dous
nosos amigos de Yale ata nós hoxe

7
00:00:20,040 --> 00:00:23,920
e mirar a intersección de
intelixencia artificial, robótica,

8
00:00:23,920 --> 00:00:25,710
procesamento de linguaxe natural, e moito máis.

9
00:00:25,710 --> 00:00:27,090
>> E, de feito, sobre o
últimas semanas temos

10
00:00:27,090 --> 00:00:29,714
seguramente pasou moito tempo,
especialmente nas Serie de exercicios anteriores,

11
00:00:29,714 --> 00:00:31,560
centrados en fermosos detalles de baixo nivel.

12
00:00:31,560 --> 00:00:34,520
E é moi fácil perder de vista
do bosque para as árbores

13
00:00:34,520 --> 00:00:38,170
e quedan colgadas sobre loops e condicións
e punteiros, con certeza, e así por diante.

14
00:00:38,170 --> 00:00:41,770
Pero a realidade é que vostedes teñen agora a
ingredientes cos que realmente pode

15
00:00:41,770 --> 00:00:45,300
resolver algúns problemas interesantes, entre
eles os que os nosos amigos na Yale

16
00:00:45,300 --> 00:00:48,790
traballar só tímido de Cambridge.

17
00:00:48,790 --> 00:00:52,410
>> Así, permitan-me primeiro en introducir a nosa cabeza
asistente de ensino de Yale, Andy.

18
00:00:52,410 --> 00:00:55,182
>> [Aplausos]

19
00:00:55,182 --> 00:00:57,030

20
00:00:57,030 --> 00:01:00,710
>> Andy: Primeiro de todo, só agradecer
por permitir que unha parella Yalies

21
00:01:00,710 --> 00:01:02,700
a estalar en baixo para Cambridge hoxe.

22
00:01:02,700 --> 00:01:05,299
Nós realmente aprecio iso.

23
00:01:05,299 --> 00:01:07,090
En segundo lugar, para os nosos amigos
volta casa-- Jason,

24
00:01:07,090 --> 00:01:09,670
Grazas por estar e executar charla.

25
00:01:09,670 --> 00:01:12,970
Esperanza é todo de bo en New Haven.

26
00:01:12,970 --> 00:01:15,720
>> Entón si, eu estou super animado
introducir SCAZ hoxe.

27
00:01:15,720 --> 00:01:17,020
SCAZ corre o laboratorio de robótica.

28
00:01:17,020 --> 00:01:19,690
El é un profesor de, como, cinco
diferentes departamentos en Yale.

29
00:01:19,690 --> 00:01:23,159
No seu laboratorio, el ten moitos, moitos
robots que gusta de xogar con.

30
00:01:23,159 --> 00:01:24,950
Ten, como, a
máis legal traballo do mundo.

31
00:01:24,950 --> 00:01:27,116
E comeza a tipo de confusión
en torno a todo o día que

32
00:01:27,116 --> 00:01:29,090
longo e facer un traballo, tamén.

33
00:01:29,090 --> 00:01:33,070
>> E así nós, de feito trouxo unha
de-los para abaixo coa xente hoxe.

34
00:01:33,070 --> 00:01:36,900
Así, sen máis delongas, é SCAZ
indo a ir adiante e introducirse nos

35
00:01:36,900 --> 00:01:38,660
ao seu amigo robot.

36
00:01:38,660 --> 00:01:41,546
>> [Aplausos]

37
00:01:41,546 --> 00:01:42,935

38
00:01:42,935 --> 00:01:44,310
BRIAN Scassellati: Grazas, David.

39
00:01:44,310 --> 00:01:45,380
Grazas, Andy.

40
00:01:45,380 --> 00:01:50,050
É tan marabilloso estar
aquí con todo o mundo hoxe.

41
00:01:50,050 --> 00:01:56,490
Quero primeiro ser moi claro que
o equipo CS50 aquí en Cambridge

42
00:01:56,490 --> 00:01:59,190
foi incrible hospitalario para nós.

43
00:01:59,190 --> 00:02:02,130
Somos tan gratos por todo
fixeron para apoiar.

44
00:02:02,130 --> 00:02:05,690
E así nós queremos ser capaz
para corresponder a favor.

45
00:02:05,690 --> 00:02:09,370
>> Entón, hoxe, comezan a anunciar
que nós imos ter un novo,

46
00:02:09,370 --> 00:02:15,240
one-of-a-Kind evento CS50
pasando en New Haven a próxima semana.

47
00:02:15,240 --> 00:02:18,040
E esa é a Research Expo CS50.

48
00:02:18,040 --> 00:02:21,300
Entón, nós estamos indo a ser invitado
everyone-- CS50 alumnos,

49
00:02:21,300 --> 00:02:26,510
funcionarios de ambos Harvard e Yale-- para
baixar e visitar-nos o venres.

50
00:02:26,510 --> 00:02:30,400
Nós imos ter unha gran variedade de máis de
30 persoas diferentes que presentan

51
00:02:30,400 --> 00:02:34,830
e upperclassmen exhibiting-- mostrando
fóra algúns dos seus produtos de investigación.

52
00:02:34,830 --> 00:02:38,480
Nós imos ter algunhas startups, mesmo, á procura
para un pouco de novos talentos tecnoloxía,

53
00:02:38,480 --> 00:02:40,460
startups de ambos Harvard e Yale.

54
00:02:40,460 --> 00:02:44,550
E nós imos ter algúns grupos de estudantes
buscando algunha nova asociación.

55
00:02:44,550 --> 00:02:46,357
>> Vai ser un momento moi emocionante.

56
00:02:46,357 --> 00:02:49,190
Esperemos que aqueles de vostedes que son
descendendo para o xogo Harvard-Yale

57
00:02:49,190 --> 00:02:51,360
será capaz de parar
por un pouco máis cedo,

58
00:02:51,360 --> 00:02:54,060
mentres que no centro de campus,
Sterling Memorial Library.

59
00:02:54,060 --> 00:02:58,040
Nós imos ter un conxunto de
exposicións que van desde autónoma

60
00:02:58,040 --> 00:03:04,460
veleiros para formas de utilización de software
para preservar manuscritos medievais.

61
00:03:04,460 --> 00:03:07,860
>> Nós imos ter de anuncios
networking hoc e persoas

62
00:03:07,860 --> 00:03:11,230
ensino de codificación de software en Cape Town.

63
00:03:11,230 --> 00:03:13,730
Teremos ordenador
manifestacións musicais.

64
00:03:13,730 --> 00:03:16,020
E nós imos, naturalmente, máis robots.

65
00:03:16,020 --> 00:03:18,900
Entón, esperamos que vai
unirse a nós para este evento.

66
00:03:18,900 --> 00:03:21,350
Debe ser unha morea de
divertimento, un pouco de comida,

67
00:03:21,350 --> 00:03:24,430
e unha morea de interesante
cousas para falar.

68
00:03:24,430 --> 00:03:28,230
>> Entón, hoxe, imos falar
preto de procesamento de linguaxe natural.

69
00:03:28,230 --> 00:03:32,560
E esta é a tentativa para nós
para construír unha nova forma de interactuar

70
00:03:32,560 --> 00:03:35,150
cos nosos dispositivos, xa
para as últimas semanas,

71
00:03:35,150 --> 00:03:40,800
foi focado en como é que
pode escribir código, escribir software

72
00:03:40,800 --> 00:03:47,110
que é unha forma de ser capaz de dicir a un
máquina, iso é o que quero que faga.

73
00:03:47,110 --> 00:03:50,210
>> Pero non debemos ter
esperar que todo

74
00:03:50,210 --> 00:03:53,760
que está aí fóra que se usa
por todos no mundo

75
00:03:53,760 --> 00:03:57,480
será proficiente
neste tipo de instrución.

76
00:03:57,480 --> 00:04:02,540
Así, podemos distinguir entre o ordenador
linguaxes e languages-- naturais

77
00:04:02,540 --> 00:04:06,720
é dicir, cousas que os seres humanos usan
para comunicarse con outros seres humanos.

78
00:04:06,720 --> 00:04:12,270
E nós tratamos construír interfaces que usan
estes mecanismos naturais de comunicación.

79
00:04:12,270 --> 00:04:16,029
>> Agora, como calquera outro tema
que comezan con en CS50,

80
00:04:16,029 --> 00:04:19,589
imos comezar co máis sinxelo
bit de procesamento de linguaxe natural

81
00:04:19,589 --> 00:04:21,269
que podemos imaxinar.

82
00:04:21,269 --> 00:04:24,940
Nós imos comezar coa
parte histórica da linguaxe natural.

83
00:04:24,940 --> 00:04:28,740
E entón nós imos construír ata
sistemas máis e máis recentes

84
00:04:28,740 --> 00:04:31,450
e ten algunhas demos de diversión ao longo do camiño.

85
00:04:31,450 --> 00:04:35,900
>> Entón, imos comezar co que foi
probablemente a primeira linguaxe natural

86
00:04:35,900 --> 00:04:38,210
sistema de procesamento.

87
00:04:38,210 --> 00:04:45,080
Este foi un sistema de software escrito en
1966 por José Weizenbaum chamado ELIZA.

88
00:04:45,080 --> 00:04:49,640
E Eliza foi deseñado para
replicar o tipo de interacción

89
00:04:49,640 --> 00:04:53,850
tería cun
Psicoterapeuta Rogerian.

90
00:04:53,850 --> 00:04:57,210
Agora, os Rogerians, tiñan
unha idea que a psicoterapia

91
00:04:57,210 --> 00:05:02,800
implicados seren capaces de reflectir de volta
a un paciente e falar con eles,

92
00:05:02,800 --> 00:05:08,100
basicamente, de só dándolles un
pouquiño do terapeuta.

93
00:05:08,100 --> 00:05:09,920
Isto é, todo
que o terapeuta dixo

94
00:05:09,920 --> 00:05:16,500
era quere que sexa só un reflexo da
o que o paciente estaba dicindo a eles.

95
00:05:16,500 --> 00:05:18,990
>> Entón, imos tratar e demostrar iso.

96
00:05:18,990 --> 00:05:22,820
Será que temos un voluntario que sería
dispostos a compartir o seu máis profundo,

97
00:05:22,820 --> 00:05:26,650
máis escuros, e / ou segredos teitos con ELIZA?

98
00:05:26,650 --> 00:05:29,680
Claro, por que non vén enriba.

99
00:05:29,680 --> 00:05:30,847
Fantástico.

100
00:05:30,847 --> 00:05:31,430
E o seu nome?

101
00:05:31,430 --> 00:05:32,000
>> MILES: Miles.

102
00:05:32,000 --> 00:05:33,041
>> BRIAN Scassellati: Miles.

103
00:05:33,041 --> 00:05:34,270
Pracer en coñece-lo, Miles.

104
00:05:34,270 --> 00:05:36,270
Se soster iso.

105
00:05:36,270 --> 00:05:40,840
E nós estamos indo a
usar unha versión de ELIZA

106
00:05:40,840 --> 00:05:44,640
que temos replicada
dentro do IDE CS50.

107
00:05:44,640 --> 00:05:47,140
E nós imos ollar para a fonte
código para iso en pouco tempo.

108
00:05:47,140 --> 00:05:49,910
Pero, por agora, somos só
indo invocala lo escribindo eliza.

109
00:05:49,910 --> 00:05:55,480
>> ELIZA e vai darlle as respostas
que van estar en todas as capitais.

110
00:05:55,480 --> 00:05:57,950
E lle vai facer algunhas preguntas.

111
00:05:57,950 --> 00:06:02,130
E nós imos responder e escriba
en respostas a ELIZA.

112
00:06:02,130 --> 00:06:04,310
Entón ELIZA dixo: "Ola, eu son ELIZA.

113
00:06:04,310 --> 00:06:05,462
Cal é o seu problema? "

114
00:06:05,462 --> 00:06:08,092
O que desexa
ELIZA dicir hoxe?

115
00:06:08,092 --> 00:06:10,750
>> MILES: Só podo durmir
se eu teño pantufas de coelliño diante.

116
00:06:10,750 --> 00:06:12,440
>> BRIAN Scassellati: Todo ben.

117
00:06:12,440 --> 00:06:13,360
Todo ben.

118
00:06:13,360 --> 00:06:15,300
>> [Risas]

119
00:06:15,300 --> 00:06:22,410
>> "Só podo durmir
con pantufas de coelliño sobre ".

120
00:06:22,410 --> 00:06:29,000
ELIZA e di: "Diga, vostede
ten problemas psicolóxicos?

121
00:06:29,000 --> 00:06:30,450
Quizais este sexa un bo indicador. "

122
00:06:30,450 --> 00:06:30,780
>> Aceptar.

123
00:06:30,780 --> 00:06:32,245
Entón, o que quere responder?

124
00:06:32,245 --> 00:06:36,110

125
00:06:36,110 --> 00:06:36,970
>> MILES: Si.

126
00:06:36,970 --> 00:06:38,660
>> BRIAN Scassellati: Si.

127
00:06:38,660 --> 00:06:39,570
Home de moitas palabras.

128
00:06:39,570 --> 00:06:41,870
Me gusta diso.

129
00:06:41,870 --> 00:06:50,200
Eliza di: "Vostede parece bastante positiva."

130
00:06:50,200 --> 00:06:53,200
>> MILES: Non, eu son, de feito, un electrón.

131
00:06:53,200 --> 00:06:55,150
>> BRIAN Scassellati: "No

132
00:06:55,150 --> 00:07:02,240
En realidade, eu son un electrón. "
"Vostede veu para me

133
00:07:02,240 --> 00:07:06,954
porque é un electrón? "

134
00:07:06,954 --> 00:07:08,870
Agora podemos ver algúns dos
o coisas- vou

135
00:07:08,870 --> 00:07:10,200
para facer unha pausa por só un segundo, Miles.

136
00:07:10,200 --> 00:07:11,010
Non ir a calquera lugar.

137
00:07:11,010 --> 00:07:12,650
Non terminais contigo aínda.

138
00:07:12,650 --> 00:07:16,490
ELIZA é, nalgúns aspectos,
responder a certas cousas

139
00:07:16,490 --> 00:07:21,140
que está dicindo, pero sen
calquera entendemento real.

140
00:07:21,140 --> 00:07:26,090
E tamén está repetindo ao algúns
das partes da súa sentenza.

141
00:07:26,090 --> 00:07:27,310
>> Por iso, dixo, "No

142
00:07:27,310 --> 00:07:29,090
En realidade, eu son un electrón. "

143
00:07:29,090 --> 00:07:34,190
Eliza respondeu de volta, "Vostede veu
para min, porque é un electrón? "

144
00:07:34,190 --> 00:07:34,690
Todo ben.

145
00:07:34,690 --> 00:07:36,050
Imos dar unha resposta aquí.

146
00:07:36,050 --> 00:07:37,140
Dele unha boa, Miles.

147
00:07:37,140 --> 00:07:37,806
>> MILES: Good one?

148
00:07:37,806 --> 00:07:48,400

149
00:07:48,400 --> 00:07:49,570
>> Si, por favor me axude.

150
00:07:49,570 --> 00:07:50,570
BRIAN Scassellati: "Si.

151
00:07:50,570 --> 00:07:58,010
Por favor, me axude. "" Está seguro? "

152
00:07:58,010 --> 00:07:58,510
MILES: Non.

153
00:07:58,510 --> 00:08:00,860
BRIAN Scassellati: Non.

154
00:08:00,860 --> 00:08:03,562
"O que isto suxire a vostede?"

155
00:08:03,562 --> 00:08:06,760
>> MILES: Non podo ser un electrón.

156
00:08:06,760 --> 00:08:11,170
>> BRIAN Scassellati: "Eu
pode non ser un electrón. "

157
00:08:11,170 --> 00:08:13,790
"Está dicindo que non só a ser negativo?"

158
00:08:13,790 --> 00:08:14,390
>> Todo ben.

159
00:08:14,390 --> 00:08:16,030
Entón, Miles, moitas grazas.

160
00:08:16,030 --> 00:08:16,860
>> MILES: Grazas.

161
00:08:16,860 --> 00:08:18,360
>> BRIAN Scassellati: Moitas grazas.

162
00:08:18,360 --> 00:08:20,230
[Aplausos]

163
00:08:20,230 --> 00:08:21,230

164
00:08:21,230 --> 00:08:26,700
>> Polo tanto, este programa ELIZA, de moitos xeitos,
responde só ás pezas

165
00:08:26,700 --> 00:08:32,730
que estamos ofrecendo, sen profundidade
comprensión do que está a suceder aquí.

166
00:08:32,730 --> 00:08:36,640
Este é un tipo de sistema
chamado de correspondencia de patróns, onde

167
00:08:36,640 --> 00:08:40,490
estamos á procura de certa
anacos de texto que estamos a continuación,

168
00:08:40,490 --> 00:08:44,860
vai levar para fóra do que
foi proporcionada como entrada,

169
00:08:44,860 --> 00:08:52,580
convertelo lo, potencialmente, dalgunha forma,
e despois devolve-lo para o usuario.

170
00:08:52,580 --> 00:08:55,150
>> Algún de vós pensa
ELIZA que é realmente

171
00:08:55,150 --> 00:08:58,230
realizando psicanálise válido aquí?

172
00:08:58,230 --> 00:08:59,250
Unha persoa, quizais.

173
00:08:59,250 --> 00:09:00,166
>> Audiencia: [inaudível].

174
00:09:00,166 --> 00:09:03,315

175
00:09:03,315 --> 00:09:05,440
BRIAN Scassellati: E como
iso fai vostede se sentir?

176
00:09:05,440 --> 00:09:06,530
Si, de feito, fai.

177
00:09:06,530 --> 00:09:10,890
E veremos, en realidade, a
código fonte para el en só un momento.

178
00:09:10,890 --> 00:09:13,580
E así vai ser
capaz de facer exactamente isto.

179
00:09:13,580 --> 00:09:17,420
>> Agora, Eliza é unha forma daquilo
que chamariamos hoxe dun bot de chat.

180
00:09:17,420 --> 00:09:19,950
El só vai a través do
texto que está dando,

181
00:09:19,950 --> 00:09:24,030
ofrece a cantidade mínima
de comprensión ou de transformación,

182
00:09:24,030 --> 00:09:26,790
e, a continuación, papagaios-lo de volta para ti.

183
00:09:26,790 --> 00:09:31,830
Entón, imos dar un ollo,
conceptualmente, e falar do que

184
00:09:31,830 --> 00:09:34,690
é que ELIZA está realmente facendo.

185
00:09:34,690 --> 00:09:42,000
>> ELIZA está tomando un let sentence--
dicir: "Eu quero impresionar o meu xefe."

186
00:09:42,000 --> 00:09:45,130
E ELIZA está mirando
a través de que a sentenza

187
00:09:45,130 --> 00:09:48,730
e intentando atopar e
coincidir con certos estándares.

188
00:09:48,730 --> 00:09:52,850
Así, por exemplo, un dos patróns
ELIZA que está a buscar son as palabras

189
00:09:52,850 --> 00:09:55,110
"Eu quero."

190
00:09:55,110 --> 00:09:59,330
E en calquera momento se ve algo
que ten "quero" nel,

191
00:09:59,330 --> 00:10:01,770
formula unha resposta.

192
00:10:01,770 --> 00:10:05,040
E esa resposta é unha cadea fixa.

193
00:10:05,040 --> 00:10:07,915
Neste caso, é "por que quere?"

194
00:10:07,915 --> 00:10:11,330
E eu coloque unha pequena estrela na
o final, porque iso é só

195
00:10:11,330 --> 00:10:13,310
o inicio da nosa resposta.

196
00:10:13,310 --> 00:10:16,310
E o asterisco indica que
imos levar o resto

197
00:10:16,310 --> 00:10:19,850
de utterance-- do usuario
"para impresionar o meu patrón" -

198
00:10:19,850 --> 00:10:24,500
e nós estamos indo a engadir que
ao final desa secuencia.

199
00:10:24,500 --> 00:10:28,990
>> Entón, agora, en vez de dicir, "por
quere impresionar o meu xefe ",

200
00:10:28,990 --> 00:10:31,800
hai un pouco de adicional
procesamento que nós imos facer.

201
00:10:31,800 --> 00:10:34,440
É dicir, nós imos ter que
converter algúns dos pronomes

202
00:10:34,440 --> 00:10:38,670
aquí dende "meu xefe" para "o seu xefe."

203
00:10:38,670 --> 00:10:41,300
E pode haber algúns outros
cambios que necesitamos facer.

204
00:10:41,300 --> 00:10:44,990
Entón, en vez de só furando-
directamente ao final, o que imos facer

205
00:10:44,990 --> 00:10:49,160
é que imos levar o resto do
utterance-- do usuario en branco aqui--

206
00:10:49,160 --> 00:10:54,090
e nós imos levalo dunha peza de
un tempo e converter cada secuencia

207
00:10:54,090 --> 00:10:58,180
forma, cada palabra, na sentenza.

208
00:10:58,180 --> 00:10:59,580
>> Entón, imos tomar a palabra "para".

209
00:10:59,580 --> 00:11:01,650
Non hai ningunha conversión
que temos que facer.

210
00:11:01,650 --> 00:11:02,340
"Impress".

211
00:11:02,340 --> 00:11:04,140
Non hai ningunha conversión
o que necesitamos facer alí.

212
00:11:04,140 --> 00:11:06,670
"O meu" ha converter a "o seu".

213
00:11:06,670 --> 00:11:10,070
E "xefe" imos deixar como "xefe".

214
00:11:10,070 --> 00:11:12,740
E, a continuación, finalmente, nada
que remata cun período,

215
00:11:12,740 --> 00:11:16,640
imos convertelo en unha pregunta.

216
00:11:16,640 --> 00:11:22,600
>> Este patrón de correspondencia moi sinxelo
é realmente moi exitoso.

217
00:11:22,600 --> 00:11:27,260
E cando este se introduciu
en 1966-- Joseph Weizenbaum

218
00:11:27,260 --> 00:11:28,986
programado isto nun ordenador.

219
00:11:28,986 --> 00:11:31,110
Agora, os ordenadores naquela época
non eran modelos de escritorio.

220
00:11:31,110 --> 00:11:33,950
Estaban de recursos compartidos.

221
00:11:33,950 --> 00:11:39,090
E os seus alumnos sería
ir e falar con ELIZA.

222
00:11:39,090 --> 00:11:41,570
Finalmente, tivo que
restrinxir o acceso a el

223
00:11:41,570 --> 00:11:43,890
porque os seus alumnos non eran
recibindo todo o traballo feito.

224
00:11:43,890 --> 00:11:46,190
Estaban só a falar con ELIZA.

225
00:11:46,190 --> 00:11:48,850
E, de feito, el tivo que
disparar a súa asistente, que

226
00:11:48,850 --> 00:11:55,840
gastou todo o seu tempo a falar con ELIZA
sobre os seus problemas profundos e preocupantes.

227
00:11:55,840 --> 00:12:00,350
>> Todos os que usaron estes sistemas
comezou a antropomorfizar a eles.

228
00:12:00,350 --> 00:12:04,490
Eles comezaron a pensar neles como
sendo animado e persoas reais.

229
00:12:04,490 --> 00:12:07,969
Eles comezaron a recoñecer algúns dos
as cousas que eles estaban dicindo

230
00:12:07,969 --> 00:12:09,010
estaban volvendo a eles.

231
00:12:09,010 --> 00:12:12,120
E eles foron descubrindo
cousas sobre si mesmos.

232
00:12:12,120 --> 00:12:17,290
E, de feito, mesmo os expertos,
mesmo os psicoterapeutas,

233
00:12:17,290 --> 00:12:22,930
comezou a preocuparse que, de feito,
quizais ELIZA sería substituír-los.

234
00:12:22,930 --> 00:12:25,640
E mesmo o ordenador
científicos preocupados que estabamos

235
00:12:25,640 --> 00:12:30,040
tan preto de resolver linguaxe natural.

236
00:12:30,040 --> 00:12:33,520
>> Agora, iso non foi en calquera lugar preto de verdade.

237
00:12:33,520 --> 00:12:37,280
Pero iso é como impresionante
estes sistemas poden parecer.

238
00:12:37,280 --> 00:12:40,080
Entón, imos comezar a ollar
por baixo e tentar

239
00:12:40,080 --> 00:12:46,190
para obter un pouco de unha pregunta
de onde este código realmente acontece.

240
00:12:46,190 --> 00:12:48,170
Entón, imos facer este código
dispoñible despois.

241
00:12:48,170 --> 00:12:50,880
E este é un moi
porta sinxela e directa

242
00:12:50,880 --> 00:12:53,240
da implantación orixinal ELIZA.

243
00:12:53,240 --> 00:12:56,350
>> Así, algúns destes estilística
cousas que podes ver aquí

244
00:12:56,350 --> 00:12:59,360
non son o que estilisticamente
queremos que faga

245
00:12:59,360 --> 00:13:01,480
ou o que estamos ensinando-lle para facer.

246
00:13:01,480 --> 00:13:04,770
Pero nós tratamos mantelos
o mesmo en moitos portos

247
00:13:04,770 --> 00:13:08,087
que este tivo de xeito que
ten o sabor do orixinal.

248
00:13:08,087 --> 00:13:09,920
Entón, nós estamos indo a incluír
unha morea de cousas,

249
00:13:09,920 --> 00:13:12,920
e entón nós imos ter un
conxunto de palabras clave, as cousas

250
00:13:12,920 --> 00:13:16,460
ELIZA que recoñecer
e contestar os directamente.

251
00:13:16,460 --> 00:13:20,780
Entón se ten palabras como
"pode ​​vostede" ou "eu non" ou "non"

252
00:13:20,780 --> 00:13:24,680
ou "si" ou "soño"
ou "Ola", entón ELIZA

253
00:13:24,680 --> 00:13:27,920
responderá selectivamente para aqueles.

254
00:13:27,920 --> 00:13:30,010
Tamén imos ter un
número de cousas

255
00:13:30,010 --> 00:13:34,940
que imos cambiar, como
converter "o meu" para "o seu".

256
00:13:34,940 --> 00:13:39,920
>> E entón nós imos ter un conxunto de respostas
que, para cada unha destas palabras clave,

257
00:13:39,920 --> 00:13:42,580
nós imos virar través
estas diferentes respostas.

258
00:13:42,580 --> 00:13:45,350
Entón, se eu dicir "si"
tres veces seguidas, I

259
00:13:45,350 --> 00:13:50,429
pode ter tres diferentes
respostas de ELIZA.

260
00:13:50,429 --> 00:13:52,345
Noso código, entón, é
de feito, moi sinxelo.

261
00:13:52,345 --> 00:13:59,490
Se eu rolar para abaixo despois de todos estes
respostas que temos programados en

262
00:13:59,490 --> 00:14:02,920
e nós chegar ata a páxina,
nós estamos indo a iniciar

263
00:14:02,920 --> 00:14:06,540
un par de variables distintas
e facer un pouco de almacenamento

264
00:14:06,540 --> 00:14:08,480
no inicio.

265
00:14:08,480 --> 00:14:11,760
Pero non hai absolutamente un conxunto
de código que podes entender.

266
00:14:11,760 --> 00:14:15,820
Un loop while grande que di que eu son
vai repetir iso máis e máis.

267
00:14:15,820 --> 00:14:20,420
Vou ler nunha liña, e eu vou
almacenar isto nunha secuencia de entrada.

268
00:14:20,420 --> 00:14:23,880
Vou comprobar e ver se é o
contrasinal especial "bye", que

269
00:14:23,880 --> 00:14:26,199
significa saír do programa.

270
00:14:26,199 --> 00:14:29,240
E entón eu vou comprobar e ver se
alguén está só repetindo-se

271
00:14:29,240 --> 00:14:29,800
máis e máis.

272
00:14:29,800 --> 00:14:31,174
E eu vou berrar con eles se fan.

273
00:14:31,174 --> 00:14:34,820
Eu vou dicir "non repetir-se."

274
00:14:34,820 --> 00:14:40,500
>> Mentres ningún deses ocorrer, imos
logo a pescudas a través de e loop través,

275
00:14:40,500 --> 00:14:45,330
en liñas 308 a 313
aquí, e comprobar e ver

276
00:14:45,330 --> 00:14:49,090
son os de calquera palabra clave
frases contidas na entrada

277
00:14:49,090 --> 00:14:50,620
que estaba acabado de dar?

278
00:14:50,620 --> 00:14:54,845
Se hai unha correspondencia para eles, así
entón, eu vou lembrar dese lugar.

279
00:14:54,845 --> 00:14:57,050
Vou lembrar desa palabra clave.

280
00:14:57,050 --> 00:14:58,620
E eu vou ser capaz de construír unha resposta.

281
00:14:58,620 --> 00:15:03,150
>> Se eu non atopar un, ben, entón,
o último na miña matriz contrasinal

282
00:15:03,150 --> 00:15:08,070
seredes miñas respostas estándar,
cando nada máis xogos.

283
00:15:08,070 --> 00:15:14,160
Eu vou facer preguntas como "Por que fixo
vir aquí? "ou" Como podo axudar? "

284
00:15:14,160 --> 00:15:19,710
que son só parcialmente axeitado
non importa o que a entrada é.

285
00:15:19,710 --> 00:15:22,580
>> Imos, entón, construír-se a resposta de ELIZA.

286
00:15:22,580 --> 00:15:26,040
Nós imos ser capaces de tomar
que a resposta de base,

287
00:15:26,040 --> 00:15:28,370
así como fixemos no que
exemplo "meu xefe".

288
00:15:28,370 --> 00:15:30,970

289
00:15:30,970 --> 00:15:33,990
Se iso é todo o que hai
é-- se é só un

290
00:15:33,990 --> 00:15:36,860
cadea que eu debería respond--
Só podo envialo de volta para fóra.

291
00:15:36,860 --> 00:15:40,610
Se ten un asterisco no
o fin de todo, entón eu vou

292
00:15:40,610 --> 00:15:45,710
procesar cada símbolo individual na
resto da resposta do usuario

293
00:15:45,710 --> 00:15:51,590
e engadir os que, cambiando a fóra
palabra por palabra como eu teño.

294
00:15:51,590 --> 00:15:56,100
>> Todo isto é absolutamente
algo que pode construír.

295
00:15:56,100 --> 00:15:59,230
E, de feito, as formas en que nós
ter argumentos de liña de comandos procesados,

296
00:15:59,230 --> 00:16:03,570
o xeito en que ten
procesadas a través de solicitudes HTTP

297
00:16:03,570 --> 00:16:05,510
siga os mesmos tipos de regras.

298
00:16:05,510 --> 00:16:08,220
Son a correspondencia de patrón.

299
00:16:08,220 --> 00:16:15,170
>> Así ELIZA tiña un concepto importante
impacto sobre a linguaxe natural

300
00:16:15,170 --> 00:16:21,620
porque fixo parecer como se fose un
meta moi atinxible, como dalgunha forma estariamos

301
00:16:21,620 --> 00:16:25,550
ser capaz de resolver este problema directamente.

302
00:16:25,550 --> 00:16:30,670
Agora, iso non quere dicir que fai ELIZA
todo o que quere facer.

303
00:16:30,670 --> 00:16:33,710
Certamente que non.

304
00:16:33,710 --> 00:16:35,660
Pero hai que ser capaces
para facer algo máis.

305
00:16:35,660 --> 00:16:38,280

306
00:16:38,280 --> 00:16:41,490
>> O noso primeiro paso para ir
ademais ELIZA vai

307
00:16:41,490 --> 00:16:44,840
para poder mirar
non o texto inserido

308
00:16:44,840 --> 00:16:53,750
no teclado, pero discurso, real
discurso gravado nun micrófono.

309
00:16:53,750 --> 00:16:56,880
Así, cando miramos para estes
pezas diferentes, somos

310
00:16:56,880 --> 00:17:00,304
vai ter que construír un conxunto de modelos.

311
00:17:00,304 --> 00:17:02,970
Nós imos ter que ser capaz
para ir do baixo nivel acústico

312
00:17:02,970 --> 00:17:07,180
lanzamento information--,
amplitude, frequency--

313
00:17:07,180 --> 00:17:09,530
e convertelo en
algunhas unidades que estamos

314
00:17:09,530 --> 00:17:14,619
capaz de manipular máis facilmente
e, finalmente, manipulalos los

315
00:17:14,619 --> 00:17:18,609
en palabras e frases.

316
00:17:18,609 --> 00:17:22,880
>> Así, a maioría de recoñecemento de voz
sistemas que están aí fóra hoxe

317
00:17:22,880 --> 00:17:26,069
siga unha estatística
modelo no que nós construímos

318
00:17:26,069 --> 00:17:35,090
tres representacións separadas de que
que o sinal de audio conten na realidade.

319
00:17:35,090 --> 00:17:38,640
Comezamos cun modelo de fonética
que fala sobre só a base

320
00:17:38,640 --> 00:17:41,250
Parece que estou producindo.

321
00:17:41,250 --> 00:17:46,900
Estou producindo algo que é
un B como no neno ou unha D como no can?

322
00:17:46,900 --> 00:17:53,220
Como podo recoñecer os dous diferentes
teléfonos como separada e distinta?

323
00:17:53,220 --> 00:17:56,600
>> Por riba diso, nós imos, entón, construír
unha pronuncia modelo palabra,

324
00:17:56,600 --> 00:18:01,350
algo que une
os teléfonos individuais

325
00:18:01,350 --> 00:18:04,724
e as combina nunha palabra.

326
00:18:04,724 --> 00:18:07,890
E despois diso, imos dar as palabras
e nós imos monte-las cunha linguaxe

327
00:18:07,890 --> 00:18:13,010
modelar nunha frase completa.

328
00:18:13,010 --> 00:18:17,230
>> Agora imos falar sobre cada
destes independentemente e por separado.

329
00:18:17,230 --> 00:18:21,580
Pero estes tres modelos son todos
só será estatísticas.

330
00:18:21,580 --> 00:18:23,502
E isto significa que cando nós
traballar con eles, imos

331
00:18:23,502 --> 00:18:25,376
ser capaz de traballar con
todas elas á vez.

332
00:18:25,376 --> 00:18:28,100

333
00:18:28,100 --> 00:18:28,600
Todo ben.

334
00:18:28,600 --> 00:18:30,890
Imos comezar co noso modelo de fonética.

335
00:18:30,890 --> 00:18:34,470
Así, modelos fonéticos dependen
unha técnica computacional

336
00:18:34,470 --> 00:18:37,320
chamados modelos ocultos de Markov.

337
00:18:37,320 --> 00:18:43,050
Estes son modelos gráficos en que
ter e recoñecer un estado do mundo

338
00:18:43,050 --> 00:18:46,500
como caracterizada
por un conxunto de características.

339
00:18:46,500 --> 00:18:51,960
E ese estado describe unha parte
dunha acción que estou implicado.

340
00:18:51,960 --> 00:19:00,190
>> Entón, se eu pensar en facer
o son de "ma" como nai,

341
00:19:00,190 --> 00:19:03,970
existen diferentes
compoñentes para que o son.

342
00:19:03,970 --> 00:19:07,230
Hai unha parte onde eu deseñar no aire.

343
00:19:07,230 --> 00:19:09,560
E entón eu engurrar os beizos.

344
00:19:09,560 --> 00:19:13,710
E eu rolo meus beizos un pouco para atrás
pouco para facer aquel son "ma".

345
00:19:13,710 --> 00:19:15,340
E despois hai unha liberación.

346
00:19:15,340 --> 00:19:17,020
Meus beizos se separan.

347
00:19:17,020 --> 00:19:19,030
O aire é expulsado.

348
00:19:19,030 --> 00:19:22,650
"Ma".

349
00:19:22,650 --> 00:19:29,250
>> Estas tres partes diferentes sería
representado por estados neste graph--

350
00:19:29,250 --> 00:19:33,420
o principio, o medio eo fin.

351
00:19:33,420 --> 00:19:38,060
E eu tería transicións que
me permitiu viaxar dun estado

352
00:19:38,060 --> 00:19:42,260
ao seguinte, cunha certa probabilidade.

353
00:19:42,260 --> 00:19:47,250
Así, por exemplo, que a M
son pode ter un moi,

354
00:19:47,250 --> 00:19:51,850
inxestión de moi curto no beginning--
"mm" - e, a continuación, unha máis longa,

355
00:19:51,850 --> 00:19:55,640
fase vibrante onde estou seguro a miña
beizos e case humming--

356
00:19:55,640 --> 00:20:05,090
"mmmm" - e despois dun curto
Plosive onde expulsar breath-- "ma".

357
00:20:05,090 --> 00:20:09,370
>> O modelo oculto de Markov é
deseñado para capturar o feito

358
00:20:09,370 --> 00:20:13,340
que a forma que eu fago
que o son de "ma" vai

359
00:20:13,340 --> 00:20:17,350
para ser lixeiramente diferente en
o calendario, é a frecuencia,

360
00:20:17,350 --> 00:20:21,030
e os seus recursos que
a forma que fai

361
00:20:21,030 --> 00:20:23,300
ou a forma que eu podería
facelo cando falo

362
00:20:23,300 --> 00:20:26,030
sobre os distintos usos da carta.

363
00:20:26,030 --> 00:20:33,240
"Nai" e "may I" vontade
soar un pouco diferente.

364
00:20:33,240 --> 00:20:36,800
>> Así, para recoñecer un
en particular son, fariamos

365
00:20:36,800 --> 00:20:42,020
construír modelos de Markov, estes Markov oculto
modelos, de cada teléfono posible que

366
00:20:42,020 --> 00:20:45,840
Pode querer recoñecer,
cada son é posible,

367
00:20:45,840 --> 00:20:49,750
e despois ollar para o
datos acústicos que teño

368
00:20:49,750 --> 00:20:54,430
e determinar estatisticamente
cal é o máis probable

369
00:20:54,430 --> 00:20:58,110
producir ese son.

370
00:20:58,110 --> 00:20:58,610
Aceptar.

371
00:20:58,610 --> 00:21:01,540

372
00:21:01,540 --> 00:21:06,750
Con ese modelo, a continuación,
comezar a construír enriba dela.

373
00:21:06,750 --> 00:21:09,330
Tomamos un modelo de pronuncia.

374
00:21:09,330 --> 00:21:11,790
Agora, ás veces pronuncia
modelos son simples e fáciles

375
00:21:11,790 --> 00:21:14,440
porque só hai unha
xeito de pronunciar algo.

376
00:21:14,440 --> 00:21:17,990
Outras veces, son un
pouco máis complicado.

377
00:21:17,990 --> 00:21:21,340
Aquí está unha guía de pronuncia
para esa cousa que é vermello

378
00:21:21,340 --> 00:21:25,210
unha froita que fai fóra de ketchup.

379
00:21:25,210 --> 00:21:27,360
A xente non creo que é unha froita.

380
00:21:27,360 --> 00:21:27,860
Non?

381
00:21:27,860 --> 00:21:30,880

382
00:21:30,880 --> 00:21:35,300
>> Agora, hai moitas maneiras diferentes
que as persoas van pronuncia esta palabra.

383
00:21:35,300 --> 00:21:37,780
Algúns dirán "toe-may-dedo do pé."

384
00:21:37,780 --> 00:21:40,880
Algúns dirán "toe-Mah-dedo do pé."

385
00:21:40,880 --> 00:21:44,800
E podemos capturar esa con
un destes modelos gráficos

386
00:21:44,800 --> 00:21:48,305
onde, de novo, nós representan transicións
como tendo unha certa probabilidade

387
00:21:48,305 --> 00:21:51,360
ea probabilidade asociada con eles.

388
00:21:51,360 --> 00:21:58,290
>> Polo tanto, neste caso, se eu fose para seguir
arriba ruta a través deste gráfico enteiro,

389
00:21:58,290 --> 00:22:03,330
Eu estaría empezando na carta
na extrema esquerda, a "ta" son.

390
00:22:03,330 --> 00:22:07,570
Quere ter a metade superior,
o "Oh," e, a continuación, un "ma"

391
00:22:07,570 --> 00:22:14,530
e, a continuación, un "a", e, a continuación, un
"ta", e un "oh". "Toe-may-dedo do pé."

392
00:22:14,530 --> 00:22:19,610
Se eu pegase o camiño a través do fondo
este, vou conseguir "ta-Mah-dedo do pé."

393
00:22:19,610 --> 00:22:26,810
E se eu fun para abaixo e, a continuación,
anterior, quere obter "ta-may-dedo do pé."

394
00:22:26,810 --> 00:22:29,950
>> Estes modelos capturar estes
diferenzas porque sempre

395
00:22:29,950 --> 00:22:32,410
que implantar un destes
sistemas de recoñecemento,

396
00:22:32,410 --> 00:22:35,340
vai ter que traballar con
lotes de diferentes tipos de persoas,

397
00:22:35,340 --> 00:22:39,295
lotes de diferentes acentos, e mesmo
diferentes usos das mesmas palabras.

398
00:22:39,295 --> 00:22:42,204

399
00:22:42,204 --> 00:22:44,120
Finalmente, encima diso,
imos construír algo

400
00:22:44,120 --> 00:22:48,780
que parece moi complicado,
chamado o modelo de linguaxe,

401
00:22:48,780 --> 00:22:52,950
pero, de feito, é o máis simple de
a tres porque estes operan

402
00:22:52,950 --> 00:22:56,041
sobre o que son chamados de modelos n-gram.

403
00:22:56,041 --> 00:23:02,270
E neste caso, eu estou mostrándolle
un modelo de n-gramo de dúas partes, unha bigram.

404
00:23:02,270 --> 00:23:08,910
Nós imos facer física idea
que, ás veces, certas palabras son

405
00:23:08,910 --> 00:23:14,680
máis propensos a seguir un
determinada palabra que outros.

406
00:23:14,680 --> 00:23:25,210
Se eu só dixo: "previsión do tempo",
a seguinte palabra podería probablemente ser "hoxe"

407
00:23:25,210 --> 00:23:31,510
ou podería ser "o tempo
Previsión do mañá. "

408
00:23:31,510 --> 00:23:38,870
Pero é pouco probable que sexa "o
previsión do tempo alcachofa. "

409
00:23:38,870 --> 00:23:42,980
>> O que un modelo de linguaxe fai é
que capta os estatisticamente

410
00:23:42,980 --> 00:23:47,450
por conta, dalgún moi grande
corpus, as instancias

411
00:23:47,450 --> 00:23:50,890
en que unha palabra segue a outra.

412
00:23:50,890 --> 00:23:54,300
Entón, se eu tomar unha gran corpus--
como cada Wall Street Journal

413
00:23:54,300 --> 00:24:00,750
que foi producido desde 1930,
que é un dos corpuses-- estándar

414
00:24:00,750 --> 00:24:03,910
e eu ollar a través de todos
este texto, e eu conto

415
00:24:03,910 --> 00:24:09,770
Se as veces despois
"previsión" vexo "hoxe"

416
00:24:09,770 --> 00:24:17,454
e cantas veces eu vexo
"previsión" seguido de "alcachofa",

417
00:24:17,454 --> 00:24:19,370
o primeiro vai
ser moito máis probable.

418
00:24:19,370 --> 00:24:21,540
Aparecerá
con máis frecuencia.

419
00:24:21,540 --> 00:24:24,610
E polo que vai ter unha maior
probabilidade asociada con el.

420
00:24:24,610 --> 00:24:27,340
>> Se eu queira descubrir a
probabilidade dun enunciado enteiro,

421
00:24:27,340 --> 00:24:29,940
entón, só rompe-lo.

422
00:24:29,940 --> 00:24:35,990
Así, a probabilidade de audición
a frase "o rato comeu queixo"

423
00:24:35,990 --> 00:24:39,110
é a probabilidade de que a palabra
"a" iniciar unha frase,

424
00:24:39,110 --> 00:24:42,540
e, a continuación, a probabilidade de que o
palabra "rato" segue a palabra "a",

425
00:24:42,540 --> 00:24:44,910
ea probabilidade de que o
palabra "comeu" segue "rato"

426
00:24:44,910 --> 00:24:51,120
ea probabilidade de que
"queixo" segue "comeu".

427
00:24:51,120 --> 00:24:55,160
>> Isto soa como unha morea de
estatísticas, unha morea de probabilidades.

428
00:24:55,160 --> 00:24:57,510
E iso é todo o que é.

429
00:24:57,510 --> 00:25:02,920
Pero o máis incrible é se fai iso
cunha mostra suficientemente grande de datos,

430
00:25:02,920 --> 00:25:03,670
funciona.

431
00:25:03,670 --> 00:25:05,250
E funciona tremendamente ben.

432
00:25:05,250 --> 00:25:07,810

433
00:25:07,810 --> 00:25:11,420
Todos sabemos que esas tecnoloxías.

434
00:25:11,420 --> 00:25:16,500
A maioría dos sistemas operativos veñen con
recoñecemento de voz neste momento.

435
00:25:16,500 --> 00:25:20,940
Usamos Siri e Cortana e Echo.

436
00:25:20,940 --> 00:25:25,070
E estas cousas están baseadas en
este tipo de tres capas model--

437
00:25:25,070 --> 00:25:30,620
un modelo fonética no fondo, unha
modelo de pronuncia no medio,

438
00:25:30,620 --> 00:25:33,690
e un modelo de linguaxe enriba deles.

439
00:25:33,690 --> 00:25:37,630
>> Agora, eles teñen que facer un pouco máis
que iso, a fin de responder a preguntas.

440
00:25:37,630 --> 00:25:43,000
Pero o recoñecemento do que é
proverbio depende exactamente sobre iso.

441
00:25:43,000 --> 00:25:45,700
Entón, imos dar un exemplo aquí.

442
00:25:45,700 --> 00:25:52,020
Entón, eu teño o meu teléfono que senta-se aquí
debaixo da cámara de documentos.

443
00:25:52,020 --> 00:25:56,110
E nós imos pide
Siri algunhas preguntas.

444
00:25:56,110 --> 00:25:57,150
Todo ben?

445
00:25:57,150 --> 00:25:59,940
>> Entón, imos espertar o teléfono aquí.

446
00:25:59,940 --> 00:26:02,710

447
00:26:02,710 --> 00:26:05,000
Siri, que é o tempo
como en New Haven hoxe?

448
00:26:05,000 --> 00:26:07,670

449
00:26:07,670 --> 00:26:10,780
>> Siri: Aquí está o tempo para
New Haven, Connecticut hoxe.

450
00:26:10,780 --> 00:26:11,890
>> BRIAN Scassellati: Aceptar.

451
00:26:11,890 --> 00:26:16,720
Entón, primeiro viu que Siri recoñecido
cada unha das palabras individuais

452
00:26:16,720 --> 00:26:19,050
e, a continuación, produciu unha resposta.

453
00:26:19,050 --> 00:26:22,277
Imos falar sobre como esa resposta
acontece un pouco.

454
00:26:22,277 --> 00:26:24,110
Pero agora que sabemos
que este é só baseado

455
00:26:24,110 --> 00:26:28,880
sobre as estatísticas crus e esta
Tipo de correspondencia estándar de visión,

456
00:26:28,880 --> 00:26:31,120
podemos xogar algúns xogos con Siri.

457
00:26:31,120 --> 00:26:34,560
>> Entón, podo tentar de novo.

458
00:26:34,560 --> 00:26:38,864
Siri, que é o tempo
hipopótamo New Haven, hoxe?

459
00:26:38,864 --> 00:26:39,810
>> Siri: Aceptar.

460
00:26:39,810 --> 00:26:44,245
Aquí está o tempo para New
Haven, Connecticut para hoxe.

461
00:26:44,245 --> 00:26:46,120
BRIAN Scassellati: Siri da
non intimide que

462
00:26:46,120 --> 00:26:50,980
porque se atopa o pattern--
"clima", "Hoxe", "New Haven."

463
00:26:50,980 --> 00:26:54,420
Isto é o que está a responder
para, así como ELIZA.

464
00:26:54,420 --> 00:26:54,920
Todo ben.

465
00:26:54,920 --> 00:26:59,390
Imos darlle un mesmo
exemplo máis ridículo.

466
00:26:59,390 --> 00:27:03,075
Siri, tempo de alcachofa
tatu hipopótamo New Haven?

467
00:27:03,075 --> 00:27:06,806

468
00:27:06,806 --> 00:27:08,400
>> Siri: Déixeme comprobar.

469
00:27:08,400 --> 00:27:11,280
Aquí está o que eu atope na web
para o que son alcachofas tatu

470
00:27:11,280 --> 00:27:13,780
hipopótamo New Haven.

471
00:27:13,780 --> 00:27:14,760
>> BRIAN Scassellati: Aceptar.

472
00:27:14,760 --> 00:27:20,400
Entón, se eu ir lonxe o suficiente
distancia dende este modelo,

473
00:27:20,400 --> 00:27:24,365
Eu son capaz de confundir-lo porque non
xa non coincide co patrón que ten.

474
00:27:24,365 --> 00:27:27,370

475
00:27:27,370 --> 00:27:29,390
E esa estatística
motor que está dicindo,

476
00:27:29,390 --> 00:27:32,850
cal é a probabilidade de que ten
o Hippopotamus das palabras e alcachofa

477
00:27:32,850 --> 00:27:34,440
xuntos, e tatu?

478
00:27:34,440 --> 00:27:36,050
Isto ten que ser algo novo.

479
00:27:36,050 --> 00:27:38,840

480
00:27:38,840 --> 00:27:40,610
>> Así, estas tecnoloxías que utilizamos todos os días.

481
00:27:40,610 --> 00:27:43,670

482
00:27:43,670 --> 00:27:47,800
Se queremos levalos un paso
Ademais, con todo, se realmente

483
00:27:47,800 --> 00:27:53,930
quero ser capaz de falar do que
é que estes sistemas están a responder a,

484
00:27:53,930 --> 00:28:00,630
temos que falar, de novo, sobre un
conxunto máis fundamental das preguntas.

485
00:28:00,630 --> 00:28:05,370
E iso é un tema en comunicación
que chamamos cuestión de atención.

486
00:28:05,370 --> 00:28:07,028
Isto é, queremos ser capaces a-- si?

487
00:28:07,028 --> 00:28:07,944
Audiencia: [inaudível].

488
00:28:07,944 --> 00:28:10,789

489
00:28:10,789 --> 00:28:13,330
BRIAN Scassellati: Obtemos
en procesamento de semántica latente?

490
00:28:13,330 --> 00:28:14,070
Entón, si.

491
00:28:14,070 --> 00:28:17,820
Hai unha morea de cousas que son
pasando por debaixo da superficie con Siri

492
00:28:17,820 --> 00:28:20,210
e nalgúns dos exemplos
Eu vou amosar para ti próximo

493
00:28:20,210 --> 00:28:22,610
onde hai un pouco
en termos de estrutura

494
00:28:22,610 --> 00:28:25,260
do que está dicindo que é importante.

495
00:28:25,260 --> 00:28:31,890
E, de feito, iso é un gran
precursor no seguinte foto para min.

496
00:28:31,890 --> 00:28:35,110
>> Así, do mesmo xeito que o noso
recoñecemento de voz foi construído

497
00:28:35,110 --> 00:28:39,620
de múltiples capas, se queremos
comprender o que é que, en realidade,

498
00:28:39,620 --> 00:28:44,620
Dito isto, imos de novo
depender dunha análise multi-capa

499
00:28:44,620 --> 00:28:47,020
do texto que está a ser recoñecido.

500
00:28:47,020 --> 00:28:52,560
Así, cando Siri é realmente capaz de
digamos, mira eu atope estas palabras.

501
00:28:52,560 --> 00:28:55,230
Agora o que fago con eles?

502
00:28:55,230 --> 00:28:59,110
O primeiro compoñente é a miúdo a
pasar e tentar analizar

503
00:28:59,110 --> 00:29:03,010
a estrutura da frase.

504
00:29:03,010 --> 00:29:05,410
E no que vimos
na escola, moitas veces,

505
00:29:05,410 --> 00:29:08,920
como unha especie de diagramación
frases, imos

506
00:29:08,920 --> 00:29:12,774
de recoñecer que certos
palabras teñen certos papeis.

507
00:29:12,774 --> 00:29:13,440
Estes son substantivos.

508
00:29:13,440 --> 00:29:14,231
Estes son pronomes.

509
00:29:14,231 --> 00:29:16,200
Estes son verbos.

510
00:29:16,200 --> 00:29:19,460
E nós estamos indo a recoñecer
que, para unha gramática particular,

511
00:29:19,460 --> 00:29:24,700
neste caso Inglés gramática, existen
formas válidas en que podo combina-los

512
00:29:24,700 --> 00:29:26,280
e outras formas que non son válidos.

513
00:29:26,280 --> 00:29:29,920

514
00:29:29,920 --> 00:29:33,870
>> Este recoñecemento, esa estrutura,
pode ser suficiente para axudar a guiar-nos

515
00:29:33,870 --> 00:29:36,720
un pouco.

516
00:29:36,720 --> 00:29:39,820
Pero non é o bastante
para que sexamos capaces de dar

517
00:29:39,820 --> 00:29:43,290
calquera significado para o que está a ser dito aquí.

518
00:29:43,290 --> 00:29:46,615
Para iso, imos ter que confiar en
unha certa cantidade de procesamento semántico.

519
00:29:46,615 --> 00:29:49,590

520
00:29:49,590 --> 00:29:55,080
É dicir, nós imos ter que mirar
en baixo o que cada unha destas palabras

521
00:29:55,080 --> 00:29:57,400
realmente leva como un significado.

522
00:29:57,400 --> 00:30:01,150
E da forma máis sinxela de facelo,
nós estamos indo a asociar con cada palabra

523
00:30:01,150 --> 00:30:06,930
que sabemos que unha determinada función,
unha certa transformación que

524
00:30:06,930 --> 00:30:09,300
permite que isto ocorre.

525
00:30:09,300 --> 00:30:14,470
>> Neste caso, poderiamos etiquetar o
palabra "John", como un nome propio,

526
00:30:14,470 --> 00:30:18,160
que trae consigo unha identidade.

527
00:30:18,160 --> 00:30:21,530
E poderiamos etiquetar
"Mary" como o mesmo camiño.

528
00:30:21,530 --> 00:30:27,900
Considerando un verbo como "ama", que
constitúe unha relación particular

529
00:30:27,900 --> 00:30:31,582
que somos capaces de representar.

530
00:30:31,582 --> 00:30:33,290
Agora, iso non significa que
que entendemos

531
00:30:33,290 --> 00:30:37,680
que é o amor, pero só que nós entendemos
Lo na forma dun sistema simbólico.

532
00:30:37,680 --> 00:30:40,480
É dicir, podemos etiquetar
lo e manipula-lo.

533
00:30:40,480 --> 00:30:44,230

534
00:30:44,230 --> 00:30:49,120
>> Con cada un destes tipos de enfoques,
calquera tipo de procesamento semántico

535
00:30:49,120 --> 00:30:57,060
aquí vai esixir un pouco
pouco de coñecemento e unha chea de traballo

536
00:30:57,060 --> 00:30:59,020
da nosa parte.

537
00:30:59,020 --> 00:31:03,590
Non estamos máis no reino
onde as estatísticas só simple

538
00:31:03,590 --> 00:31:07,320
será o suficiente para nós.

539
00:31:07,320 --> 00:31:11,330
Agora, a fin de ir
a partir deste punto para ser

540
00:31:11,330 --> 00:31:15,520
capaz de falar do interior
o que está realmente a suceder aquí,

541
00:31:15,520 --> 00:31:19,640
para poder manipular este
estruturar e comprender unha pregunta

542
00:31:19,640 --> 00:31:23,160
e, a continuación, ser capaz
para saír e buscar,

543
00:31:23,160 --> 00:31:27,290
que require un máis
modelo cognitivo complexo.

544
00:31:27,290 --> 00:31:34,880
>> A forma en que estes sistemas son construídos
é, na maior parte moito, moito traballo

545
00:31:34,880 --> 00:31:36,350
intensiva.

546
00:31:36,350 --> 00:31:39,490
Elas envolven seres humanos
gastar unha gran cantidade

547
00:31:39,490 --> 00:31:44,100
tempo de estruturar as formas de
que estes tipos de frases

548
00:31:44,100 --> 00:31:47,270
pode ser representada nalgúns lóxica.

549
00:31:47,270 --> 00:31:51,639

550
00:31:51,639 --> 00:31:53,430
El está aínda un pouco
máis complexo, con todo.

551
00:31:53,430 --> 00:31:56,400

552
00:31:56,400 --> 00:31:59,660
>> Mesmo xa que lidei
coa semántica, imos

553
00:31:59,660 --> 00:32:03,860
aínda ten que ollar para o
pragmática do que está a ser dito.

554
00:32:03,860 --> 00:32:08,620
É dicir, como fago para relacionar as palabras
que teño que algo fisicamente para fóra

555
00:32:08,620 --> 00:32:12,054
hai no mundo, ou polo
menos algunha fonte de información

556
00:32:12,054 --> 00:32:12,970
que eu poida manipular?

557
00:32:12,970 --> 00:32:15,780

558
00:32:15,780 --> 00:32:20,790
>> Ás veces, estes levar a
anacos marabillosas de ambigüidade.

559
00:32:20,790 --> 00:32:24,470
"Red-quente estrela de casar astrónomo."

560
00:32:24,470 --> 00:32:25,630
Aceptar.

561
00:32:25,630 --> 00:32:28,540
Agora, lemos que, como o
Tipo divertido de Headline

562
00:32:28,540 --> 00:32:34,690
que queremos ver en TV tarde de noite
porque non interpretar "estrela"

563
00:32:34,690 --> 00:32:38,630
para ter o seu significado corpo celeste.

564
00:32:38,630 --> 00:32:43,390
Sabemos que isto significa que a máis
actor ou actriz común

565
00:32:43,390 --> 00:32:45,240
con cantidades elevadas de visibilidade.

566
00:32:45,240 --> 00:32:47,770

567
00:32:47,770 --> 00:32:51,950
>> "Tropa de axuda mordida de can vítima."

568
00:32:51,950 --> 00:32:55,550
Será que o conxunto é realmente
aí, asistindo un can

569
00:32:55,550 --> 00:32:59,620
ir ao redor e mordendo vítimas?

570
00:32:59,620 --> 00:33:02,380
Ou será que non había
un individuo que era

571
00:33:02,380 --> 00:33:04,625
mordido por un can que precisaba de axuda?

572
00:33:04,625 --> 00:33:07,650

573
00:33:07,650 --> 00:33:11,480
Só de ollar para a sintaxe
ea semántica das sentenzas,

574
00:33:11,480 --> 00:33:14,660
non podemos determinar iso.

575
00:33:14,660 --> 00:33:22,000
>> "Helicóptero funciona moscas humanos."

576
00:33:22,000 --> 00:33:27,330
Hai, de feito, real
pequenas cousas que voan arredor

577
00:33:27,330 --> 00:33:34,510
son persoas con ás alimentaria
helicópteros para o ben da humanidade?

578
00:33:34,510 --> 00:33:38,960
Ou hai un dispositivo mecánico
que deriva súa enerxía dunha persoa?

579
00:33:38,960 --> 00:33:41,600

580
00:33:41,600 --> 00:33:46,500
>> Cando ollamos para a cuestión
sistemas de atención,

581
00:33:46,500 --> 00:33:51,110
estes son as capas que
temos que tratar con eles.

582
00:33:51,110 --> 00:33:54,890
Agora, o mellor eo máis sorte
de prevalente destes sistemas

583
00:33:54,890 --> 00:34:00,640
hoxe son capaces de facer
as cousas a un nivel que son

584
00:34:00,640 --> 00:34:05,050
moito máis do que tiñamos hai 10 anos.

585
00:34:05,050 --> 00:34:08,210
Aquí está un dos mellores sistemas
que está aí fóra hoxe.

586
00:34:08,210 --> 00:34:10,519
E este é un sistema
de IBM chamado Watson.

587
00:34:10,519 --> 00:34:13,040

588
00:34:13,040 --> 00:34:15,500
Esta é a partir dos nosos amigos de IBM.

589
00:34:15,500 --> 00:34:19,810
Esta é Katherine bancos, Jia Chen,
e Priscila Moraes dándonos

590
00:34:19,810 --> 00:34:26,323
unha demostración de Watson
onte, en Yorktown IBM.

591
00:34:26,323 --> 00:34:26,989
[REPRODUCIÓN DE VIDEO]

592
00:34:26,989 --> 00:34:27,690
-Como estás?

593
00:34:27,690 --> 00:34:30,600

594
00:34:30,600 --> 00:34:31,980
>> -Estou ben.

595
00:34:31,980 --> 00:34:35,429
Estou sempre feliz cando estou
pensar, especialmente cando

596
00:34:35,429 --> 00:34:38,920
pode estar legal nesas salas de servidores.

597
00:34:38,920 --> 00:34:40,170
-Quen É a súa actriz favorita?

598
00:34:40,170 --> 00:34:43,870

599
00:34:43,870 --> 00:34:47,555
>> -Meu Actriz favorita
Angelina Jolie como Lara Croft

600
00:34:47,555 --> 00:34:54,800
en Tomb Raider porque a súa orixe
forma era como un personaxe virtual como eu.

601
00:34:54,800 --> 00:34:56,760
>> -Como Pode Watson axudar os pacientes?

602
00:34:56,760 --> 00:34:59,700

603
00:34:59,700 --> 00:35:03,755
>> -É O plan para os pacientes para
teñen acceso a Watson directamente?

604
00:35:03,755 --> 00:35:08,050
O acceso a Watson consultivo
aplicacións varían segundo caso de uso.

605
00:35:08,050 --> 00:35:12,630
Pero na actualidade, Watson só fornecerá
posible diagnóstico e tratamento

606
00:35:12,630 --> 00:35:14,725
opcións para profesional médico.

607
00:35:14,725 --> 00:35:17,680
De ser o caso, os pacientes
pode proporcionar información

608
00:35:17,680 --> 00:35:21,210
a Watson, quizais a través dun
interface web portal, tablet,

609
00:35:21,210 --> 00:35:23,500
ou mesmo un teléfono móbil.

610
00:35:23,500 --> 00:35:27,180
Por exemplo, un paciente pode ser
solicitados a describir os seus síntomas

611
00:35:27,180 --> 00:35:30,460
en linguaxe natural directamente
nunha solución Watson,

612
00:35:30,460 --> 00:35:34,050
permitindo ao médico centrar
diagnóstico e non a obtención de datos.

613
00:35:34,050 --> 00:35:38,379

614
00:35:38,379 --> 00:35:42,716
>> -Quen Asasinado Abraham Lincoln?

615
00:35:42,716 --> 00:35:46,153
>> -João Wilkes Booth.

616
00:35:46,153 --> 00:35:52,373
>> -En Que ano fixo o Arizona
Diamondbacks gañar a World Series?

617
00:35:52,373 --> 00:35:55,295
>> -2001.

618
00:35:55,295 --> 00:35:58,710
>> [FIN DE REPRODUCIÓN]

619
00:35:58,710 --> 00:36:01,610
>> BRIAN Scassellati: Entón,
este tipo de sistemas

620
00:36:01,610 --> 00:36:07,430
ten que confiar en primeiro lugar
recoñecer o discurso; En segundo lugar,

621
00:36:07,430 --> 00:36:12,200
converténdoa en unha interna significativa
representación; e, a continuación, en terceiro lugar,

622
00:36:12,200 --> 00:36:17,090
poder saír e atopar
a fonte de información que

623
00:36:17,090 --> 00:36:21,140
lles permite responder a esta pregunta.

624
00:36:21,140 --> 00:36:27,320
Este nivel de complexidade implica
os mesmos tipos de cousas programáticas

625
00:36:27,320 --> 00:36:31,790
que foi
facendo en conxuntos de problemas.

626
00:36:31,790 --> 00:36:38,000
>> Somos capaces de analizar as solicitudes HTTP en
o mesmo tipo de patrón de baixo nivel

627
00:36:38,000 --> 00:36:40,810
ELIZA correspondente que pode facer.

628
00:36:40,810 --> 00:36:45,070
Somos capaces de converter os
nunha representación interna,

629
00:36:45,070 --> 00:36:50,360
e entón usalos para consultar algúns
base de datos externa, posiblemente utilizando SQL.

630
00:36:50,360 --> 00:36:53,530

631
00:36:53,530 --> 00:36:56,260
Todos os sistemas que
están sendo construídas hoxe

632
00:36:56,260 --> 00:37:00,520
para facer este tipo de catástrofes naturais
comunicación lingua

633
00:37:00,520 --> 00:37:04,100
están sendo construídas enriba
eses mesmos principios.

634
00:37:04,100 --> 00:37:09,530
>> Agora mesmo un sistema como
Watson non é suficiente complexo

635
00:37:09,530 --> 00:37:14,820
para poder responder arbitraria
preguntas sobre calquera tema.

636
00:37:14,820 --> 00:37:20,060
E, de feito, eles teñen que ser
estruturada dentro dun determinado ámbito.

637
00:37:20,060 --> 00:37:24,440
Entón pode ir en liña e pode atopar
versións de Watson que operan ben

638
00:37:24,440 --> 00:37:27,700
dentro de informática médica.

639
00:37:27,700 --> 00:37:31,490
Ou hai unha liña
que só trata de como

640
00:37:31,490 --> 00:37:34,540
facer boas recomendacións sobre
o que a cervexa vai que o alimento.

641
00:37:34,540 --> 00:37:37,060

642
00:37:37,060 --> 00:37:41,870
E dentro destes dominios,
pode responder a preguntas,

643
00:37:41,870 --> 00:37:46,130
atopar a información que precise.

644
00:37:46,130 --> 00:37:48,270
>> Pero non pode mesturar e combinar a eles.

645
00:37:48,270 --> 00:37:53,150
O sistema que foi adestrado
con a base de datos de alimentos e cervexa

646
00:37:53,150 --> 00:37:56,830
non funciona ben cando de súpeto
poñelas coa informática médica

647
00:37:56,830 --> 00:37:59,770
base de datos.

648
00:37:59,770 --> 00:38:05,680
Así, mesmo os nosos mellores sistemas de hoxe
dependen dun nivel de procesamento

649
00:38:05,680 --> 00:38:11,570
en que estamos codificación manual e
construción da infraestrutura, a fin

650
00:38:11,570 --> 00:38:13,275
para facer este sistema funcione.

651
00:38:13,275 --> 00:38:16,360

652
00:38:16,360 --> 00:38:20,710
>> Agora, o último tema que quero
para poder obter a hoxe

653
00:38:20,710 --> 00:38:23,960
é sobre comunicación non verbal.

654
00:38:23,960 --> 00:38:29,290
Unha gran masa de información que
nós nos comunicamos entre si

655
00:38:29,290 --> 00:38:35,490
non acontece a través do
palabras individuais que estamos aplicando.

656
00:38:35,490 --> 00:38:40,290
Ten que ver con cousas como
proximidade, ollar, o seu ton de voz,

657
00:38:40,290 --> 00:38:42,270
súa inflexión.

658
00:38:42,270 --> 00:38:46,620
E que a comunicación é tamén
algo que moitas interfaces diferentes

659
00:38:46,620 --> 00:38:49,960
importa moito sobre.

660
00:38:49,960 --> 00:38:51,500
Non é o que se preocupa Siri.

661
00:38:51,500 --> 00:38:56,250
Podo pedir Siri algo nunha soa voz
ou nun ton de voz diferente,

662
00:38:56,250 --> 00:38:59,840
e Siri vai
me dar a mesma resposta.

663
00:38:59,840 --> 00:39:05,260
Pero non é iso que nós construímos a
moitos outros tipos de interfaces.

664
00:39:05,260 --> 00:39:09,120
>> Quero presentar-lle
Agora, a un dos robots.

665
00:39:09,120 --> 00:39:12,720
Este foi construído polo meu de longa data
amigo e compañeiro Cynthia

666
00:39:12,720 --> 00:39:16,010
Breazeal ea súa empresa Jibo.

667
00:39:16,010 --> 00:39:20,090
E este robot-- imos
para ter un par de voluntarios

668
00:39:20,090 --> 00:39:22,520
chegar a interactuar con iso.

669
00:39:22,520 --> 00:39:26,200
Entón eu podo ter dúas persoas dispostas
xogar co robot para min?

670
00:39:26,200 --> 00:39:29,936
Por que non vén para arriba,
e por que non vén enriba.

671
00:39:29,936 --> 00:39:31,310
Se quere unirse a min aquí enriba, por favor.

672
00:39:31,310 --> 00:39:36,520

673
00:39:36,520 --> 00:39:39,670
>> E se eu puidese ter vostede
vir ben aquí.

674
00:39:39,670 --> 00:39:40,170
Grazas.

675
00:39:40,170 --> 00:39:40,480
Ola.

676
00:39:40,480 --> 00:39:41,400
>> ALFREDO: Pracer en coñece-lo.

677
00:39:41,400 --> 00:39:42,010
Alfredo.

678
00:39:42,010 --> 00:39:42,520
>> BRIAN Scassellati: Alfredo.

679
00:39:42,520 --> 00:39:43,146
>> RACHEL: Rachel.

680
00:39:43,146 --> 00:39:44,228
BRIAN Scassellati: Rachel.

681
00:39:44,228 --> 00:39:45,154
Pracer en coñece-los.

682
00:39:45,154 --> 00:39:46,820
Alfredo, vou ter que ir primeiro.

683
00:39:46,820 --> 00:39:47,990
Veña ata aquí.

684
00:39:47,990 --> 00:39:51,870
Eu estou indo a introducir
você-- se podo sacar iso

685
00:39:51,870 --> 00:39:58,450
sen bater o microphone--
para un pequeno robot chamado Jibo.

686
00:39:58,450 --> 00:40:00,140
OK?

687
00:40:00,140 --> 00:40:04,260
>> Agora Jibo está deseñado para ser interactivo.

688
00:40:04,260 --> 00:40:09,339
E aínda que poida darlle a fala,
tanto da interacción co robot

689
00:40:09,339 --> 00:40:09,880
é non-verbal.

690
00:40:09,880 --> 00:40:12,450

691
00:40:12,450 --> 00:40:17,070
Alfredo, vou solicitar a vostede
dicir algo agradable e cortesía

692
00:40:17,070 --> 00:40:19,554
ao robot, por favor.

693
00:40:19,554 --> 00:40:20,845
ALFREDO: Eu creo que ollar bonito.

694
00:40:20,845 --> 00:40:24,114

695
00:40:24,114 --> 00:40:25,611
>> [Zumbido]

696
00:40:25,611 --> 00:40:26,192

697
00:40:26,192 --> 00:40:27,108
BRIAN Scassellati: Aceptar.

698
00:40:27,108 --> 00:40:30,110

699
00:40:30,110 --> 00:40:33,180
A súa resposta non é verbal.

700
00:40:33,180 --> 00:40:35,180
E aínda lle deu tanto
un claro recoñecemento

701
00:40:35,180 --> 00:40:39,680
que tiña oído falar que dixo
e tamén entendeu que de algunha maneira.

702
00:40:39,680 --> 00:40:40,530
OK?

703
00:40:40,530 --> 00:40:42,070
Paso a dereita de volta aquí por un segundo.

704
00:40:42,070 --> 00:40:43,130
Grazas.

705
00:40:43,130 --> 00:40:44,090
>> Rachel, se faría.

706
00:40:44,090 --> 00:40:46,070
Agora, eu vou dar-
o traballo moito máis difícil.

707
00:40:46,070 --> 00:40:48,361
Se queda aquí,
backup de só un pouco así

708
00:40:48,361 --> 00:40:50,280
que pode obter na cámara
e mire para este lado.

709
00:40:50,280 --> 00:40:56,840
Vou pedirlle para dicir algo
realmente significa e desagradable para o robot.

710
00:40:56,840 --> 00:41:02,900
>> RACHEL: Que só parecía
facendo era completamente absurda.

711
00:41:02,900 --> 00:41:03,840
>> [Zumbido SOUND]

712
00:41:03,840 --> 00:41:07,610

713
00:41:07,610 --> 00:41:09,030
>> Iso era aínda máis absurdo.

714
00:41:09,030 --> 00:41:10,120
O que está a suceder con vostede?

715
00:41:10,120 --> 00:41:13,487

716
00:41:13,487 --> 00:41:16,207
Ah, non se sinta mal.

717
00:41:16,207 --> 00:41:17,040
Vou che dar un abrazo.

718
00:41:17,040 --> 00:41:19,882

719
00:41:19,882 --> 00:41:21,090
BRIAN Scassellati: Todo ben.

720
00:41:21,090 --> 00:41:22,280
Grazas, Rachel.

721
00:41:22,280 --> 00:41:24,565
Alfredo, Rachel, grazas eles moito.

722
00:41:24,565 --> 00:41:26,840
>> [Aplausos]

723
00:41:26,840 --> 00:41:28,660

724
00:41:28,660 --> 00:41:34,470
>> Polo tanto, este tipo de interacción ten en
moitas formas algunhas das mesmas regras

725
00:41:34,470 --> 00:41:36,950
e algúns dos mesmos
estrutura como o que nos

726
00:41:36,950 --> 00:41:39,950
pode ter na interacción lingüística.

727
00:41:39,950 --> 00:41:44,530
É tanto comunicativa e
serve a un propósito importante.

728
00:41:44,530 --> 00:41:48,590
E que a interacción, en
moitos xeitos, está concibida

729
00:41:48,590 --> 00:41:52,890
ter un efecto particular sobre a
persoa interactuar con ou escoita

730
00:41:52,890 --> 00:41:54,410
para o robot.

731
00:41:54,410 --> 00:41:56,450
>> Agora, eu teño a sorte
ter Jibo aquí hoxe.

732
00:41:56,450 --> 00:42:00,550
Sam Spaulding está aquí axudando
nos co robot.

733
00:42:00,550 --> 00:42:07,470
E eu vou preguntar a Sam para dar
nos un bo demo de Jibo danza

734
00:42:07,470 --> 00:42:09,720
que podemos ver ao final aquí.

735
00:42:09,720 --> 00:42:10,590
Entón vai adiante, Jibo.

736
00:42:10,590 --> 00:42:11,550
>> SAM: OK, Jibo.

737
00:42:11,550 --> 00:42:14,430
B-nos os seus movementos de danza.

738
00:42:14,430 --> 00:42:17,310
>> [Música tocando]

739
00:42:17,310 --> 00:42:43,114

740
00:42:43,114 --> 00:42:44,780
BRIAN Scassellati: Todo ben, todo o mundo.

741
00:42:44,780 --> 00:42:46,865
Grazas aos nosos amigos en Jibo.

742
00:42:46,865 --> 00:42:49,426
>> [Aplausos]

743
00:42:49,426 --> 00:42:50,140

744
00:42:50,140 --> 00:42:54,990
>> E grazas aos nosos amigos na
IBM para axudar a fóra hoxe.

745
00:42:54,990 --> 00:42:57,300
A comunicación é algo
que vai

746
00:42:57,300 --> 00:43:02,280
para ver chegando cada vez máis como
nós construír interfaces máis complexas.

747
00:43:02,280 --> 00:43:05,760
A próxima semana, imos estar falando
sobre como facer a interface

748
00:43:05,760 --> 00:43:08,890
con adversarios controlados por ordenador en xogos.

749
00:43:08,890 --> 00:43:12,950
Pero se ten dúbidas sobre iso,
Eu vou estar en torno a esta noite o horario de oficina.

750
00:43:12,950 --> 00:43:17,610
Estou feliz de falar contigo sobre AI
temas ou para entrar en máis detalles.

751
00:43:17,610 --> 00:43:18,927
Teña unha boa semana.

752
00:43:18,927 --> 00:43:21,409
>> [Aplausos]

753
00:43:21,409 --> 00:43:21,909

754
00:43:21,909 --> 00:43:26,141
[Música tocando]

755
00:43:26,141 --> 00:46:42,879