1 00:00:00,000 --> 00:00:02,928 >> [MUSIC SPILLE] 2 00:00:02,928 --> 00:00:11,230 3 00:00:11,230 --> 00:00:12,790 >> DAVID MALAN: Dette er CS50. 4 00:00:12,790 --> 00:00:14,072 Dette er slutten av uke 10. 5 00:00:14,072 --> 00:00:16,030 Og gutt, har vi en god klasse for deg i dag. 6 00:00:16,030 --> 00:00:20,040 Vi er så glade for å invitere to av våre venner fra Yale opp til oss i dag 7 00:00:20,040 --> 00:00:23,920 og å se i skjæringspunktet mellom kunstig intelligens, robotikk, 8 00:00:23,920 --> 00:00:25,710 naturlig språk prosessering, og mer. 9 00:00:25,710 --> 00:00:27,090 >> Og ja, over siste ukene, har vi 10 00:00:27,090 --> 00:00:29,714 sikkert tilbrakt mye tid, spesielt i de tidligere psets, 11 00:00:29,714 --> 00:00:31,560 fokus på pene lavnivå detaljer. 12 00:00:31,560 --> 00:00:34,520 Og det er veldig lett å miste av syne av skogen for bare trær 13 00:00:34,520 --> 00:00:38,170 og bli hengt opp på sløyfer og betingelser og pekere, absolutt, og lignende. 14 00:00:38,170 --> 00:00:41,770 Men realiteten er dere nå har ingredienser som du kan virkelig 15 00:00:41,770 --> 00:00:45,300 løse noen interessante problemer, blant dem de som våre venner på Yale 16 00:00:45,300 --> 00:00:48,790 jobbe med bare sjenert av Cambridge. 17 00:00:48,790 --> 00:00:52,410 >> Så la meg først å presentere vårt hode lærerassistent fra Yale, Andy. 18 00:00:52,410 --> 00:00:55,182 >> [BIFALL] 19 00:00:55,182 --> 00:00:57,030 20 00:00:57,030 --> 00:01:00,710 >> ANDY: Først av alt, bare takke for at du tillater et par Yalies 21 00:01:00,710 --> 00:01:02,700 til pop på ned til Cambridge i dag. 22 00:01:02,700 --> 00:01:05,299 Vi setter stor pris på det. 23 00:01:05,299 --> 00:01:07,090 Dernest til våre venner tilbake home-- Jason, 24 00:01:07,090 --> 00:01:09,670 takk for bor og kjører foredrag. 25 00:01:09,670 --> 00:01:12,970 Håper alt er bra i New Haven. 26 00:01:12,970 --> 00:01:15,720 >> Så ja, jeg er veldig spent å innføre Scaz dag. 27 00:01:15,720 --> 00:01:17,020 Scaz kjører robotikk lab. 28 00:01:17,020 --> 00:01:19,690 Han er professor i, som, five ulike avdelinger ved Yale. 29 00:01:19,690 --> 00:01:23,159 I laboratoriet hans, har han mange, mange roboter som han liker å leke med. 30 00:01:23,159 --> 00:01:24,950 Han har, i likhet med den kuleste jobben i verden. 31 00:01:24,950 --> 00:01:27,116 Og han kommer til slags rot rundt med det hele dagen 32 00:01:27,116 --> 00:01:29,090 lang og gjøre noe arbeid, så vel. 33 00:01:29,090 --> 00:01:33,070 >> Og så vi faktisk tok en Av dem ned med oss ​​i dag. 34 00:01:33,070 --> 00:01:36,900 Så uten videre, er Scaz kommer til å gå videre og introdusere oss 35 00:01:36,900 --> 00:01:38,660 til hans robot venn. 36 00:01:38,660 --> 00:01:41,546 >> [BIFALL] 37 00:01:41,546 --> 00:01:42,935 38 00:01:42,935 --> 00:01:44,310 BRIAN SCASSELLATI: Takk, David. 39 00:01:44,310 --> 00:01:45,380 Takk, Andy. 40 00:01:45,380 --> 00:01:50,050 Det er så herlig å være her med alle i dag. 41 00:01:50,050 --> 00:01:56,490 Jeg vil først være helt klart at den CS50 ansatte her i Cambridge 42 00:01:56,490 --> 00:01:59,190 har vært utrolig gjestfrie til oss. 43 00:01:59,190 --> 00:02:02,130 Vi er så takknemlig for alt de har gjort for å støtte oss. 44 00:02:02,130 --> 00:02:05,690 Og så vi vil gjerne være i stand å returnere godhet. 45 00:02:05,690 --> 00:02:09,370 >> Så i dag, får vi kunn at vi kommer til å ha en ny, 46 00:02:09,370 --> 00:02:15,240 one-of-a-kind CS50 event skjer i New Haven neste uke. 47 00:02:15,240 --> 00:02:18,040 Og dette er CS50 Forskning Expo. 48 00:02:18,040 --> 00:02:21,300 Så vi kommer til å invitere everyone-- CS50 studenter, 49 00:02:21,300 --> 00:02:26,510 ansatte fra både Harvard og Yale-- til komme ned og besøke oss på fredag. 50 00:02:26,510 --> 00:02:30,400 Vi vil ha et bredt utvalg på over 30 forskjellige personer presentere 51 00:02:30,400 --> 00:02:34,830 og exhibiting-- upperclassmen viser av noen av sine forsknings produkter. 52 00:02:34,830 --> 00:02:38,480 Vi vil ha noen oppstarter, selv, på jakt for en liten bit av ny tech talent, 53 00:02:38,480 --> 00:02:40,460 startups fra både Harvard og Yale. 54 00:02:40,460 --> 00:02:44,550 Og vi vil ha noen studentgrupper på jakt etter noen nye medlemskap. 55 00:02:44,550 --> 00:02:46,357 >> Det kommer til å bli en veldig spennende tid. 56 00:02:46,357 --> 00:02:49,190 Forhåpentligvis de av dere som er kommer ned for Harvard-Yale spill 57 00:02:49,190 --> 00:02:51,360 vil være i stand til å stoppe av litt tidlig, 58 00:02:51,360 --> 00:02:54,060 midt i sentrum av campus, Sterling Memorial Library. 59 00:02:54,060 --> 00:02:58,040 Vi kommer til å ha et sett av utstillinger som spenner fra selvstendig 60 00:02:58,040 --> 00:03:04,460 seilbåter til måter å bruke programvare å bevare middelalder manuskripter. 61 00:03:04,460 --> 00:03:07,860 >> Vi kommer til å ha annonsen hoc nettverk og mennesker 62 00:03:07,860 --> 00:03:11,230 pedagogisk programvare koding i Cape Town. 63 00:03:11,230 --> 00:03:13,730 Vi vil ha datamaskin musikk demonstrasjoner. 64 00:03:13,730 --> 00:03:16,020 Og vi vil selvfølgelig ha flere roboter. 65 00:03:16,020 --> 00:03:18,900 Så vi håper du vil bli med oss ​​for denne hendelsen. 66 00:03:18,900 --> 00:03:21,350 Det bør være en masse moro, litt mat, 67 00:03:21,350 --> 00:03:24,430 og mye interessant ting å snakke om. 68 00:03:24,430 --> 00:03:28,230 >> Så i dag skal vi snakke om naturlig språk prosessering. 69 00:03:28,230 --> 00:03:32,560 Og dette er et forsøk for oss å bygge en ny måte for samvirking 70 00:03:32,560 --> 00:03:35,150 med våre enheter fordi for de siste ukene, 71 00:03:35,150 --> 00:03:40,800 du har vært fokusert på hvordan det er at du kan skrive kode, skrive programvare 72 00:03:40,800 --> 00:03:47,110 som er en måte å være i stand til å si til en maskin, dette er hva jeg vil du skal gjøre. 73 00:03:47,110 --> 00:03:50,210 >> Men vi bør ikke trenger å forvente at alt 74 00:03:50,210 --> 00:03:53,760 som er der ute som brukes av alle i hele verden 75 00:03:53,760 --> 00:03:57,480 kommer til å bli dyktigere i denne typen undervisning. 76 00:03:57,480 --> 00:04:02,540 Så vi skille mellom datamaskin språk og naturlig languages-- 77 00:04:02,540 --> 00:04:06,720 det vil si ting som mennesker bruk å kommunisere med andre mennesker. 78 00:04:06,720 --> 00:04:12,270 Og vi prøver å bygge grensesnitt som bruker disse naturlige kommunikasjon mekanismer. 79 00:04:12,270 --> 00:04:16,029 >> Nå, akkurat som alle andre tema at vi har begynt med i CS50, 80 00:04:16,029 --> 00:04:19,589 vi kommer til å starte med det enkleste bit av naturlig språk prosessering 81 00:04:19,589 --> 00:04:21,269 at vi kan forestille deg. 82 00:04:21,269 --> 00:04:24,940 Vi kommer til å starte med historiske delen av naturlig språk. 83 00:04:24,940 --> 00:04:28,740 Og så skal vi bygge opp til flere og nyere systemer 84 00:04:28,740 --> 00:04:31,450 og har noen morsomme demoer underveis. 85 00:04:31,450 --> 00:04:35,900 >> Så vi kommer til å starte med hva som var sannsynligvis den første naturlige språk 86 00:04:35,900 --> 00:04:38,210 systemet for behandling. 87 00:04:38,210 --> 00:04:45,080 Dette var en software skrevet i 1966 av Joseph Weizenbaum kalt ELIZA. 88 00:04:45,080 --> 00:04:49,640 Og ELIZA ble utviklet for å replikere den type interaksjon 89 00:04:49,640 --> 00:04:53,850 du ville ha med en Rogerian psykoterapeut. 90 00:04:53,850 --> 00:04:57,210 Nå, Rogerians, hadde de en idé om at psykoterapi 91 00:04:57,210 --> 00:05:02,800 involverte å kunne speile tilbake til en pasient og snakke med dem, 92 00:05:02,800 --> 00:05:08,100 i utgangspunktet, ved bare å gi dem en bitte liten bit av terapeuten. 93 00:05:08,100 --> 00:05:09,920 Det er, alt at terapeuten sa 94 00:05:09,920 --> 00:05:16,500 skulle være bare en refleksjon av hva pasienten var å fortelle dem. 95 00:05:16,500 --> 00:05:18,990 >> Så la oss prøve og demo dette. 96 00:05:18,990 --> 00:05:22,820 Har vi en frivillig som vil være villig til å dele sine dypeste, 97 00:05:22,820 --> 00:05:26,650 mørkeste, og / eller falske hemmeligheter med ELIZA? 98 00:05:26,650 --> 00:05:29,680 Jada, hvorfor ikke du kommer videre opp. 99 00:05:29,680 --> 00:05:30,847 Fantastisk. 100 00:05:30,847 --> 00:05:31,430 Og navnet ditt? 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 Hyggelig å møte deg, Miles. 104 00:05:34,270 --> 00:05:36,270 Hvis du vil holde på det. 105 00:05:36,270 --> 00:05:40,840 Og vi kommer til å bruke en versjon av ELIZA 106 00:05:40,840 --> 00:05:44,640 at vi har kopiert innenfor CS50 IDE. 107 00:05:44,640 --> 00:05:47,140 Og vi skal se på kilden koden til dette i en liten stund. 108 00:05:47,140 --> 00:05:49,910 Men for akkurat nå, er vi bare kommer til å påberope det ved å skrive eliza. 109 00:05:49,910 --> 00:05:55,480 >> Og ELIZA kommer til å gi deg svar som kommer til å være i alle hovedsteder. 110 00:05:55,480 --> 00:05:57,950 Og kommer til å stille deg noen spørsmål. 111 00:05:57,950 --> 00:06:02,130 Og vi vil svare og skriv i svar til ELIZA. 112 00:06:02,130 --> 00:06:04,310 Så ELIZA har sagt: "Hei, jeg er ELIZA. 113 00:06:04,310 --> 00:06:05,462 Hva er ditt problem?" 114 00:06:05,462 --> 00:06:08,092 Hva ønsker du å fortelle ELIZA om i dag? 115 00:06:08,092 --> 00:06:10,750 >> MILES: Jeg kan bare sovne hvis jeg har kanintøfler på. 116 00:06:10,750 --> 00:06:12,440 >> BRIAN SCASSELLATI: All right. 117 00:06:12,440 --> 00:06:13,360 Greit. 118 00:06:13,360 --> 00:06:15,300 >> [LATTER] 119 00:06:15,300 --> 00:06:22,410 >> "Jeg kan bare sovne med kanintøfler på. " 120 00:06:22,410 --> 00:06:29,000 Og ELIZA sier: "Si, gjør du har noen psykiske problemer? 121 00:06:29,000 --> 00:06:30,450 Kanskje dette er en god indikator. " 122 00:06:30,450 --> 00:06:30,780 >> OK. 123 00:06:30,780 --> 00:06:32,245 Så hva vil du svare? 124 00:06:32,245 --> 00:06:36,110 125 00:06:36,110 --> 00:06:36,970 >> MILES: Ja. 126 00:06:36,970 --> 00:06:38,660 >> BRIAN SCASSELLATI: Ja. 127 00:06:38,660 --> 00:06:39,570 Mann av mange ord. 128 00:06:39,570 --> 00:06:41,870 Jeg liker det. 129 00:06:41,870 --> 00:06:50,200 Eliza sier: "Du virker ganske positive." 130 00:06:50,200 --> 00:06:53,200 >> MILES: Nei, jeg er faktisk et elektron. 131 00:06:53,200 --> 00:06:55,150 >> BRIAN SCASSELLATI: "Nei. 132 00:06:55,150 --> 00:07:02,240 Faktisk, jeg er et elektron. " "Visste du kommer til meg 133 00:07:02,240 --> 00:07:06,954 fordi du er et elektron? " 134 00:07:06,954 --> 00:07:08,870 Nå kan vi se noen av den things-- Jeg kommer 135 00:07:08,870 --> 00:07:10,200 å ta en pause for bare et sekund, Miles. 136 00:07:10,200 --> 00:07:11,010 Ikke gå hvor som helst. 137 00:07:11,010 --> 00:07:12,650 Vi er ikke ferdig med deg ennå. 138 00:07:12,650 --> 00:07:16,490 ELIZA er, på noen måter, reagerer på visse ting 139 00:07:16,490 --> 00:07:21,140 som han sier, men uten noen reell forståelse. 140 00:07:21,140 --> 00:07:26,090 Og det er også parroting tilbake noen av de delene av dommen. 141 00:07:26,090 --> 00:07:27,310 >> Så vi sa, "Nei 142 00:07:27,310 --> 00:07:29,090 Faktisk, jeg er et elektron. " 143 00:07:29,090 --> 00:07:34,190 Eliza svarte tilbake: "Visste du kommer til meg fordi du er et elektron? " 144 00:07:34,190 --> 00:07:34,690 Greit. 145 00:07:34,690 --> 00:07:36,050 La oss gi den en mer respons her. 146 00:07:36,050 --> 00:07:37,140 Gi det en god en, 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 >> Ja, kan du hjelpe meg. 150 00:07:49,570 --> 00:07:50,570 BRIAN SCASSELLATI: "Ja. 151 00:07:50,570 --> 00:07:58,010 Kan du hjelpe meg. »« Er du sikker? " 152 00:07:58,010 --> 00:07:58,510 MILES: No. 153 00:07:58,510 --> 00:08:00,860 BRIAN SCASSELLATI: No. 154 00:08:00,860 --> 00:08:03,562 "Hva betyr det foreslå for deg?" 155 00:08:03,562 --> 00:08:06,760 >> MILES: Jeg kan ikke være et elektron. 156 00:08:06,760 --> 00:08:11,170 >> BRIAN SCASSELLATI: "Jeg kan ikke være en elektron ». 157 00:08:11,170 --> 00:08:13,790 "Sier du nei bare for å være negativ?" 158 00:08:13,790 --> 00:08:14,390 >> Greit. 159 00:08:14,390 --> 00:08:16,030 Så Miles, takk så mye. 160 00:08:16,030 --> 00:08:16,860 >> MILES: Takk. 161 00:08:16,860 --> 00:08:18,360 >> BRIAN SCASSELLATI: Tusen takk. 162 00:08:18,360 --> 00:08:20,230 [BIFALL] 163 00:08:20,230 --> 00:08:21,230 164 00:08:21,230 --> 00:08:26,700 >> Så dette ELIZA program, på mange måter, svarer bare bitene 165 00:08:26,700 --> 00:08:32,730 at vi gir uten dyp forståelse av hva som skjer her. 166 00:08:32,730 --> 00:08:36,640 Dette er et slags system kalt mønstergjenkjenning, der 167 00:08:36,640 --> 00:08:40,490 vi leter etter visse tekstbiter som vi er så 168 00:08:40,490 --> 00:08:44,860 kommer til å ta ut av hva ble gitt som input, 169 00:08:44,860 --> 00:08:52,580 konvertere den, potensielt, på noen måte, og deretter gi den tilbake til brukeren. 170 00:08:52,580 --> 00:08:55,150 >> Har noen av dere tror at ELIZA er faktisk 171 00:08:55,150 --> 00:08:58,230 utføre gyldig psykoanalyse her? 172 00:08:58,230 --> 00:08:59,250 En person, kanskje. 173 00:08:59,250 --> 00:09:00,166 >> PUBLIKUM: [uhørlig]. 174 00:09:00,166 --> 00:09:03,315 175 00:09:03,315 --> 00:09:05,440 BRIAN SCASSELLATI: Og hvordan Gjør det du føler? 176 00:09:05,440 --> 00:09:06,530 Ja, faktisk, det gjør det. 177 00:09:06,530 --> 00:09:10,890 Og vi kommer til å se, faktisk, den kildekoden for det i bare et øyeblikk. 178 00:09:10,890 --> 00:09:13,580 Og så kommer du til å være i stand til å gjøre akkurat dette. 179 00:09:13,580 --> 00:09:17,420 >> Nå er ELIZA en form for hva vi vil kalle i dag en prat bot. 180 00:09:17,420 --> 00:09:19,950 Det går bare gjennom tekst som du gir, 181 00:09:19,950 --> 00:09:24,030 gir et minimum beløp forståelse eller behandling, 182 00:09:24,030 --> 00:09:26,790 og deretter papegøyer den tilbake til deg. 183 00:09:26,790 --> 00:09:31,830 Så la oss ta en titt, konseptuelt, og snakke om hva 184 00:09:31,830 --> 00:09:34,690 det er at ELIZA faktisk gjør. 185 00:09:34,690 --> 00:09:42,000 >> ELIZA tar en sentence-- la oss si: "Jeg ønsker å imponere sjefen min." 186 00:09:42,000 --> 00:09:45,130 Og ELIZA er ute gjennom den setningen 187 00:09:45,130 --> 00:09:48,730 og prøver å finne og matche visse mønstre. 188 00:09:48,730 --> 00:09:52,850 Så, for eksempel, en av mønstrene som ELIZA er på jakt etter er ordene 189 00:09:52,850 --> 00:09:55,110 "Jeg vil." 190 00:09:55,110 --> 00:09:59,330 Og helst det ser noe som har "jeg vil" i den, 191 00:09:59,330 --> 00:10:01,770 det formulerer et svar. 192 00:10:01,770 --> 00:10:05,040 Og at responsen er en fast streng. 193 00:10:05,040 --> 00:10:07,915 I dette tilfellet er det "hvorfor vil du?" 194 00:10:07,915 --> 00:10:11,330 Og jeg legger en liten stjerne på slutten fordi det er bare 195 00:10:11,330 --> 00:10:13,310 I begynnelsen av vår respons. 196 00:10:13,310 --> 00:10:16,310 Og stjernen indikerer at vi kommer til å ta resten 197 00:10:16,310 --> 00:10:19,850 av brukerens utterance-- "for å imponere sjefen min" - 198 00:10:19,850 --> 00:10:24,500 og vi kommer til å legge det på enden av denne strengen. 199 00:10:24,500 --> 00:10:28,990 >> Så nå, i stedet for å si: "hvorfor ønsker du å imponere sjefen min, " 200 00:10:28,990 --> 00:10:31,800 det er en liten bit av ekstra behandling som vi skal gjøre. 201 00:10:31,800 --> 00:10:34,440 Det vil si, vi må konvertere noen av pronomen 202 00:10:34,440 --> 00:10:38,670 her fra "sjefen min" til "sjefen". 203 00:10:38,670 --> 00:10:41,300 Og det kan være noen andre endringer som vi trenger å gjøre. 204 00:10:41,300 --> 00:10:44,990 Så i stedet for bare å stikke det direkte på slutten, hva vi skal gjøre 205 00:10:44,990 --> 00:10:49,160 blir vi tar resten av brukerens utterance-- i hvitt her-- 206 00:10:49,160 --> 00:10:54,090 og vi vil ta det ett stykke på en gang, og konvertere hver streng 207 00:10:54,090 --> 00:10:58,180 token, hvert ord, i setningen. 208 00:10:58,180 --> 00:10:59,580 >> Så vi tar ordet "til." 209 00:10:59,580 --> 00:11:01,650 Det er ingen konvertering at vi trenger å gjøre det. 210 00:11:01,650 --> 00:11:02,340 "Imponere." 211 00:11:02,340 --> 00:11:04,140 Det er ingen konvertering vi trenger å gjøre det. 212 00:11:04,140 --> 00:11:06,670 "Min" vil konvertere til "din". 213 00:11:06,670 --> 00:11:10,070 Og "sjef" vi skal bare la som "sjef". 214 00:11:10,070 --> 00:11:12,740 Og så til slutt, noe som ender med en periode, 215 00:11:12,740 --> 00:11:16,640 vi vil konvertere den til et spørsmål. 216 00:11:16,640 --> 00:11:22,600 >> Denne svært enkel mønstergjenkjenning er faktisk ganske vellykket. 217 00:11:22,600 --> 00:11:27,260 Og da dette ble innført i 1966-- Joseph Weizenbaum 218 00:11:27,260 --> 00:11:28,986 programmert dette på en datamaskin. 219 00:11:28,986 --> 00:11:31,110 Nå, datamaskiner på den tiden var ikke stasjonære modeller. 220 00:11:31,110 --> 00:11:33,950 De ble delt ressurser. 221 00:11:33,950 --> 00:11:39,090 Og hans elever ville gå og prate med ELIZA. 222 00:11:39,090 --> 00:11:41,570 Til slutt måtte han begrense tilgangen til det 223 00:11:41,570 --> 00:11:43,890 fordi hans elever var ikke å få arbeidet gjort. 224 00:11:43,890 --> 00:11:46,190 De ble bare chatter med ELIZA. 225 00:11:46,190 --> 00:11:48,850 Og, faktisk, måtte han fyre hans assistent, som 226 00:11:48,850 --> 00:11:55,840 brukte all sin tid på å snakke ELIZA om hennes dype og bekymringsfulle problemer. 227 00:11:55,840 --> 00:12:00,350 >> Alle som brukte disse systemene begynte å anthropomorphize dem. 228 00:12:00,350 --> 00:12:04,490 De begynte å tenke på dem som å være levende og virkelige mennesker. 229 00:12:04,490 --> 00:12:07,969 De begynte å gjenkjenne noen av de tingene som de sa 230 00:12:07,969 --> 00:12:09,010 skulle komme tilbake til dem. 231 00:12:09,010 --> 00:12:12,120 Og de var å finne ut ting om seg selv. 232 00:12:12,120 --> 00:12:17,290 Og, faktisk, selv ekspertene, selv de psykoterapeuter, 233 00:12:17,290 --> 00:12:22,930 begynte å bekymre seg for at, faktisk, kanskje ELIZA ville være å erstatte dem. 234 00:12:22,930 --> 00:12:25,640 Og selv datamaskinen forskere bekymret for at vi var 235 00:12:25,640 --> 00:12:30,040 så nær løse naturlig språk. 236 00:12:30,040 --> 00:12:33,520 >> Nå, det var ikke noe sted i nærheten av sant. 237 00:12:33,520 --> 00:12:37,280 Men det er hvordan imponerende disse systemene kan virke. 238 00:12:37,280 --> 00:12:40,080 Så la oss begynne å lete under og prøv 239 00:12:40,080 --> 00:12:46,190 å få en liten bit av et spørsmål hvor denne koden faktisk skjer. 240 00:12:46,190 --> 00:12:48,170 Så vi vil gjøre denne koden tilgjengelig etterpå. 241 00:12:48,170 --> 00:12:50,880 Og dette er en veldig enkel og direkte port 242 00:12:50,880 --> 00:12:53,240 av den opprinnelige ELIZA gjennomføringen. 243 00:12:53,240 --> 00:12:56,350 >> Så noen av disse stilistiske ting som du ser her 244 00:12:56,350 --> 00:12:59,360 er ikke stilistisk hva Vi ønsker at du skal gjøre 245 00:12:59,360 --> 00:13:01,480 eller hva vi har vært lærer deg å gjøre. 246 00:13:01,480 --> 00:13:04,770 Men vi har prøvd å holde dem samme på tvers av mange porter 247 00:13:04,770 --> 00:13:08,087 at dette har hatt så at det har smaken av den opprinnelige. 248 00:13:08,087 --> 00:13:09,920 Så vi kommer til å omfatte en haug av ting, 249 00:13:09,920 --> 00:13:12,920 og så får vi ha en sett av nøkkelord, ting 250 00:13:12,920 --> 00:13:16,460 som ELIZA vil gjenkjenne og svare på direkte. 251 00:13:16,460 --> 00:13:20,780 Så hvis du har ord som "kan du" eller "Jeg vet ikke" eller "nei" 252 00:13:20,780 --> 00:13:24,680 eller "ja" eller "drøm" eller "hallo", deretter ELIZA 253 00:13:24,680 --> 00:13:27,920 vil reagere selektivt til dem. 254 00:13:27,920 --> 00:13:30,010 Vi vil også ha en visst antall ting 255 00:13:30,010 --> 00:13:34,940 at vi vil bytte, som konvertere "min" til "din". 256 00:13:34,940 --> 00:13:39,920 >> Og så vil vi ha et sett av svar at for hver av disse søkeordene, 257 00:13:39,920 --> 00:13:42,580 vi vil rotere gjennom disse ulike reaksjoner. 258 00:13:42,580 --> 00:13:45,350 Så hvis jeg sier "ja" tre ganger på rad, jeg 259 00:13:45,350 --> 00:13:50,429 kan få tre forskjellige svar fra ELIZA. 260 00:13:50,429 --> 00:13:52,345 Koden vår, da, er faktisk utrolig enkelt. 261 00:13:52,345 --> 00:13:59,490 Hvis jeg ruller nedover forbi alle disse svarene som vi har programmert i 262 00:13:59,490 --> 00:14:02,920 og vi komme ned til vår viktigste, vi kommer til å initial 263 00:14:02,920 --> 00:14:06,540 et par forskjellige variabler og gjøre litt av rengjøring 264 00:14:06,540 --> 00:14:08,480 i begynnelsen. 265 00:14:08,480 --> 00:14:11,760 Men så er det absolutt et sett kode som du kan forstå. 266 00:14:11,760 --> 00:14:15,820 En stor mens loop som sier jeg er kommer til å gjenta dette om og om igjen. 267 00:14:15,820 --> 00:14:20,420 Jeg skal lese i en linje, og jeg skal lagre det i en inngang streng. 268 00:14:20,420 --> 00:14:23,880 Jeg skal sjekke og se om det er den spesiell søkeord "bye", som 269 00:14:23,880 --> 00:14:26,199 betyr avslutte programmet. 270 00:14:26,199 --> 00:14:29,240 Og så skal jeg sjekke og se om noen er bare å gjenta seg selv 271 00:14:29,240 --> 00:14:29,800 igjen og igjen. 272 00:14:29,800 --> 00:14:31,174 Og jeg skal kjefte på dem hvis de gjør. 273 00:14:31,174 --> 00:14:34,820 Jeg vil si "ikke gjenta deg selv." 274 00:14:34,820 --> 00:14:40,500 >> Så lenge ingen av disse skje, vil vi deretter skanne gjennom og sløyfe gjennom, 275 00:14:40,500 --> 00:14:45,330 på linjene 308 til 313 her, og sjekke og se 276 00:14:45,330 --> 00:14:49,090 er noen av de som søkeord setninger som finnes i inngangs 277 00:14:49,090 --> 00:14:50,620 at jeg ble bare gitt? 278 00:14:50,620 --> 00:14:54,845 Hvis det er en match for dem, vel Da skal jeg huske det stedet. 279 00:14:54,845 --> 00:14:57,050 Jeg kommer til å huske dette søkeordet. 280 00:14:57,050 --> 00:14:58,620 Og jeg skal være i stand til å bygge et svar. 281 00:14:58,620 --> 00:15:03,150 >> Hvis jeg ikke finner en, vel da, det siste i søkeordet mitt utvalg 282 00:15:03,150 --> 00:15:08,070 vil være min standard svar, når ingenting annet kamper. 283 00:15:08,070 --> 00:15:14,160 Jeg vil stille spørsmål som «Hvorfor gjorde du kommer hit? "eller" Hvordan kan jeg hjelpe deg? " 284 00:15:14,160 --> 00:15:19,710 som er bare delvis riktig uansett hva input er. 285 00:15:19,710 --> 00:15:22,580 >> Vi vil deretter bygge opp ELIZA respons. 286 00:15:22,580 --> 00:15:26,040 Vi vil være i stand til å ta at basen respons, 287 00:15:26,040 --> 00:15:28,370 akkurat som vi gjorde i det "sjefen min" eksempel. 288 00:15:28,370 --> 00:15:30,970 289 00:15:30,970 --> 00:15:33,990 Hvis det er alt som det er-- om det bare er én 290 00:15:33,990 --> 00:15:36,860 streng som jeg skal respond-- Jeg kan bare sende den ut igjen. 291 00:15:36,860 --> 00:15:40,610 Hvis den har en stjerne på slutten av det, så skal jeg 292 00:15:40,610 --> 00:15:45,710 behandle hver enkelt token i resten av brukerens svar 293 00:15:45,710 --> 00:15:51,590 og legge de i, bytte ut ord for ord som jeg må. 294 00:15:51,590 --> 00:15:56,100 >> Alt dette er helt noe som du kan bygge. 295 00:15:56,100 --> 00:15:59,230 Og faktisk, de måtene vi har bearbeidet kommandolinjeargumentene, 296 00:15:59,230 --> 00:16:03,570 den måten som du har behandlet gjennom HTTP-forespørsler 297 00:16:03,570 --> 00:16:05,510 følge de samme typer regler. 298 00:16:05,510 --> 00:16:08,220 De er mønstergjenkjenning. 299 00:16:08,220 --> 00:16:15,170 >> Så ELIZA hadde en relativt viktig innvirkning på naturlig språk 300 00:16:15,170 --> 00:16:21,620 fordi det gjorde det virke som om det var en svært oppnåelige mål, som en eller annen måte ville vi 301 00:16:21,620 --> 00:16:25,550 være i stand til å løse dette problemet direkte. 302 00:16:25,550 --> 00:16:30,670 Nå, det er ikke å si at ELIZA gjør alt som vi ønsker å gjøre. 303 00:16:30,670 --> 00:16:33,710 Absolutt ikke. 304 00:16:33,710 --> 00:16:35,660 Men vi bør kunne å gjøre noe mer. 305 00:16:35,660 --> 00:16:38,280 306 00:16:38,280 --> 00:16:41,490 >> Vårt første skritt å gå utover ELIZA kommer 307 00:16:41,490 --> 00:16:44,840 å være i stand til å se på ikke tekst som blir skrevet 308 00:16:44,840 --> 00:16:53,750 i tastaturet, men tale, faktiske tale spilt inn i en mikrofon. 309 00:16:53,750 --> 00:16:56,880 Så som vi ser på disse forskjellige stykker, vi er 310 00:16:56,880 --> 00:17:00,304 nødt til å bygge opp et sett av modeller. 311 00:17:00,304 --> 00:17:02,970 Vi er nødt til å være i stand å gå fra lavt nivå akustisk 312 00:17:02,970 --> 00:17:07,180 information-- banen, amplitude, frequency-- 313 00:17:07,180 --> 00:17:09,530 og konvertere til noen enheter som vi er 314 00:17:09,530 --> 00:17:14,619 i stand til lettere å manipulere og endelig, manipulere dem 315 00:17:14,619 --> 00:17:18,609 i ord og setninger. 316 00:17:18,609 --> 00:17:22,880 >> Så de fleste talegjenkjenning systemer som er der ute i dag 317 00:17:22,880 --> 00:17:26,069 følger en statistisk modell hvor vi bygger 318 00:17:26,069 --> 00:17:35,090 tre separate fremstillinger av hva at lydsignalet faktisk inneholder. 319 00:17:35,090 --> 00:17:38,640 Vi starter med en fonetisk modell som snakker om bare basen 320 00:17:38,640 --> 00:17:41,250 lyder som jeg produserer. 321 00:17:41,250 --> 00:17:46,900 Er jeg produsere noe som er en B som i gutt eller en D som i hund? 322 00:17:46,900 --> 00:17:53,220 Hvordan gjenkjenner jeg de to forskjellige telefoner som atskilt og forskjellig? 323 00:17:53,220 --> 00:17:56,600 >> På toppen av det, vil vi deretter bygge et ord uttale modell, 324 00:17:56,600 --> 00:18:01,350 noe som knytter sammen de individuelle telefoner 325 00:18:01,350 --> 00:18:04,724 og kombinerer dem i et ord. 326 00:18:04,724 --> 00:18:07,890 Og etter det, vil vi ta ordene og vi vil montere dem med et språk 327 00:18:07,890 --> 00:18:13,010 modellere inn i en fullstendig setning. 328 00:18:13,010 --> 00:18:17,230 >> Nå skal vi snakke om hver av disse selvstendig og separat. 329 00:18:17,230 --> 00:18:21,580 Men disse tre modellene er alle bare skal være statistikk. 330 00:18:21,580 --> 00:18:23,502 Og det betyr at når vi jobbe med dem, vil vi 331 00:18:23,502 --> 00:18:25,376 kunne arbeide med dem alle samtidig. 332 00:18:25,376 --> 00:18:28,100 333 00:18:28,100 --> 00:18:28,600 Greit. 334 00:18:28,600 --> 00:18:30,890 La oss starte med vår fonetisk modell. 335 00:18:30,890 --> 00:18:34,470 Så fonetiske modeller stole på en beregningsteknikk 336 00:18:34,470 --> 00:18:37,320 kalt skjulte Markovmodeller. 337 00:18:37,320 --> 00:18:43,050 Disse er grafiske modeller der jeg har og gjenkjenne en tilstand av verden 338 00:18:43,050 --> 00:18:46,500 som er kjennetegnet av et sett med funksjoner. 339 00:18:46,500 --> 00:18:51,960 Og at staten beskriver én del av en handling som jeg er engasjert i. 340 00:18:51,960 --> 00:19:00,190 >> Så hvis jeg tenke på å gjøre lyden "ma" som mor, 341 00:19:00,190 --> 00:19:03,970 det er annerledes komponenter til den lyden. 342 00:19:03,970 --> 00:19:07,230 Det er en del der jeg trekker inn pusten. 343 00:19:07,230 --> 00:19:09,560 Og da jeg vesken mine lepper. 344 00:19:09,560 --> 00:19:13,710 Og jeg rulle mine lepper litt tilbake litt å gjøre at "ma" lyd. 345 00:19:13,710 --> 00:19:15,340 Og så er det en utgivelse. 346 00:19:15,340 --> 00:19:17,020 Mine lepper komme fra hverandre. 347 00:19:17,020 --> 00:19:19,030 Air blir utvist. 348 00:19:19,030 --> 00:19:22,650 "Ma". 349 00:19:22,650 --> 00:19:29,250 >> De tre ulike deler ville være representert ved statene i denne graph-- 350 00:19:29,250 --> 00:19:33,420 starten, midten og slutten. 351 00:19:33,420 --> 00:19:38,060 Og jeg ville ha overganger som tillatt meg å reise fra en tilstand 352 00:19:38,060 --> 00:19:42,260 til den neste med en viss sannsynlighet. 353 00:19:42,260 --> 00:19:47,250 Så, for eksempel at M høres kanskje har en veldig, 354 00:19:47,250 --> 00:19:51,850 svært kort inntak på beginning-- "mm" - og deretter et lengre, 355 00:19:51,850 --> 00:19:55,640 vibrasjons fase der jeg holder min leppene sammen og nesten humming-- 356 00:19:55,640 --> 00:20:05,090 "mmmm" - og deretter en svært kort plosiv hvor jeg utvise breath-- "ma". 357 00:20:05,090 --> 00:20:09,370 >> Den skjulte Markov modellen er utformet for å fange opp det faktum 358 00:20:09,370 --> 00:20:13,340 at den måten som jeg gjør at lyden "ma" kommer 359 00:20:13,340 --> 00:20:17,350 å være litt annerledes i sin timing, er frekvens, 360 00:20:17,350 --> 00:20:21,030 og dets funksjoner enn den måten at du gjør det 361 00:20:21,030 --> 00:20:23,300 eller den måten at jeg kanskje gjøre det når jeg snakker 362 00:20:23,300 --> 00:20:26,030 om ulik bruk av brevet. 363 00:20:26,030 --> 00:20:33,240 "Mor" og "kan jeg" vil høres litt annerledes. 364 00:20:33,240 --> 00:20:36,800 >> Så for å gjenkjenne en bestemt lyd, ville vi 365 00:20:36,800 --> 00:20:42,020 bygge Markov modeller, disse skjulte Markov modeller, av alle mulige telefonen at jeg 366 00:20:42,020 --> 00:20:45,840 kanskje vil kjenne igjen, alle mulige lyd, 367 00:20:45,840 --> 00:20:49,750 og deretter se på akustiske data som jeg har 368 00:20:49,750 --> 00:20:54,430 og bestemme statistisk hvilken som er mest sannsynlig en 369 00:20:54,430 --> 00:20:58,110 å ha produsert denne lyden. 370 00:20:58,110 --> 00:20:58,610 OK. 371 00:20:58,610 --> 00:21:01,540 372 00:21:01,540 --> 00:21:06,750 Med denne modellen, vi så begynne å bygge på toppen av det. 373 00:21:06,750 --> 00:21:09,330 Vi tar en uttale modell. 374 00:21:09,330 --> 00:21:11,790 Nå, noen ganger uttale modellene er enkle og lett 375 00:21:11,790 --> 00:21:14,440 fordi det er bare én måte å uttale noe. 376 00:21:14,440 --> 00:21:17,990 Andre ganger, de er en litt mer komplisert. 377 00:21:17,990 --> 00:21:21,340 Her er en uttale guide for det røde ting som er 378 00:21:21,340 --> 00:21:25,210 en frukt som du gjør ketchup ut av. 379 00:21:25,210 --> 00:21:27,360 Folk tror ikke det er en frukt. 380 00:21:27,360 --> 00:21:27,860 Høyre? 381 00:21:27,860 --> 00:21:30,880 382 00:21:30,880 --> 00:21:35,300 >> Nå er det mange forskjellige måter at folk vil uttale dette ordet. 383 00:21:35,300 --> 00:21:37,780 Noen vil si "toe-mai-tå." 384 00:21:37,780 --> 00:21:40,880 Noen vil si "toe-mah-tå." 385 00:21:40,880 --> 00:21:44,800 Og vi kan fange opp at med en av disse grafiske modeller 386 00:21:44,800 --> 00:21:48,305 der, igjen, representerer vi overganger som å ha en viss sannsynlighet 387 00:21:48,305 --> 00:21:51,360 og tilhørende sannsynlighet med dem. 388 00:21:51,360 --> 00:21:58,290 >> Så i dette tilfellet, hvis jeg skulle følge toppen ruten gjennom hele denne grafen, 389 00:21:58,290 --> 00:22:03,330 Jeg ville bli som starter på bokstaven lengst til venstre, den "ta" lyd. 390 00:22:03,330 --> 00:22:07,570 Jeg ville ta den øverste halvdelen, den "oh", og deretter en "ma" 391 00:22:07,570 --> 00:22:14,530 og deretter en "a", og deretter en "ta", og en "oh". "Toe-may-tå." 392 00:22:14,530 --> 00:22:19,610 Hvis jeg tok den nederste banen gjennom dette, vil jeg få "ta-mah-tå." 393 00:22:19,610 --> 00:22:26,810 Og hvis jeg gikk ned og deretter opp, jeg ville få "ta-may-tå." 394 00:22:26,810 --> 00:22:29,950 >> Disse modellene fange disse forskjeller fordi når 395 00:22:29,950 --> 00:22:32,410 vi distribuere en av disse anerkjennelse systemer, 396 00:22:32,410 --> 00:22:35,340 det er nødt til å jobbe med massevis av forskjellige slags mennesker, 397 00:22:35,340 --> 00:22:39,295 mange forskjellige aksenter, og selv ulik bruk av de samme ordene. 398 00:22:39,295 --> 00:22:42,204 399 00:22:42,204 --> 00:22:44,120 Endelig på toppen av det, vi vil bygge noe 400 00:22:44,120 --> 00:22:48,780 som ser veldig komplisert, kalt språkmodell, 401 00:22:48,780 --> 00:22:52,950 men i virkeligheten er den enkleste av de tre fordi disse opererer 402 00:22:52,950 --> 00:22:56,041 på det som kalles n-gram-modeller. 403 00:22:56,041 --> 00:23:02,270 Og i dette tilfellet, jeg viser deg en to-del n-gram-modellen, en bigram. 404 00:23:02,270 --> 00:23:08,910 Vi kommer til å gjøre fysisk ideen at noen ganger, enkelte ord er 405 00:23:08,910 --> 00:23:14,680 mer sannsynlig å følge en gitt ord enn andre. 406 00:23:14,680 --> 00:23:25,210 Hvis jeg bare sa "værvarsel" neste ord kunne sannsynligvis være "i dag" 407 00:23:25,210 --> 00:23:31,510 eller kan være "været time i morgen. " 408 00:23:31,510 --> 00:23:38,870 Men det er lite sannsynlig å være " værvarselet artisjokk. " 409 00:23:38,870 --> 00:23:42,980 >> Hva en språkmodell gjør er den fanger de statistisk 410 00:23:42,980 --> 00:23:47,450 ved å telle, fra noen svært store corpus, alle de instanser 411 00:23:47,450 --> 00:23:50,890 hvori ett ord følger hverandre. 412 00:23:50,890 --> 00:23:54,300 Så hvis jeg tar et stort corpus-- som hver Wall Street Journal 413 00:23:54,300 --> 00:24:00,750 som har vært produsert siden 1930, som er en av de standard corpuses-- 414 00:24:00,750 --> 00:24:03,910 og jeg ser gjennom alle som tekst, og jeg teller 415 00:24:03,910 --> 00:24:09,770 opp hvor mange ganger etter "prognose" ser jeg "i dag" 416 00:24:09,770 --> 00:24:17,454 og hvor mange ganger jeg ser gjøre "prognose" etterfulgt av "artisjokk," 417 00:24:17,454 --> 00:24:19,370 det første en kommer å være mye mer sannsynlig. 418 00:24:19,370 --> 00:24:21,540 Det kommer til å dukke opp langt oftere. 419 00:24:21,540 --> 00:24:24,610 Og så det vil ha en høyere sannsynlighet knyttet til den. 420 00:24:24,610 --> 00:24:27,340 >> Hvis jeg ønsker å finne ut av Sannsynligheten for en hel ytring, 421 00:24:27,340 --> 00:24:29,940 da, jeg bare bryte den opp. 422 00:24:29,940 --> 00:24:35,990 Derfor er sannsynligheten for høre setningen "rotta spiste ost" 423 00:24:35,990 --> 00:24:39,110 er sannsynligheten for ordet "" start en setning, 424 00:24:39,110 --> 00:24:42,540 og så sannsynligheten for at Ordet "rotte" følger ordet "på", 425 00:24:42,540 --> 00:24:44,910 og sannsynligheten for at Ordet "spiste" følger "rotte" 426 00:24:44,910 --> 00:24:51,120 og sannsynligheten for at "ost" følger "spiste". 427 00:24:51,120 --> 00:24:55,160 >> Dette høres ut som en masse statistikk, mye av sannsynligheter. 428 00:24:55,160 --> 00:24:57,510 Og det er alt som det er. 429 00:24:57,510 --> 00:25:02,920 Men det utrolige er hvis du gjør dette med en stor nok prøve av data, 430 00:25:02,920 --> 00:25:03,670 det fungerer. 431 00:25:03,670 --> 00:25:05,250 Og det fungerer enormt godt. 432 00:25:05,250 --> 00:25:07,810 433 00:25:07,810 --> 00:25:11,420 Vi vet alle disse teknologiene. 434 00:25:11,420 --> 00:25:16,500 De fleste operativsystemer kommer med talegjenkjenning på dette punktet. 435 00:25:16,500 --> 00:25:20,940 Vi bruker Siri og Cortana og Echo. 436 00:25:20,940 --> 00:25:25,070 Og disse tingene er basert på denne type av tre-lags model-- 437 00:25:25,070 --> 00:25:30,620 en fonetisk modell på bunnen, en uttale modellen i midten, 438 00:25:30,620 --> 00:25:33,690 og en språkmodell på toppen av dem. 439 00:25:33,690 --> 00:25:37,630 >> Nå må de gjøre litt mer enn at for å svare på spørsmål. 440 00:25:37,630 --> 00:25:43,000 Men erkjennelsen av hva du er ordtaket avhenger akkurat på det. 441 00:25:43,000 --> 00:25:45,700 Så la oss ta et eksempel her. 442 00:25:45,700 --> 00:25:52,020 Så jeg har telefonen min sitter her oppe under dokumentkameraet. 443 00:25:52,020 --> 00:25:56,110 Og vi kommer til å spør Siri noen spørsmål. 444 00:25:56,110 --> 00:25:57,150 Greit? 445 00:25:57,150 --> 00:25:59,940 >> Så la oss våkne opp telefonen min her. 446 00:25:59,940 --> 00:26:02,710 447 00:26:02,710 --> 00:26:05,000 Siri, hva er været som i New Haven i dag? 448 00:26:05,000 --> 00:26:07,670 449 00:26:07,670 --> 00:26:10,780 >> SIRI: Her er været for New Haven, Connecticut i dag. 450 00:26:10,780 --> 00:26:11,890 >> BRIAN SCASSELLATI: OK. 451 00:26:11,890 --> 00:26:16,720 Så første du så at Siri anerkjent hver av de enkelte ord 452 00:26:16,720 --> 00:26:19,050 og deretter produsert en respons. 453 00:26:19,050 --> 00:26:22,277 Vi skal snakke om hvordan dette svaret kommer om i en liten bit. 454 00:26:22,277 --> 00:26:24,110 Men nå som vi vet at dette er bare basert 455 00:26:24,110 --> 00:26:28,880 på den rå statistikk og dette mønstergjenkjenning type tilnærming, 456 00:26:28,880 --> 00:26:31,120 vi kan spille noen kamper med Siri. 457 00:26:31,120 --> 00:26:34,560 >> Så jeg kan prøve igjen. 458 00:26:34,560 --> 00:26:38,864 Siri, hva er været flodhest New Haven, i dag? 459 00:26:38,864 --> 00:26:39,810 >> SIRI: OK. 460 00:26:39,810 --> 00:26:44,245 Her er værmeldingen for New Haven, Connecticut for i dag. 461 00:26:44,245 --> 00:26:46,120 BRIAN SCASSELLATI: Siri ikke daunted av at 462 00:26:46,120 --> 00:26:50,980 fordi det er funnet pattern-- "vær", "i dag", "New Haven." 463 00:26:50,980 --> 00:26:54,420 Det er hva det er å svare til, akkurat som ELIZA. 464 00:26:54,420 --> 00:26:54,920 Greit. 465 00:26:54,920 --> 00:26:59,390 La oss gi den en mer selv mer latterlig eksempel. 466 00:26:59,390 --> 00:27:03,075 Siri, vær artisjokk armadillo flodhest New Haven? 467 00:27:03,075 --> 00:27:06,806 468 00:27:06,806 --> 00:27:08,400 >> SIRI: La meg se på det. 469 00:27:08,400 --> 00:27:11,280 Her er hva jeg fant på nettet for hva er artisjokker armadillo 470 00:27:11,280 --> 00:27:13,780 flodhest New Haven. 471 00:27:13,780 --> 00:27:14,760 >> BRIAN SCASSELLATI: OK. 472 00:27:14,760 --> 00:27:20,400 Så hvis jeg går langt nok bort fra denne modellen, 473 00:27:20,400 --> 00:27:24,365 Jeg er i stand til å forvirre det fordi det ikke lenger samsvarer med mønsteret som den har. 474 00:27:24,365 --> 00:27:27,370 475 00:27:27,370 --> 00:27:29,390 Og at statistisk motor som sier: 476 00:27:29,390 --> 00:27:32,850 hva er sannsynligheten for at du har fått ordene flodhest og artisjokk 477 00:27:32,850 --> 00:27:34,440 sammen, og armadillo? 478 00:27:34,440 --> 00:27:36,050 Det må være noe nytt. 479 00:27:36,050 --> 00:27:38,840 480 00:27:38,840 --> 00:27:40,610 >> Så disse teknologiene vi bruker hver dag. 481 00:27:40,610 --> 00:27:43,670 482 00:27:43,670 --> 00:27:47,800 Hvis vi ønsker å ta dem ett skritt videre, men hvis vi faktisk 483 00:27:47,800 --> 00:27:53,930 ønsker å være i stand til å snakke om hva det er at disse systemene er å svare på, 484 00:27:53,930 --> 00:28:00,630 vi må snakke, igjen, om en mer grunnleggende sett med spørsmål. 485 00:28:00,630 --> 00:28:05,370 Og det er et tema i kommunikasjon som vi kaller spørsmålet telefonsvarer. 486 00:28:05,370 --> 00:28:07,028 Det vil si at vi ønsker å kunne to-- ja? 487 00:28:07,028 --> 00:28:07,944 PUBLIKUM: [uhørlig]. 488 00:28:07,944 --> 00:28:10,789 489 00:28:10,789 --> 00:28:13,330 BRIAN SCASSELLATI: Får vi inn latent semantisk prosessering? 490 00:28:13,330 --> 00:28:14,070 Så ja. 491 00:28:14,070 --> 00:28:17,820 Det er mange ting som er skjer under overflaten med Siri 492 00:28:17,820 --> 00:28:20,210 og i noen av eksemplene Jeg kommer til å vise deg neste 493 00:28:20,210 --> 00:28:22,610 hvor det er ganske mye i form av strukturen 494 00:28:22,610 --> 00:28:25,260 av det du sier som er viktig. 495 00:28:25,260 --> 00:28:31,890 Og, faktisk, det er en stor forløper for neste lysbilde for meg. 496 00:28:31,890 --> 00:28:35,110 >> Så på samme måte som vår talegjenkjenning ble bygd opp 497 00:28:35,110 --> 00:28:39,620 av flere lag, hvis vi ønsker å forstå hva det er som faktisk er 498 00:28:39,620 --> 00:28:44,620 blir sagt, skal vi igjen avhengig av et flerlagsanalyse 499 00:28:44,620 --> 00:28:47,020 av teksten som blir gjenkjent. 500 00:28:47,020 --> 00:28:52,560 Så når Siri er faktisk i stand til å si, ser jeg fant disse ordene. 501 00:28:52,560 --> 00:28:55,230 Nå hva gjør jeg med dem? 502 00:28:55,230 --> 00:28:59,110 Den første komponenten er ofte gå gjennom og prøve å analysere 503 00:28:59,110 --> 00:29:03,010 strukturen av setningen. 504 00:29:03,010 --> 00:29:05,410 Og hva har vi sett i grunnskolen, ofte, 505 00:29:05,410 --> 00:29:08,920 som liksom diagram setninger, skal vi 506 00:29:08,920 --> 00:29:12,774 å erkjenne at visse ord har visse roller. 507 00:29:12,774 --> 00:29:13,440 Dette er substantiver. 508 00:29:13,440 --> 00:29:14,231 Dette er pronomen. 509 00:29:14,231 --> 00:29:16,200 Dette er verb. 510 00:29:16,200 --> 00:29:19,460 Og vi kommer til å kjenne igjen at for en bestemt grammatikk, 511 00:29:19,460 --> 00:29:24,700 i dette tilfelle engelsk grammatikk, er gyldige måter som jeg kan kombinere dem 512 00:29:24,700 --> 00:29:26,280 og andre måter som ikke er gyldige. 513 00:29:26,280 --> 00:29:29,920 514 00:29:29,920 --> 00:29:33,870 >> At anerkjennelse, som struktur, kan være nok til å hjelpe oss 515 00:29:33,870 --> 00:29:36,720 en liten bit. 516 00:29:36,720 --> 00:29:39,820 Men det er ikke nok for oss å være i stand til å gi 517 00:29:39,820 --> 00:29:43,290 noen mening til hva som blir sagt her. 518 00:29:43,290 --> 00:29:46,615 For å gjøre det, må vi stole på viss mengde semantisk behandling. 519 00:29:46,615 --> 00:29:49,590 520 00:29:49,590 --> 00:29:55,080 Det vil si, vi er nødt til å se på under hva hver av disse ordene 521 00:29:55,080 --> 00:29:57,400 faktisk bærer som en mening. 522 00:29:57,400 --> 00:30:01,150 Og den enkleste måten å gjøre dette på, vi kommer til å assosiere med hvert ord 523 00:30:01,150 --> 00:30:06,930 at vi kjenner en viss funksjon, en viss transformasjon som det 524 00:30:06,930 --> 00:30:09,300 tillater å skje. 525 00:30:09,300 --> 00:30:14,470 >> I dette tilfellet kan vi merke Ordet "John" som et egennavn, 526 00:30:14,470 --> 00:30:18,160 at den bærer med seg en identitet. 527 00:30:18,160 --> 00:30:21,530 Og vi kan merke "Mary" som på samme måte. 528 00:30:21,530 --> 00:30:27,900 Mens et verb som "elsker", som utgjør en bestemt relasjon 529 00:30:27,900 --> 00:30:31,582 at vi er i stand til å representere. 530 00:30:31,582 --> 00:30:33,290 Nå betyr det ikke at vi forstår 531 00:30:33,290 --> 00:30:37,680 hva kjærlighet er, men bare at vi forstår Det i form av et symbolsk system. 532 00:30:37,680 --> 00:30:40,480 Det vil si, vi kan merke det og manipulere det. 533 00:30:40,480 --> 00:30:44,230 534 00:30:44,230 --> 00:30:49,120 >> Med hver av disse typer av fremgangsmåter, hvilken som helst type av semantisk prosessering 535 00:30:49,120 --> 00:30:57,060 her kommer til å kreve en liten bit av kunnskap og mye arbeid 536 00:30:57,060 --> 00:30:59,020 fra vår side. 537 00:30:59,020 --> 00:31:03,590 Vi er ikke lenger i riket hvor bare ren statistikk 538 00:31:03,590 --> 00:31:07,320 kommer til å være nok for oss. 539 00:31:07,320 --> 00:31:11,330 Nå, for å gå fra dette punkt til å bli 540 00:31:11,330 --> 00:31:15,520 i stand til å snakke om innsiden av hva som faktisk skjer her, 541 00:31:15,520 --> 00:31:19,640 å være i stand til å manipulere denne strukturere og forstå et spørsmål 542 00:31:19,640 --> 00:31:23,160 og deretter å kunne for å gå ut og søke, 543 00:31:23,160 --> 00:31:27,290 som krever en mer kompleks kognitiv modell. 544 00:31:27,290 --> 00:31:34,880 >> Den måten som disse systemene er bygget er for det meste veldig, veldig arbeids 545 00:31:34,880 --> 00:31:36,350 intensiv. 546 00:31:36,350 --> 00:31:39,490 De involverer mennesker bruke mye 547 00:31:39,490 --> 00:31:44,100 tid strukturere måter i som slike setninger 548 00:31:44,100 --> 00:31:47,270 kan representeres på en eller annen logikk. 549 00:31:47,270 --> 00:31:51,639 550 00:31:51,639 --> 00:31:53,430 Det blir enda litt mer komplekse, men. 551 00:31:53,430 --> 00:31:56,400 552 00:31:56,400 --> 00:31:59,660 >> Selv når vi har jobbet med semantikk, vil vi 553 00:31:59,660 --> 00:32:03,860 har fortsatt å se på pragmatikk av hva som blir sagt. 554 00:32:03,860 --> 00:32:08,620 Det vil si, hvordan jeg forholder ordene at jeg må noe fysisk ut 555 00:32:08,620 --> 00:32:12,054 der ute i verden eller i det minste noen informasjonskilde 556 00:32:12,054 --> 00:32:12,970 at jeg kan manipulere? 557 00:32:12,970 --> 00:32:15,780 558 00:32:15,780 --> 00:32:20,790 >> Noen ganger, disse føre til fantastiske biter av tvetydighet. 559 00:32:20,790 --> 00:32:24,470 "Red-hot stjerne til gifte astronom." 560 00:32:24,470 --> 00:32:25,630 OK. 561 00:32:25,630 --> 00:32:28,540 Nå leser vi at etter hvert som morsom type overskrift 562 00:32:28,540 --> 00:32:34,690 at vi vil se på sen kveld TV fordi vi ikke tolke "stjerne" 563 00:32:34,690 --> 00:32:38,630 å ha sin himmellegeme mening. 564 00:32:38,630 --> 00:32:43,390 Vi vet at det vil si jo mer vanlig skuespiller 565 00:32:43,390 --> 00:32:45,240 med høye mengder av sikten. 566 00:32:45,240 --> 00:32:47,770 567 00:32:47,770 --> 00:32:51,950 >> "Squad hjelper hunden bite offeret." 568 00:32:51,950 --> 00:32:55,550 Er det at troppen er faktisk der ute hjelpe en hund 569 00:32:55,550 --> 00:32:59,620 i går rundt og bite ofre? 570 00:32:59,620 --> 00:33:02,380 Eller er det slik at det var en person som var 571 00:33:02,380 --> 00:33:04,625 bitt av en hund som trengte litt hjelp? 572 00:33:04,625 --> 00:33:07,650 573 00:33:07,650 --> 00:33:11,480 Bare fra å se på syntaksen og semantikk setningene, 574 00:33:11,480 --> 00:33:14,660 Vi kan ikke bestemme det. 575 00:33:14,660 --> 00:33:22,000 >> "Helikopter drevet av menneske fluer." 576 00:33:22,000 --> 00:33:27,330 Er det faktisk faktiske småting flyr rundt som 577 00:33:27,330 --> 00:33:34,510 er mennesker med vinger slår helikoptre til det gode for menneskeheten? 578 00:33:34,510 --> 00:33:38,960 Eller er det en mekanisk innretning som får sin strøm fra en person? 579 00:33:38,960 --> 00:33:41,600 580 00:33:41,600 --> 00:33:46,500 >> Når vi ser på spørsmålet svarsystemer, 581 00:33:46,500 --> 00:33:51,110 disse er de lag som vi trenger å forholde seg til. 582 00:33:51,110 --> 00:33:54,890 Nå, den beste og den mest sortere av utbredt av disse systemene 583 00:33:54,890 --> 00:34:00,640 dag er i stand til å gjøre ting på et nivå som er 584 00:34:00,640 --> 00:34:05,050 langt utover det vi hadde for 10 år siden. 585 00:34:05,050 --> 00:34:08,210 Her er en av de beste systemene som er der ute i dag. 586 00:34:08,210 --> 00:34:10,519 Og dette er et system fra IBM heter Watson. 587 00:34:10,519 --> 00:34:13,040 588 00:34:13,040 --> 00:34:15,500 Dette er fra våre venner i IBM. 589 00:34:15,500 --> 00:34:19,810 Dette er Katherine banker, Jia Chen, og Priscilla Moraes gi oss 590 00:34:19,810 --> 00:34:26,323 en demonstrasjon av Watson i går i IBM Yorktown. 591 00:34:26,323 --> 00:34:26,989 [VIDEO PLAYBACK] 592 00:34:26,989 --> 00:34:27,690 -Hvordan har du det? 593 00:34:27,690 --> 00:34:30,600 594 00:34:30,600 --> 00:34:31,980 >> -Jeg har det bra. 595 00:34:31,980 --> 00:34:35,429 Jeg er alltid glad når jeg er tenkning, spesielt når jeg 596 00:34:35,429 --> 00:34:38,920 kan være kul i disse serverrom. 597 00:34:38,920 --> 00:34:40,170 -Hvem Er din favoritt skuespiller? 598 00:34:40,170 --> 00:34:43,870 599 00:34:43,870 --> 00:34:47,555 >> -Min Favoritt skuespiller Angelina Jolie som Lara Croft 600 00:34:47,555 --> 00:34:54,800 i Tomb Raider fordi hennes opprinnelige formen var som en virtuell karakter som meg. 601 00:34:54,800 --> 00:34:56,760 >> -Hvordan Kan Watson hjelpe pasienter? 602 00:34:56,760 --> 00:34:59,700 603 00:34:59,700 --> 00:35:03,755 >> -Er Plan for pasienter til har tilgang til Watson direkte? 604 00:35:03,755 --> 00:35:08,050 Tilgang til Watson rådgivende søknader vil variere etter bruk tilfelle. 605 00:35:08,050 --> 00:35:12,630 Men i dag, vil Watson bare gi mulig diagnose og behandling 606 00:35:12,630 --> 00:35:14,725 alternativer til medisinsk faglig. 607 00:35:14,725 --> 00:35:17,680 Der det er hensiktsmessig, pasienter kan gi informasjon 608 00:35:17,680 --> 00:35:21,210 Watson, kanskje gjennom en portal webgrensesnitt, tablet, 609 00:35:21,210 --> 00:35:23,500 eller til og med en mobiltelefon. 610 00:35:23,500 --> 00:35:27,180 For eksempel kan en pasient være bedt om å beskrive sine symptomer 611 00:35:27,180 --> 00:35:30,460 i naturlig språk direkte inn i en Watson løsning, 612 00:35:30,460 --> 00:35:34,050 tillater legen å fokusere på diagnose og ikke datainnsamling. 613 00:35:34,050 --> 00:35:38,379 614 00:35:38,379 --> 00:35:42,716 >> -Hvem Myrdet Abraham Lincoln? 615 00:35:42,716 --> 00:35:46,153 >> -John Wilkes Booth. 616 00:35:46,153 --> 00:35:52,373 >> -I Hvilket år gjorde Arizona Diamondbacks vinne World Series? 617 00:35:52,373 --> 00:35:55,295 >> -2001. 618 00:35:55,295 --> 00:35:58,710 >> [END PLAYBACK] 619 00:35:58,710 --> 00:36:01,610 >> BRIAN SCASSELLATI: So slike systemer 620 00:36:01,610 --> 00:36:07,430 nødt til å stole på først og fremst gjenkjenne tale; sekund, 621 00:36:07,430 --> 00:36:12,200 omdanne den til en meningsfylt indre representasjon; og deretter, tredje, 622 00:36:12,200 --> 00:36:17,090 å være i stand til å gå ut og finne informasjonskilden som 623 00:36:17,090 --> 00:36:21,140 gir dem mulighet til å svare på det spørsmålet. 624 00:36:21,140 --> 00:36:27,320 Dette nivået av kompleksitet innebærer samme typer programmatiske ting 625 00:36:27,320 --> 00:36:31,790 at du har vært gjør i oppgavesett. 626 00:36:31,790 --> 00:36:38,000 >> Vi er i stand til å analysere HTTP-forespørsler i samme type lavt nivå mønster 627 00:36:38,000 --> 00:36:40,810 matching som ELIZA kan gjøre. 628 00:36:40,810 --> 00:36:45,070 Vi er i stand til å konvertere dem inn i en intern representasjon, 629 00:36:45,070 --> 00:36:50,360 og deretter bruke dem til å spørre noen ekstern database, muligens ved hjelp av SQL. 630 00:36:50,360 --> 00:36:53,530 631 00:36:53,530 --> 00:36:56,260 Alle systemene som Det bygges i dag 632 00:36:56,260 --> 00:37:00,520 for å gjøre denne type naturlig språklig kommunikasjon 633 00:37:00,520 --> 00:37:04,100 blir bygget på de samme prinsipper. 634 00:37:04,100 --> 00:37:09,530 >> Nå, med et system som Watson er ikke komplisert nok 635 00:37:09,530 --> 00:37:14,820 å være i stand til å svare på vilkårlig spørsmål om hvilket som helst tema. 636 00:37:14,820 --> 00:37:20,060 Og faktisk, de må være strukturert innenfor et gitt domene. 637 00:37:20,060 --> 00:37:24,440 Så du kan gå på nettet og du kan finne versjoner av Watson som opererer godt 638 00:37:24,440 --> 00:37:27,700 innen medisinsk informatikk. 639 00:37:27,700 --> 00:37:31,490 Eller det er en online som bare dreier seg om hvordan 640 00:37:31,490 --> 00:37:34,540 å gjøre gode anbefalinger om hva øl vil gå med noe mat. 641 00:37:34,540 --> 00:37:37,060 642 00:37:37,060 --> 00:37:41,870 Og innenfor disse domenene, det kan svare på spørsmål, 643 00:37:41,870 --> 00:37:46,130 finne informasjon om at det er behov for. 644 00:37:46,130 --> 00:37:48,270 >> Men du kan ikke mikse og matche dem. 645 00:37:48,270 --> 00:37:53,150 Systemet som er blitt opplært med databasen av mat og øl 646 00:37:53,150 --> 00:37:56,830 ikke fungerer godt når du plutselig sette den inn med medisinsk informatikk 647 00:37:56,830 --> 00:37:59,770 database. 648 00:37:59,770 --> 00:38:05,680 Så selv våre beste systemene i dag avhengig av et bearbeidings 649 00:38:05,680 --> 00:38:11,570 der vi hånden koding og bygge i infrastrukturen i orden 650 00:38:11,570 --> 00:38:13,275 for å gjøre dette systemet løpe. 651 00:38:13,275 --> 00:38:16,360 652 00:38:16,360 --> 00:38:20,710 >> Nå, den siste emnet jeg ønsker for å kunne komme til i dag 653 00:38:20,710 --> 00:38:23,960 handler om nonverbal kommunikasjon. 654 00:38:23,960 --> 00:38:29,290 En stor masse av informasjon som vi kommuniserer med hverandre 655 00:38:29,290 --> 00:38:35,490 ikke kommet til gjennom enkelte ord at vi søker. 656 00:38:35,490 --> 00:38:40,290 Det har å gjøre med ting som nærhet, blikk, tonen i stemmen, 657 00:38:40,290 --> 00:38:42,270 din bøyning. 658 00:38:42,270 --> 00:38:46,620 Og at kommunikasjon er også noe som mange forskjellige grensesnitt 659 00:38:46,620 --> 00:38:49,960 bryr seg mye om. 660 00:38:49,960 --> 00:38:51,500 Det er ikke hva Siri bryr seg om. 661 00:38:51,500 --> 00:38:56,250 Jeg kan spørre Siri noe i en stemme eller i en annen tone i stemmen, 662 00:38:56,250 --> 00:38:59,840 og Siri kommer til å gi meg det samme svaret. 663 00:38:59,840 --> 00:39:05,260 Men det er ikke det vi bygger for mange andre typer grensesnitt. 664 00:39:05,260 --> 00:39:09,120 >> Jeg ønsker å introdusere deg nå til en av roboter. 665 00:39:09,120 --> 00:39:12,720 Denne ble bygget av min mangeårige venn og kollega Cynthia 666 00:39:12,720 --> 00:39:16,010 Breazeal og hennes selskap Jibo. 667 00:39:16,010 --> 00:39:20,090 Og dette robot-- vi kommer å ha et par frivillige 668 00:39:20,090 --> 00:39:22,520 komme opp til samvirke med denne. 669 00:39:22,520 --> 00:39:26,200 Så kan jeg ha to personer villige å leke med roboten for meg? 670 00:39:26,200 --> 00:39:29,936 Hvorfor ikke komme på opp, og hvorfor gjør ikke du kommer videre opp. 671 00:39:29,936 --> 00:39:31,310 Hvis du vil bli med meg opp her, takk. 672 00:39:31,310 --> 00:39:36,520 673 00:39:36,520 --> 00:39:39,670 >> Og hvis jeg kunne ha deg komme rett over her. 674 00:39:39,670 --> 00:39:40,170 Takk. 675 00:39:40,170 --> 00:39:40,480 Hei. 676 00:39:40,480 --> 00:39:41,400 >> ALFREDO: Hyggelig å møte deg. 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 Hyggelig å møte dere begge. 682 00:39:45,154 --> 00:39:46,820 Alfredo, jeg kommer til å ha deg gå først. 683 00:39:46,820 --> 00:39:47,990 Kom rett opp her. 684 00:39:47,990 --> 00:39:51,870 Jeg kommer til å introdusere you-- hvis jeg kan få dette av 685 00:39:51,870 --> 00:39:58,450 uten å banke den microphone-- til en liten robot som heter Jibo. 686 00:39:58,450 --> 00:40:00,140 OK? 687 00:40:00,140 --> 00:40:04,260 >> Nå er Jibo utformet for å være interaktive. 688 00:40:04,260 --> 00:40:09,339 Og selv om det kan gi deg tale, mye av interaksjonen med roboten 689 00:40:09,339 --> 00:40:09,880 er nonverbal. 690 00:40:09,880 --> 00:40:12,450 691 00:40:12,450 --> 00:40:17,070 Alfredo, jeg kommer til å be deg om å si noe fint og gratis 692 00:40:17,070 --> 00:40:19,554 til roboten, takk. 693 00:40:19,554 --> 00:40:20,845 ALFREDO: Jeg tror du ser søt. 694 00:40:20,845 --> 00:40:24,114 695 00:40:24,114 --> 00:40:25,611 >> [Surrende SOUND] 696 00:40:25,611 --> 00:40:26,192 697 00:40:26,192 --> 00:40:27,108 BRIAN SCASSELLATI: OK. 698 00:40:27,108 --> 00:40:30,110 699 00:40:30,110 --> 00:40:33,180 Sitt svar er ikke verbal. 700 00:40:33,180 --> 00:40:35,180 Og likevel det ga dere begge en klar erkjennelse 701 00:40:35,180 --> 00:40:39,680 at det hadde hørt hva du sa og også liksom forstått det. 702 00:40:39,680 --> 00:40:40,530 OK? 703 00:40:40,530 --> 00:40:42,070 Gå rett tilbake hit for ett sekund. 704 00:40:42,070 --> 00:40:43,130 Takk. 705 00:40:43,130 --> 00:40:44,090 >> Rachel, hvis du ville. 706 00:40:44,090 --> 00:40:46,070 Nå kommer jeg til å gi du det mye vanskeligere jobb. 707 00:40:46,070 --> 00:40:48,361 Hvis du vil stå rett her, sikkerhetskopiere bare litt så 708 00:40:48,361 --> 00:40:50,280 vi kan få deg på kamera og se på denne måten. 709 00:40:50,280 --> 00:40:56,840 Jeg kommer til å be deg om å si noe egentlig mener og stygg til roboten. 710 00:40:56,840 --> 00:41:02,900 >> RACHEL: Hva du har virket å gjøre var helt absurd. 711 00:41:02,900 --> 00:41:03,840 >> [Summelyd] 712 00:41:03,840 --> 00:41:07,610 713 00:41:07,610 --> 00:41:09,030 >> Det var enda mer absurd. 714 00:41:09,030 --> 00:41:10,120 Hva skjer med deg? 715 00:41:10,120 --> 00:41:13,487 716 00:41:13,487 --> 00:41:16,207 Aw, føler meg ikke dårlig. 717 00:41:16,207 --> 00:41:17,040 Jeg skal gi deg en klem. 718 00:41:17,040 --> 00:41:19,882 719 00:41:19,882 --> 00:41:21,090 BRIAN SCASSELLATI: All right. 720 00:41:21,090 --> 00:41:22,280 Takk, Rachel. 721 00:41:22,280 --> 00:41:24,565 Alfredo, Rachel, takk folkens veldig mye. 722 00:41:24,565 --> 00:41:26,840 >> [BIFALL] 723 00:41:26,840 --> 00:41:28,660 724 00:41:28,660 --> 00:41:34,470 >> Så denne typen interaksjon har i mange måter noen av de samme regler 725 00:41:34,470 --> 00:41:36,950 og noe av den samme struktur som det vi 726 00:41:36,950 --> 00:41:39,950 kan ha i språklig samhandling. 727 00:41:39,950 --> 00:41:44,530 Det er både kommunikative og har en viktig funksjon. 728 00:41:44,530 --> 00:41:48,590 Og at samhandling, i mange måter, er utformet 729 00:41:48,590 --> 00:41:52,890 å ha en bestemt virkning på person i samspill med eller lytter 730 00:41:52,890 --> 00:41:54,410 til roboten. 731 00:41:54,410 --> 00:41:56,450 >> Nå er jeg så heldig å ha Jibo her i dag. 732 00:41:56,450 --> 00:42:00,550 Sam Spaulding er her å hjelpe oss ut med roboten. 733 00:42:00,550 --> 00:42:07,470 Og jeg kommer til å be Sam å gi oss en fin demo av Jibo dans 734 00:42:07,470 --> 00:42:09,720 at vi kan se på slutten her. 735 00:42:09,720 --> 00:42:10,590 Så sett i gang, Jibo. 736 00:42:10,590 --> 00:42:11,550 >> SAM: OK, Jibo. 737 00:42:11,550 --> 00:42:14,430 Vis oss dine dansetrinn. 738 00:42:14,430 --> 00:42:17,310 >> [MUSIC SPILLE] 739 00:42:17,310 --> 00:42:43,114 740 00:42:43,114 --> 00:42:44,780 BRIAN SCASSELLATI: Greit, alle sammen. 741 00:42:44,780 --> 00:42:46,865 Takk til våre venner på Jibo. 742 00:42:46,865 --> 00:42:49,426 >> [BIFALL] 743 00:42:49,426 --> 00:42:50,140 744 00:42:50,140 --> 00:42:54,990 >> Og takk til våre venner på IBM for å hjelpe ut i dag. 745 00:42:54,990 --> 00:42:57,300 Kommunikasjon er noe at du kommer 746 00:42:57,300 --> 00:43:02,280 å se kommer opp mer og mer som vi bygge mer komplekse grensesnitt. 747 00:43:02,280 --> 00:43:05,760 Snakker neste uke, vi skal om hvordan grensesnittet 748 00:43:05,760 --> 00:43:08,890 med datamotstandere i spill. 749 00:43:08,890 --> 00:43:12,950 Men hvis du har spørsmål om dette, Jeg skal være rundt i kontortiden i kveld. 750 00:43:12,950 --> 00:43:17,610 Jeg er glad for å snakke med deg om AI emner eller å komme inn i mer detalj. 751 00:43:17,610 --> 00:43:18,927 Ha en fin helg. 752 00:43:18,927 --> 00:43:21,409 >> [BIFALL] 753 00:43:21,409 --> 00:43:21,909 754 00:43:21,909 --> 00:43:26,141 [MUSIC SPILLE] 755 00:43:26,141 --> 00:46:42,879