[Predvaja glasba] 

DAVID Malan: To je CS50. To je konec 10. tednu. In fant, pa imamo dober razred za vas danes. Mi smo tako navdušeni, da povabi dva naši prijatelji iz Yale do nas danes in pogled na stičišču umetna inteligenca, robotika, naravna obdelava jezik, in še več. 

In res, čez zadnjih nekaj tednih, ki smo jih gotovo porabil veliko časa, zlasti v prejšnjih psets, s poudarkom na lepe podrobnosti nizki ravni. In to je zelo enostaven za izgubiti izpred oči gozda za drevesa in se obesil na zank in pogoji in kazalci gotovo in podobno. Ampak dejstvo je, vidva imata sedaj sestavine, s katerimi si lahko res rešiti nekatere zanimive probleme, med jim tisti, ki so naši prijatelji na Yale delo na samo sramežljiv Cambridgeu. 

Torej, dovolite najprej mi, da predstavim naše glave asistent iz Yale, Andy. 

[Aplavz] 

ANDY: Najprej, samo hvala si za omogočanje par Yalies pop dol v Cambridge danes. Res smo ga cenim. Drugič, za naše prijatelje nazaj home-- Jason, hvala za bivanje in teče predavanje. Upam, da je vse dobro v New Haven. 

Torej, ja, jaz sem super navdušena uvesti Scaz danes. Scaz teče robotika laboratorij. Bil je profesor, kot, pet različnih oddelkov na univerzi Yale. V svojem laboratoriju, ki ga je veliko, veliko roboti, ki mu je všeč, da igrajo z. Ima, kot je kul služba na svetu. In on pride do neke vrste nered okoli s tem ves dan dolg in še nekaj dela, kot tudi. 

In tako smo dejansko prinesla eno Od njih dol z nami danes. Torej, brez odlašanja, Scaz je dogaja, da gredo naprej in uvesti nas njegovo robot prijatelj. 

[Aplavz] BRIAN SCASSELLATI: Hvala, David. Hvala, Andy. To je tako čudovit, da bo tukaj z vsemi danes. Rad bi najprej zelo jasno, da CS50 osebje tukaj v Cambridgeu je bil neverjetno gostoljubni do nas. Mi smo tako hvaležni za vse, kar so naredili, da nas podprejo. In tako smo želeli, da bi lahko vrniti prijaznost. 

Torej, danes smo dobili sporočamo da bomo imeli novo, eno-of-a-kind CS50 dogodkov dogaja v New Haven naslednji teden. In to je CS50 Research Expo. Torej bomo se vabi everyone-- CS50 študentov, osebje tako iz Harvarda in Yale-- za pridi dol in obisk pri nas v petek. Bomo imeli široko paleto over 30 različnih ljudi, ki predstavljajo in exhibiting-- upperclassmen prikazuje off nekaj svojih izdelkov raziskav. Imeli bomo nekaj novih podjetij, tudi, išče za malo novih tech talent, ustanavljanjem tako iz Harvard in Yale. In bomo imeli nekaj študentskih skupin iščejo nekaj novega članstva. 

To bo zelo razburljiv čas. Upajmo, da tiste, ki so spušča za Harvard, Yale igre bodo mogli ustaviti z malo zgodaj, prav v središču kampusa, Spominska knjižnica Sterling. Bomo imeli niz eksponatov, ki segajo od avtonomna jadrnic do načinov za uporabo programske opreme za ohranjanje srednjeveške rokopise. 

Bomo morali oglas hoc mreženje in ljudje poučevanje programske kodiranje v Cape Townu. Bomo imeli računalnik glasbene demonstracije. In bomo seveda imeli več robotov. Torej mi vam upamo bom se nam pridružite za ta dogodek. To bi moralo biti veliko zabavno, malo hrane, in veliko zanimivih Stvari se pogovoriti o tem. 

Torej, danes bomo govorili o naravnem obdelavi jezika. In to je poskus za nas zgraditi nov način povezovanje z našimi napravami, saj v zadnjih nekaj tednih, ste bili osredotočeni na to, kako je to, da lahko pišete kodo, napisati programsko opremo da je način bi mogli reči k stroj, to je tisto, kar želim, da narediš. 

Ampak mi ne bi bilo treba pričakujejo, da vse da je tam zunaj, ki je uporabljena vsi na svetu se bo spretni V to vrsto pouka. Tako ločimo med računalnikom jeziki in naravni languages-- to pomeni, da stvari, ki jih ljudje uporabljajo komunicirati z drugimi ljudmi. In se trudimo graditi vmesnike, ki uporabljajo ti naravni komunikacijski mehanizmi. 

Zdaj, tako kot vsako drugo temo da smo začeli z v CS50, bomo začeli z najpreprostejši malo naravne obdelave jezika da si lahko predstavljamo. Bomo začeli z zgodovinski del naravnega jezika. In potem bomo graditi do več nedavnih sistemi in še nekaj zabavnih demo poti. 

Torej bomo začeti s tem, kar je bilo verjetno prva v naravnem jeziku Sistem za obdelavo. To je bil sistem software napisan v 1966 Joseph Weizenbaum imenuje Eliza. In je ELIZA namenjeni posnemati vrsto interakcije bi imeli z Rogerian psihoterapevt. Zdaj, Rogerians, so imeli ideja, da je psihoterapija vključen da lahko ogledalo nazaj za bolnika in govoriti z njimi, v bistvu, s samo jih je kar drobcen malo terapevta. To pomeni, da vse, kar je da je terapevt rekel naj bi bil le odraz kaj je bolnik povedal za njih. 

Torej, kaj je poskusiti in demo to. Ali imamo prostovoljca, ki bi bilo pripravljeni deliti svoje najgloblje, najtemnejše in / ali ponarejenih skrivnosti z Eliza? Seveda, zakaj ne prideš gor. Fantastično. In vaše ime? 

MILES: Miles. 

BRIAN SCASSELLATI: Miles. Me veseli, Miles. Če bi se držite tega. In bomo uporabite različico Eliza da smo ponovili v CS50 IDE. In bomo pogled na viru koda za to v nekaj časa. Ampak za zdaj, smo pravkar bo to sklicevati z vpisom Eliza. 

In ELIZA se dogaja, da vam odgovori da se bodo v vseh prestolnicah. In vam bom nekaj vprašanj. In bomo odzvali in tip V odgovorih na Eliza. Torej je ELIZA rekel: "Zdravo, jaz sem Eliza. Kaj je tvoj problem?" Kaj bi radi povej Eliza pa danes? 

MILES: Jaz lahko pade samo spi če imam zajček copate naprej. 

BRIAN SCASSELLATI: V redu. V redu. 

[Smeh] 

"Jaz lahko pade samo spi s zajček copati naprej. " In ELIZA pravi: "Recimo, kajne imate kakršne koli psihične težave? Morda je to dober znak. " 

V REDU. Torej, kaj bi radi, da se odzove? 

MILES: Da. 

BRIAN SCASSELLATI: Da. Človek mnogih besed. Uživam v tem. Eliza pravi: "Ti zdi precej pozitivno." 

MILES: Ne, jaz sem v resnici, elektron. 

BRIAN SCASSELLATI: "No. V bistvu sem elektron. " "Ali ste prišli k meni ker ste elektron? " Zdaj lahko vidimo nekaj things-- grem da vas premor za samo sekundo, Miles. Ne gredo nikamor. Nismo še končal s tabo. ELIZA je, v nekaterih pogledih, odzivanju na nekatere stvari da mu je rekel, vendar brez prave razumevanje. In to je tudi parroting nazaj nekaj delov njegovega stavka. 

Torej smo rekli, "No. V bistvu sem elektron. " Eliza odgovorila nazaj: "Ali ste prišli do mene, ker ste elektronov? " V redu. Dajmo ji še en odgovor tukaj. Izročiti to dober eno, Miles. 

MILES: Dobra? 

Ja, prosim, pomagaj mi. BRIAN SCASSELLATI: "Da. Prosim, pomagajte mi. "" Ste prepričani? " MILES: No. BRIAN SCASSELLATI: No. "Kaj, da predlagam, da vas?" 

MILES: Jaz ne sme biti elektronov. 

BRIAN SCASSELLATI: "Jaz ne sme biti elektrone. " "Praviš, da ne samo, da je negativen?" 

V redu. Torej Miles, najlepša hvala. 

MILES: Hvala. 

BRIAN SCASSELLATI: Hvala lepa. [Aplavz] 

Torej ta program ELIZA, v mnogih pogledih, se samo odziva na koščke da smo zagotavljajo brez deep razumevanje tega, kaj se tukaj dogaja. To je neke vrste sistema imenovani vzorec ujemanja, če iščemo za nekatere bitov besedila, da smo potem dogaja, da iz tega, kar je bilo določeno kot vhod, pretvoriti, potencialno, na nek način, in potem dobimo nazaj uporabniku. 

Ali kdo od vas mislijo da ELIZA je dejansko opravlja veljavno psihoanalizo tukaj? Ena oseba, morda. 

OBČINSTVO: [neslišno]. BRIAN SCASSELLATI: In kako ne, da se boste počutili? Da, v resnici pa ne. In bomo videli, pravzaprav je Izvorna koda za njo v samo trenutek. In tako si bo sposoben narediti točno to. 

Zdaj, ELIZA je ena od oblik, kar mi bi danes chat bot poklicati. To gre samo skozi besedilo, ki si zagotavljajo, zagotavlja najmanjšo možno mero količino razumevanja ali predelava, in ga nato papagaji nazaj k tebi. Torej, kaj si zdaj, konceptualno, in govori o tem, kaj je, da je ELIZA dejansko počne. 

ELIZA je ob sentence-- Oglejmo reči: "Rad bi naredil vtis moj šef." In ELIZA išče s tem stavkom in poskušajo najti in ujemajo določene vzorce. Tako, na primer, eden izmed vzorcev da ELIZA išče so besede "Hočem." In kadarkoli se ji to zdi nekaj da ima "Želim," v njem, da oblikuje odgovor. In ta odgovor je fiksna niz. V tem primeru je to "zakaj hočeš?" In sem dal malo zvezdo na konec, ker to je samo začetek našega odziva. In zvezda kaže, da bomo vzeli počitek uporabnikovega utterance-- "očarati šefu" - in bomo priložila da na koncu tega niza. 

Torej sedaj, namesto da bi rekel, "zakaj hočeš očarati moj šef, " tam je malo dodatnega Obdelava da bomo storili. To pomeni, da bomo morali pretvorbo nekaterih zaimkov tukaj od "šefa" do "svojega šefa." In potem je morda nekaj drugih Spremembe, ki jih moramo narediti. Torej, namesto da samo z vztrajanjem neposredno na koncu, kaj bomo storili se bomo vzeli ostalega uporabnikov utterance-- v beli here-- in ga bomo vzeli en kos na čas in pretvorite vsak niz žeton, vsaka beseda, v stavku. 

Torej bomo vzeli besedo "za". Ni pretvorba da moramo to storiti. "Impress." Ni pretvorba moramo tam narediti. "Moj" bo pretvoril v "vaše". In "šef", da bomo samo pustite kot "šef". In potem končno, kaj ki se konča z obdobjem, bomo ga pretvorite v vprašanje. 

To je zelo preprost vzorec ujemanja je pravzaprav precej uspešna. In ko je ta vložen v 1966-- Joseph Weizenbaum programira ta na računalniku. Zdaj, računalnikov v tistem času niso bili namizni modeli. Bili so skupna sredstva. In bi njegovi učenci iti in klepet z Eliza. Sčasoma se je moral omejiti dostop do njega ker njegovi učenci niso bili pridobivanje koli opravljeno delo. Bili so samo klepetali z Eliza. In, v resnici, je moral streljati pomočnika, ki porabili vse svojega časa v pogovoru z Eliza o svojih globokih in zaskrbljujočih problemov. 

Vsakdo, ki uporabljajo te sisteme začel jih antropomorfizirajo. So začeli razmišljati o njih, kot da so žive in resnične ljudi. Začeli prepoznati nekatere stvari, ki so govorili so prihajali nazaj do njih. In so bili ugotovitev, stvari o sebi. In v resnici, celo strokovnjaki, celo psihoterapevti, začelo skrbeti, da dejansko Mogoče ELIZA bi jih nadomestili. In tudi računalnik znanstveniki zaskrbljeni, da smo bili tako blizu reševanju naravni jezik. 

Zdaj pa, da ni bilo nikjer blizu res. Ampak, to je, kako impresivna ti sistemi lahko zdi. Torej začnimo iskati spodaj in poskusiti da bi dobili malo vprašanje kje to kodo se dejansko dogaja. Torej bova to kodo na voljo kasneje. In to je zelo preprost in neposreden port prvotne izvedbe ELIZA. 

Torej, nekatere od teh slogovna stvari, ki jih lahko vidite tukaj niso stilistično kaj mi bi želeli, da narediš ali kaj smo se učil, da narediš. Ampak smo poskušali obdržati enako poda številnih pristaniščih da je to imelo tako, da ima okus izvirnika. Torej bomo vključiti kup stvari, in potem bomo imeli niz ključnih besed, stvari da bo ELIZA prepozna in se odzivajo na neposredno. Torej, če imate besede, kot so "lahko" ali "ne vem" ali "ne" ali "da" ali "sanjsko" ali "zdravo", potem ELIZA selektivno odzivajo nanje. Bomo imeli tudi Določeno število stvari da bomo zamenjali, tako kot pretvorbo "moj" na "vaše". 

In potem bomo imeli niz odgovorov da za vsako od teh ključnih besed, bomo zavrtite skozi ti različni odzivi. Torej, če sem rekel "da" trikrat zapored, sem morda dobili tri različne Odzivi iz Eliza. Naša kodo, nato pa je pravzaprav izredno preprost. Če sem se pomaknite navzdol mimo vseh teh odgovori, da smo programirani v in pridemo do naša glavna, bomo za inicializacijo Nekaj ​​različnih spremenljivk in narediti malo gospodinjstvu na začetku. Ampak potem tam je absolutno niz kode, ki jih lahko razumejo. En velik while zanko, ki pravi, da sem dogaja, da ponovite to znova in znova. Bom prebral v liniji, in bom shranjevanje, da se v vhodnem nizu. Bom preverite in videli, če je to Posebna ključnih besed "adijo", ki pomeni zapreti program. In potem bom preverite in videli, ali nekdo, ki je samo sebe ponavljanje znova in znova. In bom kričati na njih, če delajo. Jaz bom rekel "ne ponovi sebe." 

Dokler nihče od tistih, ki se zgodi, da bomo nato skeniranje skozi in zanko skozi, na progah 308 do 313 tukaj in preverite in videli je katera od teh ključnih besed stavki iz vhodnih da sem samo dal? Če je tekma za njih, dobro potem bom zapomniti to lokacijo. Bom zapomniti to ključno besedo. In bom lahko zgraditi odziv. 

Če se mi ne zdi ena, tudi potem, zadnja stvar v mojem ključno besedo niz bo moje privzete odzivi, če nič drugega tekmah. Bom postavljajo vprašanja, kot so "zakaj si prišel sem? «ali» Kako vam lahko pomagam? " da so samo delno primerno ne glede na to, kaj je vhod. 

Nato bomo zgraditi odziv Eliza je. Bomo mogli sprejeti da je baza odziv, tako kot smo naredili s tem, da "moj šef" primer. Če je to vse, kar obstaja is-- če je samo ena niz, ki sem moral respond-- Jaz lahko samo ga pošlje nazaj ven. Če ima zvezdico na konec, potem bom obdelati vsak posamezen žeton v ostali odziva uporabnika in dodamo tistih, swapping ven besedo za besedo, kot moram. 

Vse to je absolutno nekaj, kar bi lahko zgradili. In v resnici, načine, na katere smo imajo argumente predelane ukazne vrstice, način, na katerega ste obdelujejo prek zahtev HTTP sledite iste vrste pravil. Oni ujemanje vzorcev. 

Torej ELIZA imeli relativno pomembna vpliv na naravnem jeziku saj je bilo videti, kot da je zelo dosegljiv cilj, kot nekako sva lahko rešili ta problem neposredno. Zdaj, to ne pomeni, da ELIZA počne vse, kar bi si želeli storiti. Zagotovo ne. Vendar moramo biti sposobni narediti nekaj več. 

Naš prvi korak, da gredo onstran ELIZA se dogaja da bi lahko na pogled ni besedilo, ki se je začela v tipkovnico, ampak govora, dejanska govor zabeležena v mikrofon. Torej, ko se ozremo na to različnih kosov, smo bodo morali zgraditi nabor modelov. Bomo morali biti sposobni da gredo iz akustičnih nizko stopnjo information-- smola, amplitude, frequency-- in pretvarjanje, da v nekatere enote, da smo lahko lažje manipuliranje in končno, z njimi manipulirajo z besedami in stavki. 

Torej večino prepoznavanje govora sistemov, ki so tam danes sledite statistično model, v katerem smo zgraditi trije ločeni prikazi kaj da zvočni signal dejansko vsebuje. Začnemo s fonetično modelu ki govori o samo osnove Sliši se, da sem proizvodnjo. Sem proizvaja nekaj, kar je B kot fant ali D, kot pri psih? Kako prepoznati tiste dve različni telefoni kot ločen in poseben? 

Na vrhu, da bomo potem graditi model beseda izgovor, nekaj, kar povezuje ti posamezni telefoni in jih združuje v besedo. In potem, da bomo vzeli besede in jih bomo zbrati z jezikom modela v celoten stavek. 

Sedaj bomo govorili o vsakem od teh neodvisno in ločeno. Toda ti trije modeli so vsi samo bo statistika. In to pomeni, da ko smo delo z njimi, da bomo biti sposoben delati z jih vse hkrati. V redu. Začnimo z našo fonetično modelu. Torej fonetičnih modeli opirajo na to je računalniška tehnika imenovani skriti modeli Markova. To so grafični modeli, v katerem sem imeti in priznati stanje na svetu kot je označen z nizom funkcij. In to stanje opisuje en del tožbe, da sem se ukvarjajo. 

Torej, če mislim, da v tem, zvok "ma", kot mati, obstajajo različne komponente za ta zvok. Tam je del, kjer rišem v izdihanem zraku. In potem sem zaporno moje ustnice. In jaz roll moje ustnice malo nazaj bit, da bi ta "ma" zvok. In potem je tukaj še javnost. Moje ustnice prišel narazen. Zrak je izgnan. "Ma". 

Ti trije različni deli bi ki jih države zastopane v tem graph-- nastop, srednji in konec. In jaz bi prehode, ki dovoli mi, da potujejo iz ene države do naslednjega z verjetnostjo. Tako, na primer, da M zvok morda zelo, zelo kratek vnos na beginning-- "mm" - in potem bo več, vibracijski fazo, v kateri držim my ustnice skupaj in skoraj humming-- "mmmm" - in nato zelo kratek nevarnem kjer sem izgnati breath-- "ma." 

Skrite Markov model zasnovan za zajemanje dejstvo da je način, da bi da zvok "ma" se dogaja nekoliko drugačna njegov čas, je pogostost, in njegove lastnosti kot način, da vam bo uspelo oziroma način, da bi lahko da ga bo, ko govorim o različnih uporabah pisma. "Mati" in "lahko jaz" bo zveni nekoliko drugače. 

Torej, da priznajo Zlasti zvok, bi mi graditi Markov modelov, ti skrite Markov modeli, o vseh možnih telefona, ki I morda želeli priznati, vse možne zvok, in nato pogled na akustični podatki, ki jih imam in določiti statistično katera je najverjetneje eden da so proizvedli ta zvok. V REDU. S tem modelom smo nato začeli graditi na vrhu je. Peljemo model izgovor. Zdaj, včasih izgovor Modeli so preprosta in enostavna ker tam je samo ena način izgovoriti nekaj. Drugi časi, oni malo bolj zapletena. Tukaj je vodič izgovor za to rdečo stvar, ki je sadje, da vam bo kečap iz. Ljudje ne mislim, da je sadje. Prav? 

Zdaj, obstaja veliko različnih načinov, da bodo ljudje izgovarjajo to besedo. Nekateri bodo rekli, "toe-May-toe". Nekateri bodo rekli, "toe-mah-toe". In smo lahko posnamete, da se z eden od teh grafičnih modelov kjer je, še enkrat, mi predstavljajo prehode da imajo določeno verjetnost in z njimi povezane verjetnosti z njimi. 

Torej, v tem primeru, če bi sledili top pot skozi ta celoten graf, Jaz bi se začne na črko na skrajni levi je "ta" zvok. Jaz bi potrebovali zgornjo polovico, "oh," in nato "ma" in potem "A", in nato "ta" in "oh". "Toe-lahko-toe". Če sem spodnji poti skozi to, bom dobil "TA-mah-toe". In če sem šel dol in nato gor, bi dobil "TA-May-toe". 

Ti modeli zajemanje teh razlike, ker vsakič, ko smo uvajanje eden od teh sistemi za prepoznavanje, to se dogaja, da imajo za delo z veliko različnih vrst ljudi, veliko različnih naglasov, in celo Različne uporabe istih besed. Nazadnje je na vrhu, bomo zgraditi nekaj da izgleda res zapleteno, imenovani model jezika, v resnici pa je najpreprostejši tri, saj ti delujejo o tem, kaj so ti n-gramski modeli. In v tem primeru, sem vam bo pokazal, model n-gram dvodelno, A bigram. Bomo, da bo fizično idejo da včasih, nekatere besede so bolj verjetno, da slediti dal besedo kot drugi. Če sem rekel "vremenska napoved" naslednja beseda bi verjetno "danes" ali bi lahko bil "vreme napoved jutri. " Vendar je malo verjetno, da bo " vremenska napoved artičoke. " 

Kakšen jezik model, pa je to zajema tiste, statistično s štetjem, z nekaj zelo velikih korpus, vsi primeri v kateri je ena beseda sledi drugo. Torej, če vzamem velik corpus-- kot vsako Wall Street Journal ki je bil izdelan leta 1930, ki je eden od standardnega corpuses-- in gledam skozi vse da besedilo, in štejem up Kolikokrat po "napoved" ne vidim "danes" in kolikokrat vidim "napoved" sledi "artičoke," prvi je šlo da je veliko bolj verjetno. To se dogaja, da se pojavi bolj pogosto. In tako bomo imeli višje Verjetnost, povezana z njim. 

Če želim, da ugotovimo, Verjetnost celotno poved, potem sem jo razbije. Torej verjetnosti obravnavi stavek "rat jedli sir" je verjetnost besede "the" se začne stavek, in potem je verjetnost, da se Beseda "rat" sledi beseda "The" in verjetnost, da je Beseda "pojedel" sledi "podgana" in verjetnost, da "sir" sledi "pojedel". 

To se sliši kot veliko statistika, veliko verjetnosti. In to je vse, kar je. Toda neverjetna stvar je, če ste to storili z dovolj veliko vzorcu podatkov, deluje. In deluje izjemno dobro. Vsi vemo, te tehnologije. Večina operacijskih sistemov prišel z prepoznavanje glasu na tej točki. Mi uporabljamo Siri in Cortana in Echo. In te stvari temeljijo na ta vrsta troslojnega model-- fonetična modela na dnu, a Model izgovor v sredini, in jezik vzorec na njih. 

Zdaj morajo narediti malo bolj kot da bi odgovorili na vprašanja. Toda priznanje, kaj ste Pregovor odvisna ravno na to. Torej, vzemimo primer tukaj. Torej imam moj telefon je sedel tukaj pod kamero dokumenta. In bomo prosi Siri nekaj vprašanj. V redu? 

Torej, kaj je zbudil moj telefon tukaj. Siri, kaj je vreme Kot v danes New Haven? 

SIRI: Tukaj je vreme za New Haven, Connecticut danes. 

BRIAN SCASSELLATI: OK. Torej, najprej boste videli, da Siri priznana vsak izmed posameznih besed in nato izdelamo odgovor. Bomo govorili o tem, kako da je odziv nastane v malo. Toda zdaj, ko vemo, da je to samo na osnovi o surovih statističnih podatkov in to vzorec tipa ujemanja pristopa, lahko igramo nekaj iger z Siri. 

Tako da sem lahko poskusite znova. Siri, kaj je vreme povodni konj New Haven, danes? 

SIRI: OK. Tukaj je vreme za Novo Haven, Connecticut za danes. BRIAN SCASSELLATI: Siri je Ne jih prestrašijo, da zato, ker je ugotovila, da je pattern-- "vreme", "danes", "New Haven." To je tisto, kar se odziva da, tako kot Eliza. V redu. Dajmo ga eden bolj enakomerna več smešno primer. Siri, vreme artičoke pasavec povodni konj New Haven? 

SIRI: Naj preverim na to. Tukaj je tisto, kar sem našel na spletu za to, kar so artičoke Armadillo povodni konj New Haven. 

BRIAN SCASSELLATI: OK. Torej, če sem šel dovolj daleč proč od tega modela, Nisem mogel zamenjati, ker to ni več ujema z vzorcem, ki ga ima. In da je statistično Motor, ki je rekel, kakšna je verjetnost, da imaš besedi povodni konj in artičoke skupaj, in Armadillo? To je dobil, da je nekaj novega. 

Torej teh tehnologij, ki jih uporabljamo vsak dan. Če želimo, da se jim bo en korak nadalje, čeprav, če smo dejansko želijo, da bi lahko govorili o tem, kaj je, da so ti sistemi odzivajo moramo govoriti, še enkrat, približno bolj temeljni sklop vprašanj. In to je tema v komunikaciji da pravimo vprašanje odzivnik. To pomeni, da si želimo, da bi lahko to-- ja? OBČINSTVO: [neslišno]. BRIAN SCASSELLATI: Ali bomo dobili v latentno semantično obdelavo? Torej, ja. Obstaja veliko stvari, ki so dogaja pod površino z Siri in v nekaterih primerih Bom vam pokaže naslednjo kjer je zelo malo glede na strukturo kaj praviš, da je to pomembno. In v resnici, da je velik predhodnikom za naslednjo tobogan za mene. 

Torej, na enak način, da je naša prepoznavanje govora je bila zgrajena iz več plasti, če želimo razumeti, kaj je to, da je dejansko pa je dejal, da smo spet tekoč zanašajo na analizi večplastnega od besedila, ki je priznan. Torej, ko je Siri dejansko sposobni recimo, poglej sem našla te besede. Zdaj pa, kaj naj storim z njimi? Prva komponenta je pogosto iti skozi in poskusite analizirati strukturo stavka. In kaj smo videli v osnovni šoli, pogosto kot neke vrste diagramov kazni, greva priznati, da nekatere Besede imajo določene vloge. To so samostalniki. To so zaimki. To so glagoli. In bomo prepoznali da je za določen slovnico, v tem primeru nemški gramatike obstajajo veljavnih načinov, ki sem jih lahko kombiniramo in druge načine, ki niso veljavni. 

To priznanje, da struktura, morda ne bo dovolj, da bi vodil nas malo. Ampak to ni čisto dovolj za nas, da bi lahko dal katerikoli pomen s tem, kar se je tukaj dejal. Da bi to dosegli, bomo morali zanesti na nekateri znesek semantične obdelave. To pomeni, da bomo morali pogledati na pod, kaj vsak od teh besed dejansko opravlja kot smislu. In na najenostavnejši način za to, bomo povezali z vsako besedo da vemo, neko funkcijo, neka transformacija, ki ji omogoča, da se zgodi. 

V tem primeru, bi lahko označite z Beseda "John", da gre za lastno ime, da je s tem identiteto. In morda bomo nalepko »Mary", kot je na enak način. Ker glagola kot "ljubi", ki predstavlja posebno razmerje da smo sposobni za zastopanje. Zdaj, to ne pomeni, da razumemo kaj je ljubezen, ampak le, da bomo razumeli je na poti simboličnega sistema. To pomeni, da bomo lahko označimo ga in ga manipulirajo. 

Z vsako od teh vrst pristopov, vse vrste pomenske obdelave Tukaj se dogaja, da zahtevajo malo malo znanja in veliko dela na naši strani. Mi smo ni več v sfero kjer je samo navaden statistika se bo dovolj za nas. Zdaj, da bi šel od te točke do čemer lahko govorimo o notranjosti kaj se pravzaprav dogaja, da bi bili lahko manipulira ta strukturiranje in razumeti vprašanje in potem bi mogli iti ven in iskati, ki zahteva bolj kompleksna kognitivna modela. 

Način, na katerega so vgrajeni ti sistemi je za večino del zelo, zelo dela intenzivna. Ti vključujejo ljudi porabi veliko časa strukturira načine ki te vrste stavkov lahko predstavimo v nekaterih logiko. To postane še malo bolj zapleteno, čeprav. 

Tudi, ko smo obravnavali s semantiko, bomo še vedno gledati pragmatika o tem, kaj je bilo rečeno. To je, kako sem se nanašajo besede da moram nekaj fizično ven tam v svetu ali vsaj nekaj vir informacij da sem lahko manipulira? 

Včasih, to privede do čudovite bitov dvoumnosti. "Rdeče-vroče zvezda poročiti astronoma." V REDU. Zdaj smo prebrali, da je kot smešno vrsta headline da bomo videli na pozno ponoči TV ker se ne razlagajo "zvezda" imeti svojo nebesnega telesa pomen. Vemo, da to pomeni več vsakdanja igralec ali igralka z visokimi zneski vidljivosti. 

"Squad pomaga pes ugriz žrtev." Je to, da je ekipa dejansko tam pomaga psa v dogaja okoli in grizenje žrtve? Ali pa je to, da ni bilo posameznik, ki je bil ugriznil pes, ki je potreboval pomoč? Samo od gledaš sintakso in semantika stavkih, ne moremo ugotoviti, da je. 

"Helikopter powered by človeških muh." So tam, v resnici, dejansko majhne stvari, ki plujejo okoli, da so ljudje s krila napajanje helikopterjev za dobro človeštva? Ali pa obstaja še ena mehanska naprava ki črpa svojo moč iz osebi? 

Ko gledamo na vprašanje telefonski sistemi, to so plasti, ki moramo obravnavati. Zdaj je najboljši in najbolj vrste od razširjena teh sistemov Danes so sposobni narediti Stvari na ravni, ki so veliko tistega, kar smo imeli pred 10 leti. Tukaj je eden najboljših sistemov da je tam še danes. In to je sistem od IBM imenuje Watson. To je razvidno iz naših prijateljev na IBM. To je Katherine banke, Jia Chen, in Priscilla Moraes nam daje demonstracija Watson Včeraj se je v IBM Yorktown. [VIDEO PREDVAJANJE] -Kako si? 

-Dobro sem. Vedno sem vesel, ko sem razmišljanja, še posebej, ko sem lahko ostanejo kul v teh strežniške sobe. Kdo je vaš najljubši igralka? 

Moja najljubša igralka Angelina Jolie kot Laro Croft V Tomb Raider zaradi njenega izvirnika Obrazec je kot virtualni lik, kot sem jaz. 

Kako lahko Watson pomoč bolnikom? 

-je Načrt za bolnike do imajo dostop do Watson neposredno? Dostop do Watson svetovanja aplikacije se razlikujejo glede na primer uporabe. Ampak sedaj, bo Watson zagotavljajo samo možna diagnoza in zdravljenje Možnosti za zdravstveni delavec. Kadar je to primerno, bolniki lahko zagotovi informacije da Watson, morda prek portal spletni vmesnik, tableta, ali celo mobilni telefon. Na primer, lahko bolnik prosili, da opišejo svoje simptome v naravnem jeziku neposredno v raztopino Watson, omogočajo zdravniku, da se osredotoči na zbiranje podatkov diagnoza in ne. 

Kdo umorjen Abraham Lincoln? 

-John Wilkes Booth. 

-in Kaj letos naredili Arizona Diamondbacks zmagal na World Series? 

-2001. 

[END PREDVAJANJE] 

BRIAN SCASSELLATI: Torej te vrste sistemov se morajo zanesti na najprej prepoznavanje govora; drugič, se pretvori v pomenljiv notranji zastopanje; in potem, tretji, da bi lahko šel ven in najti vir informacij, ki jim omogoča, da odgovorite na to vprašanje. Ta raven zahtevnosti vključuje iste vrste programskih stvari da ste bili delaš v problemskih sklopov. 

Mi smo sposobni razčleniti zahteve HTTP v isti tip vzorca nizko stopnjo ujemanje, da lahko ELIZA storiti. Mi smo sposobni spremeniti tiste v notranji zastopanje, in jih nato uporabijo, da se pozanima nekatere zunanja baza podatkov, po možnosti z uporabo SQL. Vse sisteme, se danes zgradili za to vrsto naravnih jezikovne komunikacije gradijo na ta ista načela. 

Sedaj pa celo sistem, kot Watson ni dovolj zapletena da bi lahko odgovorili samovoljno vprašanja o čemerkoli. In v resnici, morajo biti strukturirana v določenem področju. Tako da lahko greš na spletu in jih lahko najdete različice Watson, ki delujejo dobro v medicinske informatike. Ali pa je eden od spletnih da samo se ukvarja s tem, kako da bo dobra priporočila o kaj pivo bo šel, s katero hrano. In znotraj teh področjih, je mogoče odgovoriti na vprašanja, našli informacije, ki jih potrebuje. 

Ampak ne moreš premešamo in jih ujemajo. Sistem, ki je bila usposobljena z zbirko hrane in piva ne deluje dobro, ko si nenadoma Povedano z medicinsko informatiko baze podatkov. Torej, tudi naši najboljši sistemi danes zanašajo na ravni predelave v katerem so ročno kodiranje in gradnjo v infrastrukturo, da bi da bi ta sistem teče. 

Zdaj, zadnji temo želim da bi mogli priti do danes je o neverbalni komunikaciji. Velik masa informacij, ki smo se med seboj komunicirajo ne prišlo skozi posamezne besede, ki smo, ki se uporabljajo. To ima opraviti s stvarmi, kot bližina, pogled, tvoj ton glasu, Vaše infection. In da je komunikacija tudi nekaj, kar je veliko različnih vmesnikov skrbi veliko o tem. To ni tisto, kar Siri briga. Znam postavljati Siri nekaj v en glas ali v drugačnem tonu glasu, in Siri se dogaja, da dajte mi enak odgovor. Ampak to ni tisto, kar smo gradili za mnoge druge vrste vmesnikov. 

Rad bi vam predstavil Sedaj enem od robotov. To je bila zgrajena z mojim longtime prijatelj in kolega Cynthia Breazeal in njena družba Jibo. In to robot-- gremo da imajo nekaj prostovoljcev prišli do interakcijo s tem. Torej imam dve ljudje pripravljeni igrati z robotom za mene? Zakaj ne prideš gor, in zakaj nisi prišel gor. Če bi se mi pridruži tukaj, prosim. 

In če ti lahko imajo pridejo prav tukaj. Hvala. Hi. 

ALFREDO: Lepo vas je spoznati. Alfredo. 

BRIAN SCASSELLATI: Alfredo. 

RACHEL: Rachel. BRIAN SCASSELLATI: Rachel. Lepo vas je spoznati oboje. Alfredo, bom imel greš prvi. Pridite sem gor. Grem, da uvedejo you-- če bom lahko to dol brez trkanja na microphone-- za malo robot imenom Jibo. V REDU? 

Zdaj, Jibo je zasnovan tako, da je interaktivna. In čeprav lahko bi vam govoril, veliko interakcije z robotom je neverbalno. Alfredo, bom vas prosim, da reči nekaj lepega in brezplačna z robotom, prosim. ALFREDO: Mislim, da si videti srčkan. 

[Whirring SOUND] BRIAN SCASSELLATI: OK. Njen odgovor je ne verbalno. In še to ti je dal tako jasno priznanje da je slišal, kaj si rekel in tudi nekako razumel. V REDU? Korak nazaj sem za eno sekundo. Hvala. 

Rachel, če bi. Zdaj bom dal vam veliko težje delo. Če želite stati tukaj, nazaj gor samo malo tako vam lahko dobite na kamero in si na ta način. Bom vas prosim, da nekaj reči v resnici pomeni, in grdo z robotom. 

RACHEL: Kaj vam je samo zdelo storiti, je bilo povsem nesmiselno. 

[Brnenju] 

To je bilo še bolj absurdno. Kaj se dogaja s tabo? Oh, ne počutim slabo. Dam ti objem. BRIAN SCASSELLATI: V redu. Hvala, Rachel. Alfredo, Rachel, hvala fantje zelo veliko. 

[Aplavz] 

Tako da je ta vrsta interakcije ima v veliko načinov, nekateri z istimi pravili in nekateri enaka struktura, kot tisto, kar smo morda v jezikovni interakciji. To je tako komunikativna in služi pomemben namen. In da je interakcija, v veliko načinov, je zasnovan tako, da imajo poseben učinek na oseba v stiku z ali poslušanje z robotom. 

Zdaj, jaz sem srečo da imajo Jibo danes tukaj. Sam Spaulding je tu pomaga nas ven z robotom. In jaz bom prosil Sam bi dal nam eno lepo demo Jibo ples da lahko gledamo na koncu tukaj. Torej, pojdi naprej, Jibo. 

SAM: OK, Jibo. Pokažite svoje plesne gibe. 

[Predvaja glasba] BRIAN SCASSELLATI: Dobro, vsi. Zahvaljujoč našim prijateljem na Jibo. 

[Aplavz] 

In zahvaljujoč našim prijateljem na IBM za pomoč ven danes. Komunikacija je nekaj da boš da vidim, prihaja bolj in bolj kot gradimo bolj kompleksnih vmesnikov. Naslednji teden se bomo pogovarjali o tem, kako vmesnik z računalniškimi nasprotniki v igrah. Ampak, če imate vprašanja o tem, Bom okoli po uradnih ur nocoj. Vesel sem govoriti s tabo o AI teme ali priti v bolj podrobno. Lep vikend. 

[Aplavz] [Predvaja glasba]