1
00:00:00,000 --> 00:00:02,928
>> [MUSIK SPELA]

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

3
00:00:11,230 --> 00:00:12,790
>> DAVID MALAN: Detta är CS50.

4
00:00:12,790 --> 00:00:14,072
Detta är slutet av vecka 10.

5
00:00:14,072 --> 00:00:16,030
Och pojke, har vi en
bra klass för dig idag.

6
00:00:16,030 --> 00:00:20,040
Vi är så glada att bjuda in två av
våra vänner från Yale upp till oss i dag

7
00:00:20,040 --> 00:00:23,920
och att titta på skärningspunkten mellan
artificiell intelligens, robotik,

8
00:00:23,920 --> 00:00:25,710
naturliga språk, och mer.

9
00:00:25,710 --> 00:00:27,090
>> Och faktiskt, över
senaste veckorna, vi har

10
00:00:27,090 --> 00:00:29,714
säkert tillbringade en hel del tid,
särskilt i de tidigare psets,

11
00:00:29,714 --> 00:00:31,560
med fokus på ganska låg nivå detaljer.

12
00:00:31,560 --> 00:00:34,520
Och det är mycket lätt att glömma bort
av skogen för alla träd

13
00:00:34,520 --> 00:00:38,170
och få hängas upp på loopar och villkor
och pekare, förvisso, och liknande.

14
00:00:38,170 --> 00:00:41,770
Men verkligheten är ni nu har
ingredienser som du verkligen kan

15
00:00:41,770 --> 00:00:45,300
lösa några intressanta problem, bland
dem dessa som våra vänner på Yale

16
00:00:45,300 --> 00:00:48,790
arbeta på bara blyg av Cambridge.

17
00:00:48,790 --> 00:00:52,410
>> Så låt mig först med att introducera vårt huvud
lärarassistent från Yale, Andy.

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

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

20
00:00:57,030 --> 00:01:00,710
>> ANDY: Först av allt, bara tacka
du för att låta ett par Yalies

21
00:01:00,710 --> 00:01:02,700
pop ner till Cambridge idag.

22
00:01:02,700 --> 00:01:05,299
Vi uppskattar verkligen det.

23
00:01:05,299 --> 00:01:07,090
Dels till våra vänner
tillbaka home-- Jason,

24
00:01:07,090 --> 00:01:09,670
Tack för att stanna och köra föreläsning.

25
00:01:09,670 --> 00:01:12,970
Hoppas det är allt bra i New Haven.

26
00:01:12,970 --> 00:01:15,720
>> Så ja, jag är superglad
att införa SCAZ idag.

27
00:01:15,720 --> 00:01:17,020
SCAZ driver robotlabb.

28
00:01:17,020 --> 00:01:19,690
Han är professor i, typ, fem
olika avdelningar vid Yale.

29
00:01:19,690 --> 00:01:23,159
I sitt labb, har han många, många
robotar som han gillar att leka med.

30
00:01:23,159 --> 00:01:24,950
Han har, liksom den
coolaste jobbet i världen.

31
00:01:24,950 --> 00:01:27,116
Och han får typ av röran
runt med det hela dagen

32
00:01:27,116 --> 00:01:29,090
lång och göra en del arbete, liksom.

33
00:01:29,090 --> 00:01:33,070
>> Och så att vi faktiskt tog en
Av dem ner med oss ​​i dag.

34
00:01:33,070 --> 00:01:36,900
Så utan vidare, är SCAZ
kommer att gå vidare och presentera oss

35
00:01:36,900 --> 00:01:38,660
till sin robot vän.

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

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

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

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

40
00:01:45,380 --> 00:01:50,050
Det är så underbart att vara
här med alla idag.

41
00:01:50,050 --> 00:01:56,490
Jag vill först vara mycket tydligt att
den CS50 personal här i Cambridge

42
00:01:56,490 --> 00:01:59,190
har varit otroligt gästvänliga för oss.

43
00:01:59,190 --> 00:02:02,130
Vi är så tacksamma för allt
de har gjort för att stödja oss.

44
00:02:02,130 --> 00:02:05,690
Och så skulle vi vilja kunna
att återvända vänlighet.

45
00:02:05,690 --> 00:02:09,370
>> Så idag, vi får tillkännage
att vi kommer att ha en ny,

46
00:02:09,370 --> 00:02:15,240
one-of-a-kind CS50 händelse
händer i New Haven nästa vecka.

47
00:02:15,240 --> 00:02:18,040
Och detta är CS50 Research Expo.

48
00:02:18,040 --> 00:02:21,300
Så vi kommer att bjuda in
everyone-- CS50 studenter,

49
00:02:21,300 --> 00:02:26,510
personal från både Harvard och Yale-- till
komma ner och besöka oss på fredag.

50
00:02:26,510 --> 00:02:30,400
Vi kommer att ha ett brett utbud av mer än
30 olika personer som uppvisar

51
00:02:30,400 --> 00:02:34,830
och exhibiting-- upperclassmen visar
ut en del av sina forskningsprodukter.

52
00:02:34,830 --> 00:02:38,480
Vi kommer att ha några starter, med, ser
för en liten bit av ny teknik talang,

53
00:02:38,480 --> 00:02:40,460
startups från både Harvard och Yale.

54
00:02:40,460 --> 00:02:44,550
Och vi kommer att ha vissa elevgrupper
letar efter något nytt medlemskap.

55
00:02:44,550 --> 00:02:46,357
>> Det kommer att bli en mycket spännande tid.

56
00:02:46,357 --> 00:02:49,190
Förhoppningsvis de av er som är
coming down för Harvard-Yale spel

57
00:02:49,190 --> 00:02:51,360
kommer att kunna stoppa
med lite tidigt,

58
00:02:51,360 --> 00:02:54,060
mitt i centrum av campus,
Sterling Memorial Library.

59
00:02:54,060 --> 00:02:58,040
Vi kommer att ha en uppsättning
utställningar som sträcker sig från autonoma

60
00:02:58,040 --> 00:03:04,460
segelbåtar till sätt att använda programvara
att bevara medeltida handskrifter.

61
00:03:04,460 --> 00:03:07,860
>> Vi kommer att ha en annons
hoc-nätverk och människor

62
00:03:07,860 --> 00:03:11,230
pedagogisk programvara kodning i Kapstaden.

63
00:03:11,230 --> 00:03:13,730
Vi kommer att ha dator
musik demonstrationer.

64
00:03:13,730 --> 00:03:16,020
Och vi kommer naturligtvis att ha flera robotar.

65
00:03:16,020 --> 00:03:18,900
Så vi hoppas att du
ansluta sig till oss för detta evenemang.

66
00:03:18,900 --> 00:03:21,350
Det bör finnas en hel del
roligt, lite mat,

67
00:03:21,350 --> 00:03:24,430
och en hel del intressant
saker att prata om.

68
00:03:24,430 --> 00:03:28,230
>> Så idag ska vi prata
om behandling av naturligt språk.

69
00:03:28,230 --> 00:03:32,560
Och detta är ett försök för oss
att bygga ett nytt sätt att samverkan

70
00:03:32,560 --> 00:03:35,150
med våra produkter på grund av
under de senaste veckorna,

71
00:03:35,150 --> 00:03:40,800
du har fokuserats på hur det är att
Du kan skriva kod, skriva program

72
00:03:40,800 --> 00:03:47,110
det är ett sätt att kunna säga till en
maskin, detta är vad jag vill att du gör.

73
00:03:47,110 --> 00:03:50,210
>> Men vi ska inte behöva
förvänta sig att allt

74
00:03:50,210 --> 00:03:53,760
det är där ute som används
av alla i världen

75
00:03:53,760 --> 00:03:57,480
kommer att vara skickliga
i denna typ av undervisning.

76
00:03:57,480 --> 00:04:02,540
Så vi skilja mellan dator
språk och naturliga languages--

77
00:04:02,540 --> 00:04:06,720
det vill säga saker som människor använder
att kommunicera med andra människor.

78
00:04:06,720 --> 00:04:12,270
Och vi försöker att bygga gränssnitt som använder
dessa naturliga kommunikationsmekanismer.

79
00:04:12,270 --> 00:04:16,029
>> Nu, precis som alla andra ämne
att vi har börjat med i CS50,

80
00:04:16,029 --> 00:04:19,589
Vi ska börja med den enklaste
bit av naturligt språk

81
00:04:19,589 --> 00:04:21,269
att vi kan föreställa oss.

82
00:04:21,269 --> 00:04:24,940
Vi kommer att börja med
historiska delen av naturligt språk.

83
00:04:24,940 --> 00:04:28,740
Och sedan ska vi bygga upp till
fler och fler nya system

84
00:04:28,740 --> 00:04:31,450
och har några roliga demonstrationer längs vägen.

85
00:04:31,450 --> 00:04:35,900
>> Så vi kommer att börja med vad som var
förmodligen den första naturligt språk

86
00:04:35,900 --> 00:04:38,210
behandlingssystemet.

87
00:04:38,210 --> 00:04:45,080
Detta var ett programvarusystem skrivet i
1966 av Joseph Weizenbaum kallas ELIZA.

88
00:04:45,080 --> 00:04:49,640
Och Eliza var avsedd att
replikera typ av interaktion

89
00:04:49,640 --> 00:04:53,850
du skulle ha med en
Rogerian psykoterapeut.

90
00:04:53,850 --> 00:04:57,210
Nu är Rogerians, de hade
en idé som psykoterapi

91
00:04:57,210 --> 00:05:02,800
inblandade att kunna spegla tillbaka
till en patient och prata med dem,

92
00:05:02,800 --> 00:05:08,100
princip, bara genom att ge dem en
liten, liten bit av terapeuten.

93
00:05:08,100 --> 00:05:09,920
Det vill säga, allt
att terapeuten sa

94
00:05:09,920 --> 00:05:16,500
var tänkt att vara bara en återspegling av
vad patienten berättade för dem.

95
00:05:16,500 --> 00:05:18,990
>> Så låt oss försöka och demo redan.

96
00:05:18,990 --> 00:05:22,820
Har vi en volontär som skulle vara
villiga att dela sin djupaste,

97
00:05:22,820 --> 00:05:26,650
mörkaste, och / eller falska hemligheter med ELIZA?

98
00:05:26,650 --> 00:05:29,680
Visst, varför inte du kommer på dig.

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

100
00:05:30,847 --> 00:05:31,430
Och ditt namn?

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
Trevligt att träffa dig, Miles.

104
00:05:34,270 --> 00:05:36,270
Om du vill hålla fast vid det.

105
00:05:36,270 --> 00:05:40,840
Och vi kommer att
Använd en version av ELIZA

106
00:05:40,840 --> 00:05:44,640
att vi har replik
inom CS50 IDE.

107
00:05:44,640 --> 00:05:47,140
Och vi kommer att titta på käll
kod till detta om en liten stund.

108
00:05:47,140 --> 00:05:49,910
Men just nu, vi är bara
kommer att åberopa den genom att skriva eliza.

109
00:05:49,910 --> 00:05:55,480
>> Och Eliza kommer att ge dig svar
som kommer att vara i alla huvudstäder.

110
00:05:55,480 --> 00:05:57,950
Och kommer att ställa några frågor.

111
00:05:57,950 --> 00:06:02,130
Och vi kommer att svara och skriv
i svar på ELIZA.

112
00:06:02,130 --> 00:06:04,310
Så ELIZA har sagt: "Hej, jag heter ELIZA.

113
00:06:04,310 --> 00:06:05,462
Vad är ditt problem?"

114
00:06:05,462 --> 00:06:08,092
Vad skulle du vilja
berätta ELIZA om idag?

115
00:06:08,092 --> 00:06:10,750
>> MILES: Jag kan bara somna
om jag har kaninhäftklammermatare på.

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

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

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

119
00:06:15,300 --> 00:06:22,410
>> "Jag kan bara somna
med kaninhäftklammermatare på. "

120
00:06:22,410 --> 00:06:29,000
Och Eliza säger "Säg, gör du
har några psykiska problem?

121
00:06:29,000 --> 00:06:30,450
Kanske detta är en bra indikator. "

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

123
00:06:30,780 --> 00:06:32,245
Så vad vill du svara?

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
Man med många ord.

128
00:06:39,570 --> 00:06:41,870
Jag tycker det.

129
00:06:41,870 --> 00:06:50,200
Eliza säger: "Du verkar ganska positiv."

130
00:06:50,200 --> 00:06:53,200
>> MILES: Nej, jag är i själva verket en elektron.

131
00:06:53,200 --> 00:06:55,150
>> BRIAN Scassellati: "Nej.

132
00:06:55,150 --> 00:07:02,240
I själva verket är jag en elektron. "
"Har du kommit till mig

133
00:07:02,240 --> 00:07:06,954
eftersom du är en elektron? "

134
00:07:06,954 --> 00:07:08,870
Nu kan vi se några av
den saker-- jag ska

135
00:07:08,870 --> 00:07:10,200
att pausa dig för bara en sekund, Miles.

136
00:07:10,200 --> 00:07:11,010
Inte gå någonstans.

137
00:07:11,010 --> 00:07:12,650
Vi är inte klar med dig än.

138
00:07:12,650 --> 00:07:16,490
ELIZA är, på sätt och vis,
att svara på vissa saker

139
00:07:16,490 --> 00:07:21,140
att han säger, men utan
någon verklig förståelse.

140
00:07:21,140 --> 00:07:26,090
Och det är också parroting tillbaka en del
av de delar av sitt straff.

141
00:07:26,090 --> 00:07:27,310
>> Så vi sa, "Nej.

142
00:07:27,310 --> 00:07:29,090
I själva verket är jag en elektron. "

143
00:07:29,090 --> 00:07:34,190
Eliza svarade tillbaka, "Har du kommit
för mig eftersom du är en elektron? "

144
00:07:34,190 --> 00:07:34,690
Okej.

145
00:07:34,690 --> 00:07:36,050
Låt oss ge det en mer svar här.

146
00:07:36,050 --> 00:07:37,140
Ge det en bra, Miles.

147
00:07:37,140 --> 00:07:37,806
>> MILES: Bra ett?

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

149
00:07:48,400 --> 00:07:49,570
>> Ja, snälla hjälp mig.

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

151
00:07:50,570 --> 00:07:58,010
Snälla hjälp mig. "" Är du säker? "

152
00:07:58,010 --> 00:07:58,510
MILES: Nej

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

154
00:08:00,860 --> 00:08:03,562
"Vad betyder det föreslår till dig?"

155
00:08:03,562 --> 00:08:06,760
>> MILES: Jag kan inte vara en elektron.

156
00:08:06,760 --> 00:08:11,170
>> BRIAN Scassellati: "Jag
kanske inte är en elektron. "

157
00:08:11,170 --> 00:08:13,790
"Menar du att någon bara för att vara negativ?"

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

159
00:08:14,390 --> 00:08:16,030
Så Miles, tack så mycket.

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

161
00:08:16,860 --> 00:08:18,360
>> BRIAN Scassellati: Tack så mycket.

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

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

164
00:08:21,230 --> 00:08:26,700
>> Så detta ELIZA programmet, på många sätt,
svarar bara för bitarna

165
00:08:26,700 --> 00:08:32,730
att vi ger utan djup
förståelse för vad som händer här.

166
00:08:32,730 --> 00:08:36,640
Detta är en typ av system
kallas mönstermatchning, där

167
00:08:36,640 --> 00:08:40,490
Vi letar efter vissa
bitar av text som vi är sedan

168
00:08:40,490 --> 00:08:44,860
kommer att ta ut vad
tillhandahölls som indata,

169
00:08:44,860 --> 00:08:52,580
konvertera det, potentiellt, på något sätt,
och sedan ge den tillbaka till användaren.

170
00:08:52,580 --> 00:08:55,150
>> Gör något av er tror
att ELIZA är faktiskt

171
00:08:55,150 --> 00:08:58,230
utför giltig psyko här?

172
00:08:58,230 --> 00:08:59,250
En person, kanske.

173
00:08:59,250 --> 00:09:00,166
>> PUBLIK: [OHÖRBAR].

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

175
00:09:03,315 --> 00:09:05,440
BRIAN Scassellati: Och hur
Gör det du känner?

176
00:09:05,440 --> 00:09:06,530
Ja, i själva verket gör det.

177
00:09:06,530 --> 00:09:10,890
Och vi kommer att se, faktiskt, den
Källkoden för det på bara ett ögonblick.

178
00:09:10,890 --> 00:09:13,580
Och så att du kommer att vara
kunna göra just detta.

179
00:09:13,580 --> 00:09:17,420
>> Nu är ELIZA en form av vad
vi skulle kalla idag en chat bot.

180
00:09:17,420 --> 00:09:19,950
Det går bara igenom
text som du ger,

181
00:09:19,950 --> 00:09:24,030
ger ett absolut minimibelopp
förståelse eller behandling

182
00:09:24,030 --> 00:09:26,790
och sedan papegojor det tillbaka till dig.

183
00:09:26,790 --> 00:09:31,830
Så låt oss ta en titt,
konceptuellt, och tala om vad

184
00:09:31,830 --> 00:09:34,690
det är att ELIZA faktiskt gör.

185
00:09:34,690 --> 00:09:42,000
>> ELIZA tar en sentence-- låt oss
säger: "Jag vill imponera min chef."

186
00:09:42,000 --> 00:09:45,130
Och Eliza ser
genom den meningen

187
00:09:45,130 --> 00:09:48,730
och försöka hitta och
matcha vissa mönster.

188
00:09:48,730 --> 00:09:52,850
Så, till exempel, ett av mönstren
att ELIZA är ute efter är de ord

189
00:09:52,850 --> 00:09:55,110
"Jag vill."

190
00:09:55,110 --> 00:09:59,330
Och varje gång det ser något
som har "jag vill" i det,

191
00:09:59,330 --> 00:10:01,770
Det formulerar ett svar.

192
00:10:01,770 --> 00:10:05,040
Och att svaret är en fast sträng.

193
00:10:05,040 --> 00:10:07,915
I det här fallet är det "varför vill du?"

194
00:10:07,915 --> 00:10:11,330
Och jag satte en liten stjärna på
slutet eftersom det är bara

195
00:10:11,330 --> 00:10:13,310
I början av vårt svar.

196
00:10:13,310 --> 00:10:16,310
Och stjärnan visar att
vi kommer att ta resten

197
00:10:16,310 --> 00:10:19,850
av användarens utterance--
"att imponera på min chef" -

198
00:10:19,850 --> 00:10:24,500
och vi kommer att lägga det
på änden av denna sträng.

199
00:10:24,500 --> 00:10:28,990
>> Så nu, istället för att säga, "varför
vill du imponera på min chef, "

200
00:10:28,990 --> 00:10:31,800
det finns en liten bit av ytterligare
bearbetning som vi ska göra.

201
00:10:31,800 --> 00:10:34,440
Det vill säga, vi måste
omvandla en del av de pronomen

202
00:10:34,440 --> 00:10:38,670
här från "min chef" till "din chef."

203
00:10:38,670 --> 00:10:41,300
Och det kan finnas några andra
förändringar som vi måste göra.

204
00:10:41,300 --> 00:10:44,990
Så i stället för att bara sticker
direkt på slutet, vad vi ska göra

205
00:10:44,990 --> 00:10:49,160
är vi tar resten av
användarens utterance-- i vitt här--

206
00:10:49,160 --> 00:10:54,090
och vi tar det en bit i
en tid och konvertera varje sträng

207
00:10:54,090 --> 00:10:58,180
token, varje ord, i meningen.

208
00:10:58,180 --> 00:10:59,580
>> Så vi tar ordet "till."

209
00:10:59,580 --> 00:11:01,650
Det finns ingen omvandling
att vi måste göra det.

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

211
00:11:02,340 --> 00:11:04,140
Det finns ingen omvandling
vi behöver göra det.

212
00:11:04,140 --> 00:11:06,670
"Min" kommer att konvertera till "din".

213
00:11:06,670 --> 00:11:10,070
Och "boss" vi ska bara lämna som "boss".

214
00:11:10,070 --> 00:11:12,740
Och slutligen, vad som helst
som slutar med en period,

215
00:11:12,740 --> 00:11:16,640
vi ska omvandla den till en fråga.

216
00:11:16,640 --> 00:11:22,600
>> Detta mycket enkla mönstermatchning
är faktiskt ganska framgångsrik.

217
00:11:22,600 --> 00:11:27,260
Och när detta infördes
i 1966-- Joseph Weizenbaum

218
00:11:27,260 --> 00:11:28,986
programmerat detta på en dator.

219
00:11:28,986 --> 00:11:31,110
Nu, datorer på den tiden
var inte stationära modeller.

220
00:11:31,110 --> 00:11:33,950
De delades resurser.

221
00:11:33,950 --> 00:11:39,090
Och hans studenter skulle
gå och prata med ELIZA.

222
00:11:39,090 --> 00:11:41,570
Till slut var han tvungen att
begränsa tillgången till det

223
00:11:41,570 --> 00:11:43,890
eftersom hans elever var inte
få något arbete gjort.

224
00:11:43,890 --> 00:11:46,190
De var bara chatta med ELIZA.

225
00:11:46,190 --> 00:11:48,850
Och i själva verket var han tvungen att
brand hans assistent, som

226
00:11:48,850 --> 00:11:55,840
bringat all sin tid att tala med ELIZA
om hennes djupa och oroande problem.

227
00:11:55,840 --> 00:12:00,350
>> Alla som använt dessa system
började lik människan dem.

228
00:12:00,350 --> 00:12:04,490
De började att tänka på dem som
är levande och verkliga människor.

229
00:12:04,490 --> 00:12:07,969
De började att känna igen några av
de saker som de säger

230
00:12:07,969 --> 00:12:09,010
kom tillbaka till dem.

231
00:12:09,010 --> 00:12:12,120
Och de var att ta reda på
saker om sig själva.

232
00:12:12,120 --> 00:12:17,290
Och i själva verket, även experterna,
även psykoterapeuter,

233
00:12:17,290 --> 00:12:22,930
började oroa sig för att, i själva verket,
kanske ELIZA skulle ersätta dem.

234
00:12:22,930 --> 00:12:25,640
Och även om datorn
Forskarna oroar sig för att vi var

235
00:12:25,640 --> 00:12:30,040
så nära att lösa naturligt språk.

236
00:12:30,040 --> 00:12:33,520
>> Nu var det inte någonstans nära till true.

237
00:12:33,520 --> 00:12:37,280
Men det är hur imponerande
dessa system kan tyckas.

238
00:12:37,280 --> 00:12:40,080
Så låt oss börja titta
undertill och försök

239
00:12:40,080 --> 00:12:46,190
att få en liten bit av en fråga
var denna kod faktiskt händer.

240
00:12:46,190 --> 00:12:48,170
Så vi kommer att göra denna kod
tillgänglig i efterhand.

241
00:12:48,170 --> 00:12:50,880
Och detta är en mycket
enkel och direkt port

242
00:12:50,880 --> 00:12:53,240
av den ursprungliga genomförandet ELIZA.

243
00:12:53,240 --> 00:12:56,350
>> Så en del av dessa stilist
saker som du ser här

244
00:12:56,350 --> 00:12:59,360
är inte stilist vad
Vi vill att du ska göra

245
00:12:59,360 --> 00:13:01,480
eller vad vi har att lära dig att göra.

246
00:13:01,480 --> 00:13:04,770
Men vi har försökt att hålla dem
samma över många hamnar

247
00:13:04,770 --> 00:13:08,087
att detta har haft så att det
har smak av originalet.

248
00:13:08,087 --> 00:13:09,920
Så vi kommer att inkludera
en massa saker,

249
00:13:09,920 --> 00:13:12,920
och sedan kommer vi att ha en
uppsättning sökord, saker

250
00:13:12,920 --> 00:13:16,460
att ELIZA kommer att känna igen
och svara på direkt.

251
00:13:16,460 --> 00:13:20,780
Så om du har ord som
"kan du" eller "Jag vet inte" eller "nej"

252
00:13:20,780 --> 00:13:24,680
eller "ja" eller "dröm"
eller "Hej" och sedan ELIZA

253
00:13:24,680 --> 00:13:27,920
kommer att svara selektivt till dem.

254
00:13:27,920 --> 00:13:30,010
Vi kommer också att ha en
visst antal saker

255
00:13:30,010 --> 00:13:34,940
att vi kommer att byta, liksom
omvandla "min" till "din".

256
00:13:34,940 --> 00:13:39,920
>> Och då kommer vi att ha ett antal svar
att för var och en av dessa kategorier,

257
00:13:39,920 --> 00:13:42,580
vi ska rotera
dessa olika reaktioner.

258
00:13:42,580 --> 00:13:45,350
Så om jag säger "ja"
tre gånger i rad, jag

259
00:13:45,350 --> 00:13:50,429
kan få tre olika
svar från ELIZA.

260
00:13:50,429 --> 00:13:52,345
Vår kod, då är
faktiskt anmärkningsvärt enkel.

261
00:13:52,345 --> 00:13:59,490
Om jag bläddra ner förbi alla dessa
reaktioner som vi har programmerat in

262
00:13:59,490 --> 00:14:02,920
och vi får ner till våran,
vi kommer att initiera

263
00:14:02,920 --> 00:14:06,540
ett par olika variabler
och göra lite städning

264
00:14:06,540 --> 00:14:08,480
i början.

265
00:14:08,480 --> 00:14:11,760
Men sedan finns det absolut en uppsättning
kod som du kan förstå.

266
00:14:11,760 --> 00:14:15,820
En stor medan slinga som säger att jag är
kommer att upprepa detta om och om igen.

267
00:14:15,820 --> 00:14:20,420
Jag ska läsa i en linje, och jag ska
lagra den i en inmatningssträng.

268
00:14:20,420 --> 00:14:23,880
Jag ska kolla och se om det är
speciella nyckelordet "bye", som

269
00:14:23,880 --> 00:14:26,199
innebär avsluta programmet.

270
00:14:26,199 --> 00:14:29,240
Och sen ska jag kolla och se om
någon bara upprepar sig

271
00:14:29,240 --> 00:14:29,800
om och om.

272
00:14:29,800 --> 00:14:31,174
Och jag ska skrika på dem om de gör.

273
00:14:31,174 --> 00:14:34,820
Jag ska säga "inte upprepa dig själv."

274
00:14:34,820 --> 00:14:40,500
>> Så länge ingen av dem hända, vi ska
sedan söka igenom och slinga genom,

275
00:14:40,500 --> 00:14:45,330
på ledningarna 308 till 313
här, och kontrollera och se

276
00:14:45,330 --> 00:14:49,090
är några av de sökord
fraser som ingår i inmatnings

277
00:14:49,090 --> 00:14:50,620
att jag bara fick?

278
00:14:50,620 --> 00:14:54,845
Om det finns en match för dem, och
då kommer jag ihåg den platsen.

279
00:14:54,845 --> 00:14:57,050
Jag kommer ihåg det sökordet.

280
00:14:57,050 --> 00:14:58,620
Och jag kommer att kunna bygga ett svar.

281
00:14:58,620 --> 00:15:03,150
>> Om jag inte hittar en, ja då,
det sista i min sökords array

282
00:15:03,150 --> 00:15:08,070
kommer att vara mina standardsvaren,
när inget annat matcher.

283
00:15:08,070 --> 00:15:14,160
Jag ska ställa frågor som "Varför gjorde du
hit? "eller" Hur kan jag hjälpa dig? "

284
00:15:14,160 --> 00:15:19,710
som bara delvis är lämpligt
oavsett vad ingången är.

285
00:15:19,710 --> 00:15:22,580
>> Vi kommer sedan bygga upp ELIZA svar.

286
00:15:22,580 --> 00:15:26,040
Vi kommer att kunna ta
denna bas svar,

287
00:15:26,040 --> 00:15:28,370
precis som vi gjorde i att
"min chef" exempel.

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

289
00:15:30,970 --> 00:15:33,990
Om det är allt som finns
är-- om det bara är en

290
00:15:33,990 --> 00:15:36,860
sträng som jag ska respond--
Jag kan bara skicka det tillbaka ut.

291
00:15:36,860 --> 00:15:40,610
Om den har en asterisk på
I slutet av det, då ska jag

292
00:15:40,610 --> 00:15:45,710
behandla varje enskild token i
resten av användarens svar

293
00:15:45,710 --> 00:15:51,590
och lägga till dem i, byta ut
ord för ord som jag behöver.

294
00:15:51,590 --> 00:15:56,100
>> Allt detta är absolut
något som du kan bygga.

295
00:15:56,100 --> 00:15:59,230
Och faktiskt, det sätt på vilket vi
har bearbetat kommandoradsargument,

296
00:15:59,230 --> 00:16:03,570
det sätt på vilket du har
bearbetas genom HTTP-förfrågningar

297
00:16:03,570 --> 00:16:05,510
följa samma slags regler.

298
00:16:05,510 --> 00:16:08,220
De är mönstermatchning.

299
00:16:08,220 --> 00:16:15,170
>> Så ELIZA hade en relativt viktig
inverkan på naturligt språk

300
00:16:15,170 --> 00:16:21,620
eftersom det gjorde det verkar som om det var en
mycket realistiskt mål, som på något sätt skulle vi

301
00:16:21,620 --> 00:16:25,550
kunna lösa detta problem direkt.

302
00:16:25,550 --> 00:16:30,670
Nu, som inte är att säga att ELIZA gör
allt som vi skulle vilja göra.

303
00:16:30,670 --> 00:16:33,710
Absolut inte.

304
00:16:33,710 --> 00:16:35,660
Men vi bör kunna
att göra något mer.

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

306
00:16:38,280 --> 00:16:41,490
>> Vårt första steg att gå
bortom ELIZA går

307
00:16:41,490 --> 00:16:44,840
för att kunna titta på
inte text matas in

308
00:16:44,840 --> 00:16:53,750
i tangentbordet men tal, faktiska
tal registreras i en mikrofon.

309
00:16:53,750 --> 00:16:56,880
Så som vi ser på dessa
olika delar, vi är

310
00:16:56,880 --> 00:17:00,304
kommer att behöva bygga en uppsättning av modeller.

311
00:17:00,304 --> 00:17:02,970
Vi kommer att behöva för att kunna
att gå från låg nivå akustiska

312
00:17:02,970 --> 00:17:07,180
information-- beck,
amplitud, frequency--

313
00:17:07,180 --> 00:17:09,530
och omvandla det till
vissa enheter som vi är

314
00:17:09,530 --> 00:17:14,619
kunna lättare manipulera
och slutligen manipulera dem

315
00:17:14,619 --> 00:17:18,609
i ord och meningar.

316
00:17:18,609 --> 00:17:22,880
>> Så de flesta taligenkänning
system som finns där ute idag

317
00:17:22,880 --> 00:17:26,069
följa en statistisk
modell där vi bygger

318
00:17:26,069 --> 00:17:35,090
tre separata representationer av vad
att ljudsignalen faktiskt innehåller.

319
00:17:35,090 --> 00:17:38,640
Vi börjar med en fonetisk modell
som talar om just basen

320
00:17:38,640 --> 00:17:41,250
ljud som jag producerar.

321
00:17:41,250 --> 00:17:46,900
Jag producera något som är
B som i pojke eller en D som i hund?

322
00:17:46,900 --> 00:17:53,220
Hur känner jag igen dessa två olika
telefoner som separata och distinkta?

323
00:17:53,220 --> 00:17:56,600
>> Ovanpå det, ska vi sedan bygga
ett ord uttal modell,

324
00:17:56,600 --> 00:18:01,350
något som binder samman
de enskilda telefoner

325
00:18:01,350 --> 00:18:04,724
och kombinerar dem i ett ord.

326
00:18:04,724 --> 00:18:07,890
Och efter det, tar vi orden
och vi kommer att sätta ihop dem med ett språk

327
00:18:07,890 --> 00:18:13,010
modell till en hel mening.

328
00:18:13,010 --> 00:18:17,230
>> Nu ska vi prata om varje
av dessa oberoende och separat.

329
00:18:17,230 --> 00:18:21,580
Men dessa tre modeller är alla
bara kommer att bli statistik.

330
00:18:21,580 --> 00:18:23,502
Och det betyder när vi
arbeta med dem, vi ska

331
00:18:23,502 --> 00:18:25,376
kunna arbeta med
dem alla samtidigt.

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

333
00:18:28,100 --> 00:18:28,600
Okej.

334
00:18:28,600 --> 00:18:30,890
Låt oss börja med vår fonetiska modell.

335
00:18:30,890 --> 00:18:34,470
Så fonetiska modeller lita på
en beräkningsteknik

336
00:18:34,470 --> 00:18:37,320
kallade dolda Markov-modeller.

337
00:18:37,320 --> 00:18:43,050
Dessa är grafiska modeller där jag
har och erkänna en stat i världen

338
00:18:43,050 --> 00:18:46,500
som kännetecknas
genom en uppsättning funktioner.

339
00:18:46,500 --> 00:18:51,960
Och detta tillstånd beskriver å ena sidan
en åtgärd som jag sysslar med.

340
00:18:51,960 --> 00:19:00,190
>> Så om jag tycker om att göra
ljudet "ma" som mamma,

341
00:19:00,190 --> 00:19:03,970
det finns olika
komponenter till ljudet.

342
00:19:03,970 --> 00:19:07,230
Det finns en del där jag dra in andan.

343
00:19:07,230 --> 00:19:09,560
Och då jag handväska mina läppar.

344
00:19:09,560 --> 00:19:13,710
Och jag rullar mina läppar tillbaka lite
bit för att göra det "ma" ljud.

345
00:19:13,710 --> 00:19:15,340
Och så finns det en release.

346
00:19:15,340 --> 00:19:17,020
Mina läppar faller isär.

347
00:19:17,020 --> 00:19:19,030
Luft utvisas.

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

349
00:19:22,650 --> 00:19:29,250
>> Dessa tre olika delar skulle vara
representeras av stater i denna graph--

350
00:19:29,250 --> 00:19:33,420
början, mitten och slutet.

351
00:19:33,420 --> 00:19:38,060
Och jag skulle ha övergångar som
tillät mig att resa från en stat

352
00:19:38,060 --> 00:19:42,260
till nästa med en viss sannolikhet.

353
00:19:42,260 --> 00:19:47,250
Så, till exempel, att M
ljud kan ha en mycket,

354
00:19:47,250 --> 00:19:51,850
mycket kort intag vid beginning--
"mm" - och sedan en längre,

355
00:19:51,850 --> 00:19:55,640
vibrations fas där jag höll min
läppar tillsammans och nästan humming--

356
00:19:55,640 --> 00:20:05,090
"mmmm" - och sedan en mycket kort
klusil där jag utvisa breath-- "ma".

357
00:20:05,090 --> 00:20:09,370
>> Den dolda Markov-modellen är
utformade för att fånga det faktum

358
00:20:09,370 --> 00:20:13,340
att det sätt som jag gör
att ljudet "ma" kommer

359
00:20:13,340 --> 00:20:17,350
att vara något olika i
Tidpunkt, är frekvensen,

360
00:20:17,350 --> 00:20:21,030
och dess funktioner än
det sätt som du gör det

361
00:20:21,030 --> 00:20:23,300
eller det sätt som jag kan
gör det när jag pratar

362
00:20:23,300 --> 00:20:26,030
om olika användningar av brevet.

363
00:20:26,030 --> 00:20:33,240
"Mother" och "kan jag" kommer
låter lite annorlunda.

364
00:20:33,240 --> 00:20:36,800
>> Så för att känna igen en
visst ljud, vi skulle

365
00:20:36,800 --> 00:20:42,020
bygga Markov-modeller, dessa dolda Markov
modeller, av alla möjliga telefon som jag

366
00:20:42,020 --> 00:20:45,840
kanske vill erkänna,
alla möjliga ljud,

367
00:20:45,840 --> 00:20:49,750
och sedan titta på
akustiska data som jag har

368
00:20:49,750 --> 00:20:54,430
och bestämma statist
vilken som är den mest sannolika en

369
00:20:54,430 --> 00:20:58,110
att ha producerat detta ljud.

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 denna modell, vi sedan
börja bygga ovanpå den.

373
00:21:06,750 --> 00:21:09,330
Vi tar en uttal modell.

374
00:21:09,330 --> 00:21:11,790
Nu, ibland uttal
modeller är enkla och lätta

375
00:21:11,790 --> 00:21:14,440
eftersom det finns bara en
sätt man uttalar något.

376
00:21:14,440 --> 00:21:17,990
Andra gånger, de är en
lite mer komplicerat.

377
00:21:17,990 --> 00:21:21,340
Här är en uttals
för det röda sak som är

378
00:21:21,340 --> 00:21:25,210
en frukt som du gör ketchup ur.

379
00:21:25,210 --> 00:21:27,360
Folk tror inte att det är en frukt.

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

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

382
00:21:30,880 --> 00:21:35,300
>> Nu finns det många olika sätt
att människor kommer att uttala ordet.

383
00:21:35,300 --> 00:21:37,780
Vissa kommer att säga "toe-maj-tå."

384
00:21:37,780 --> 00:21:40,880
Vissa kommer att säga "toe-mah-tå."

385
00:21:40,880 --> 00:21:44,800
Och vi kan fånga det med
en av dessa grafiska modeller

386
00:21:44,800 --> 00:21:48,305
där, återigen, vi representerar övergångar
som har en viss sannolikhet

387
00:21:48,305 --> 00:21:51,360
och tillhörande sannolikhet med dem.

388
00:21:51,360 --> 00:21:58,290
>> Så i det här fallet, om jag skulle följa
topp vägen genom hela denna graf,

389
00:21:58,290 --> 00:22:03,330
Jag skulle börja på brevet
längst till vänster, den "ta" ljud.

390
00:22:03,330 --> 00:22:07,570
Jag skulle ta den övre halvan,
den "Åh," och sedan en "ma"

391
00:22:07,570 --> 00:22:14,530
och sedan ett "a" och sedan en
"ta" och en "oh." "Toe-maj-tå."

392
00:22:14,530 --> 00:22:19,610
Om jag tog botten väg genom
detta kommer jag att få "ta-mah-tå."

393
00:22:19,610 --> 00:22:26,810
Och om jag gick ner och sedan
upp, jag skulle få "ta-maj-tå."

394
00:22:26,810 --> 00:22:29,950
>> Dessa modeller fånga dessa
skillnader för när

395
00:22:29,950 --> 00:22:32,410
Vi distribuerar ett av dessa
erkännande system,

396
00:22:32,410 --> 00:22:35,340
det kommer att behöva arbeta med
massor av olika typer av människor,

397
00:22:35,340 --> 00:22:39,295
massor av olika accenter, och även
olika användningar av samma ord.

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

399
00:22:42,204 --> 00:22:44,120
Slutligen, på toppen av det,
Vi ska bygga något

400
00:22:44,120 --> 00:22:48,780
som ser riktigt komplicerat,
kallas språkmodellen,

401
00:22:48,780 --> 00:22:52,950
men i själva verket är det enklaste av
den tre eftersom dessa fungerar

402
00:22:52,950 --> 00:22:56,041
på så kallade n-gram modeller.

403
00:22:56,041 --> 00:23:02,270
Och i detta fall, jag visar dig
en tvådelad n-gram modellen, en bigram.

404
00:23:02,270 --> 00:23:08,910
Vi kommer att göra fysiska idén
som ibland, vissa ord är

405
00:23:08,910 --> 00:23:14,680
mer benägna att följa en
givet ord än andra.

406
00:23:14,680 --> 00:23:25,210
Om jag sa bara "väderprognos"
nästa ord skulle sannolikt vara "i dag"

407
00:23:25,210 --> 00:23:31,510
eller kan vara "vädret
prognos i morgon. "

408
00:23:31,510 --> 00:23:38,870
Men det är osannolikt att vara "
väderprognos kronärtskocka. "

409
00:23:38,870 --> 00:23:42,980
>> Vilken språkmodell gör är
den fångar de statist

410
00:23:42,980 --> 00:23:47,450
genom att räkna, från några mycket stora
corpus, alla instanser

411
00:23:47,450 --> 00:23:50,890
i vilket ett ord följer en annan.

412
00:23:50,890 --> 00:23:54,300
Så om jag tar en stor corpus--
som varje Wall Street Journal

413
00:23:54,300 --> 00:24:00,750
som har producerats sedan 1930,
vilket är en av standard corpuses--

414
00:24:00,750 --> 00:24:03,910
och jag ser igenom alla
texten, och jag räknar

415
00:24:03,910 --> 00:24:09,770
upp hur många gånger efter
"prognos" gör jag ser "i dag"

416
00:24:09,770 --> 00:24:17,454
och hur många gånger ser jag
"prognos" följt av "kronärtskocka"

417
00:24:17,454 --> 00:24:19,370
den första går
att vara mycket mer benägna.

418
00:24:19,370 --> 00:24:21,540
Det kommer att visas
mycket oftare.

419
00:24:21,540 --> 00:24:24,610
Och så det ska ha en högre
sannolikhet i samband med det.

420
00:24:24,610 --> 00:24:27,340
>> Om jag vill räkna ut
Sannolikheten för en hel yttrande,

421
00:24:27,340 --> 00:24:29,940
då, jag bara bryta upp.

422
00:24:29,940 --> 00:24:35,990
Så sannolikheten för förhandlingen
meningen "råttan åt osten"

423
00:24:35,990 --> 00:24:39,110
är sannolikheten för ordet
"" start en mening,

424
00:24:39,110 --> 00:24:42,540
och sedan sannolikheten för att
ordet "råtta" följer ordet "den"

425
00:24:42,540 --> 00:24:44,910
och sannolikheten att den
ordet "åt" följer "råtta"

426
00:24:44,910 --> 00:24:51,120
och sannolikheten att
"ost" följer "åt."

427
00:24:51,120 --> 00:24:55,160
>> Detta låter som en hel del
statistik, en hel del sannolikheter.

428
00:24:55,160 --> 00:24:57,510
Och det är allt som det är.

429
00:24:57,510 --> 00:25:02,920
Men det fantastiska är om du gör detta
med en tillräckligt stor prov av data,

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

431
00:25:03,670 --> 00:25:05,250
Och det fungerar oerhört bra.

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

433
00:25:07,810 --> 00:25:11,420
Vi vet alla dessa tekniker.

434
00:25:11,420 --> 00:25:16,500
De flesta operativsystem komma med
röstigenkänning på denna punkt.

435
00:25:16,500 --> 00:25:20,940
Vi använder Siri och Cortana och Echo.

436
00:25:20,940 --> 00:25:25,070
Och dessa saker är baserade på
denna typ av tre-skikt model--

437
00:25:25,070 --> 00:25:30,620
en fonetisk modell i botten, en
uttal modell i mitten,

438
00:25:30,620 --> 00:25:33,690
och en språkmodell ovanpå dem.

439
00:25:33,690 --> 00:25:37,630
>> Nu måste de göra en lite mer
än att för att svara på frågor.

440
00:25:37,630 --> 00:25:43,000
Men erkännandet av vad du
ordspråket beror just på det.

441
00:25:43,000 --> 00:25:45,700
Så låt oss ta ett exempel här.

442
00:25:45,700 --> 00:25:52,020
Så jag har min telefon sitter här uppe
under dokumentkamera.

443
00:25:52,020 --> 00:25:56,110
Och vi kommer att uppmanas
Siri några frågor.

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

445
00:25:57,150 --> 00:25:59,940
>> Så låt oss vakna upp min mobiltelefon.

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

447
00:26:02,710 --> 00:26:05,000
Siri, vad är vädret
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: Här är vädret för
New Haven, Connecticut idag.

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

451
00:26:11,890 --> 00:26:16,720
Så du först såg att Siri igen
vart och ett av de enskilda ord

452
00:26:16,720 --> 00:26:19,050
och sedan producerade ett svar.

453
00:26:19,050 --> 00:26:22,277
Vi pratar om hur detta svar
kommer till stånd i en liten bit.

454
00:26:22,277 --> 00:26:24,110
Men nu när vi vet
att detta bara är baserad

455
00:26:24,110 --> 00:26:28,880
på rå statistik och detta
mönstermatchning typ av strategi,

456
00:26:28,880 --> 00:26:31,120
vi kan spela vissa spel med Siri.

457
00:26:31,120 --> 00:26:34,560
>> Så jag kan försöka igen.

458
00:26:34,560 --> 00:26:38,864
Siri, vad är vädret
flodhäst New Haven, idag?

459
00:26:38,864 --> 00:26:39,810
>> SIRI: OK.

460
00:26:39,810 --> 00:26:44,245
Här är vädret för New
Haven, Connecticut för i dag.

461
00:26:44,245 --> 00:26:46,120
BRIAN Scassellati: Siris
inte skrämda av det

462
00:26:46,120 --> 00:26:50,980
eftersom det är hittat pattern--
"väder", "idag", "New Haven."

463
00:26:50,980 --> 00:26:54,420
Det är vad det svarar
till, precis som ELIZA.

464
00:26:54,420 --> 00:26:54,920
Okej.

465
00:26:54,920 --> 00:26:59,390
Låt oss ge det en jämnare
mer löjligt exempel.

466
00:26:59,390 --> 00:27:03,075
Siri, väder kronärtskocka
bältdjur flodhäst New Haven?

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

468
00:27:06,806 --> 00:27:08,400
>> SIRI: Låt mig kontrollera det.

469
00:27:08,400 --> 00:27:11,280
Här är vad jag hittade på webben
för vad är kronärtskockor bältdjur

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

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

472
00:27:14,760 --> 00:27:20,400
Så om jag går tillräckligt långt
borta från denna modell,

473
00:27:20,400 --> 00:27:24,365
Jag kan förvirra det eftersom det inte
längre matchar mönster som den har.

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

475
00:27:27,370 --> 00:27:29,390
Och det statistiska
motor som säger,

476
00:27:29,390 --> 00:27:32,850
Vad är sannolikheten för att du har
orden flodhäst och kronärtskocka

477
00:27:32,850 --> 00:27:34,440
tillsammans, och bältdjur?

478
00:27:34,440 --> 00:27:36,050
Det har kommit att bli något nytt.

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

480
00:27:38,840 --> 00:27:40,610
>> Så dessa tekniker som vi använder varje dag.

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

482
00:27:43,670 --> 00:27:47,800
Om vi ​​vill ta dem ett steg
vidare, men om vi faktiskt

483
00:27:47,800 --> 00:27:53,930
vill kunna tala om vad det
är att dessa system svarar på,

484
00:27:53,930 --> 00:28:00,630
Vi måste prata, återigen, om en
mer grundläggande uppsättning frågor.

485
00:28:00,630 --> 00:28:05,370
Och det är ett ämne i kommunikation
som vi kallar fråga svarare.

486
00:28:05,370 --> 00:28:07,028
Det vill säga, vi vill kunna att-- ja?

487
00:28:07,028 --> 00:28:07,944
PUBLIK: [OHÖRBAR].

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

489
00:28:10,789 --> 00:28:13,330
BRIAN Scassellati: Får vi
i latent semantisk behandling?

490
00:28:13,330 --> 00:28:14,070
Så ja.

491
00:28:14,070 --> 00:28:17,820
Det finns en massa saker som är
händer under ytan med Siri

492
00:28:17,820 --> 00:28:20,210
och i några av exemplen
Jag ska visa dig nästa

493
00:28:20,210 --> 00:28:22,610
där det finns en hel del
i termer av struktur

494
00:28:22,610 --> 00:28:25,260
av vad du säger som är viktigt.

495
00:28:25,260 --> 00:28:31,890
Och i själva verket är det en stor
föregångare för nästa bild för mig.

496
00:28:31,890 --> 00:28:35,110
>> Så på samma sätt som vår
taligenkänning byggdes upp

497
00:28:35,110 --> 00:28:39,620
av flera skikt, om vi vill
förstå vad det är som faktiskt

498
00:28:39,620 --> 00:28:44,620
sagt, ska vi igen
förlita sig på en flerskiktsanalys

499
00:28:44,620 --> 00:28:47,020
av texten som är erkänns.

500
00:28:47,020 --> 00:28:52,560
Så när Siri är faktiskt kan
säg, ser jag hittade dessa ord.

501
00:28:52,560 --> 00:28:55,230
Nu vad ska jag göra med dem?

502
00:28:55,230 --> 00:28:59,110
Den första komponenten är ofta att
gå igenom och försöka analysera

503
00:28:59,110 --> 00:29:03,010
strukturen av meningen.

504
00:29:03,010 --> 00:29:05,410
Och vad har vi sett
i skolan, ofta,

505
00:29:05,410 --> 00:29:08,920
som en slags diagram
meningar, kommer vi

506
00:29:08,920 --> 00:29:12,774
att erkänna att vissa
ord har vissa roller.

507
00:29:12,774 --> 00:29:13,440
Dessa är substantiv.

508
00:29:13,440 --> 00:29:14,231
Dessa är pronomen.

509
00:29:14,231 --> 00:29:16,200
Dessa är verb.

510
00:29:16,200 --> 00:29:19,460
Och vi kommer att känna igen
att för en viss grammatik,

511
00:29:19,460 --> 00:29:24,700
i det här fallet engelsk grammatik, finns
giltiga sätt som jag kan kombinera dem

512
00:29:24,700 --> 00:29:26,280
och andra sätt som inte är giltiga.

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

514
00:29:29,920 --> 00:29:33,870
>> Att erkännandet, denna struktur,
kan vara tillräckligt för att hjälpa vägleda oss

515
00:29:33,870 --> 00:29:36,720
lite grann.

516
00:29:36,720 --> 00:29:39,820
Men det är inte tillräckligt
för att vi ska kunna ge

517
00:29:39,820 --> 00:29:43,290
någon mening vad som sägs här.

518
00:29:43,290 --> 00:29:46,615
För att göra det, vi måste lita på
en viss mängd av semantisk bearbetning.

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

520
00:29:49,590 --> 00:29:55,080
Det vill säga, vi kommer att behöva leta
på undersidan vad var och en av dessa ord

521
00:29:55,080 --> 00:29:57,400
faktiskt bedriver som en mening.

522
00:29:57,400 --> 00:30:01,150
Och i det enklaste sättet att göra detta,
vi kommer att associera med varje ord

523
00:30:01,150 --> 00:30:06,930
att vi känner en viss funktion,
en viss omvandling som det

524
00:30:06,930 --> 00:30:09,300
gör det möjligt att hända.

525
00:30:09,300 --> 00:30:14,470
>> I det här fallet kan vi märka
ordet "John" som ett egennamn,

526
00:30:14,470 --> 00:30:18,160
att den bär med sig en identitet.

527
00:30:18,160 --> 00:30:21,530
Och vi kan märka
"Mary" som på samma sätt.

528
00:30:21,530 --> 00:30:27,900
Medan ett verb som "älskar", som
utgör ett speciellt förhållande

529
00:30:27,900 --> 00:30:31,582
att vi kan företräda.

530
00:30:31,582 --> 00:30:33,290
Nu, det betyder inte att
att vi förstår

531
00:30:33,290 --> 00:30:37,680
vad kärlek är, men bara att vi förstår
den i vägen för ett symboliskt system.

532
00:30:37,680 --> 00:30:40,480
Det vill säga, vi kan märka
den och manipulera den.

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

534
00:30:44,230 --> 00:30:49,120
>> Med var och en av dessa typer av tillvägagångssätt,
någon typ av semantisk bearbetning

535
00:30:49,120 --> 00:30:57,060
här kommer att kräva lite
lite kunskap och en hel del arbete

536
00:30:57,060 --> 00:30:59,020
på vår del.

537
00:30:59,020 --> 00:31:03,590
Vi är inte längre i riket
där bara vanlig statistik

538
00:31:03,590 --> 00:31:07,320
kommer att vara tillräckligt för oss.

539
00:31:07,320 --> 00:31:11,330
Nu, för att gå
från denna punkt till vara

540
00:31:11,330 --> 00:31:15,520
kunna tala om insidan av
vad som faktiskt händer här,

541
00:31:15,520 --> 00:31:19,640
att kunna manipulera denna
strukturera och förstå en fråga

542
00:31:19,640 --> 00:31:23,160
och sedan kunna
att gå ut och söka,

543
00:31:23,160 --> 00:31:27,290
som kräver en mer
komplex kognitiv modell.

544
00:31:27,290 --> 00:31:34,880
>> Det sätt på vilket dessa system byggs
är för det mesta mycket, mycket arbets

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

546
00:31:36,350 --> 00:31:39,490
De involverar människor
spendera en hel del

547
00:31:39,490 --> 00:31:44,100
tid strukturera sätt i
som dessa typer av meningar

548
00:31:44,100 --> 00:31:47,270
kan representeras i en viss logik.

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

550
00:31:51,639 --> 00:31:53,430
Det blir även lite
mer komplex, men.

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

552
00:31:56,400 --> 00:31:59,660
>> Även när vi har behandlat
med semantik, vi ska

553
00:31:59,660 --> 00:32:03,860
fortfarande måste titta på
pragmatik av vad som sägs.

554
00:32:03,860 --> 00:32:08,620
Det är, hur gör jag relatera ord
att jag måste något fysiskt ut

555
00:32:08,620 --> 00:32:12,054
där i världen eller åtmin
stone någon informationskälla

556
00:32:12,054 --> 00:32:12,970
att jag kan manipulera?

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

558
00:32:15,780 --> 00:32:20,790
>> Ibland dessa leder till
underbara bitar av tvetydighet.

559
00:32:20,790 --> 00:32:24,470
"Red-hot stjärnan att gifta astronom."

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

561
00:32:25,630 --> 00:32:28,540
Nu läser vi att när
rolig typ av rubrik

562
00:32:28,540 --> 00:32:34,690
att vi skulle se på sena natten TV
eftersom vi inte tolka "stjärna"

563
00:32:34,690 --> 00:32:38,630
att få sin himlakropp innebörd.

564
00:32:38,630 --> 00:32:43,390
Vi vet att det betyder mer
vanliga skådespelare

565
00:32:43,390 --> 00:32:45,240
med höga halter av synlighet.

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

567
00:32:47,770 --> 00:32:51,950
>> "Squad hjälper hund biter offer."

568
00:32:51,950 --> 00:32:55,550
Är det så att truppen är faktiskt
därute hjälpa en hund

569
00:32:55,550 --> 00:32:59,620
att gå runt och bita offer?

570
00:32:59,620 --> 00:33:02,380
Eller är det så att det fanns
en person som var

571
00:33:02,380 --> 00:33:04,625
biten av en hund som behövde lite hjälp?

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

573
00:33:07,650 --> 00:33:11,480
Bara från att titta på syntaxen
och semantiken av meningar,

574
00:33:11,480 --> 00:33:14,660
vi kan inte avgöra det.

575
00:33:14,660 --> 00:33:22,000
>> "Helikopter drivs av mänskliga flugor."

576
00:33:22,000 --> 00:33:27,330
Finns det, i själva verket, faktiska
små saker som flyger runt det

577
00:33:27,330 --> 00:33:34,510
är människor med vingar driver
helikoptrar för mänsklighetens bästa?

578
00:33:34,510 --> 00:33:38,960
Eller finns det en mekanisk anordning
som får sin ström från en person?

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

580
00:33:41,600 --> 00:33:46,500
>> När vi tittar på frågan
svarar system,

581
00:33:46,500 --> 00:33:51,110
dessa är de lager som
Vi måste ta itu med.

582
00:33:51,110 --> 00:33:54,890
Nu, den bästa och mest sortera
av förekommande av dessa system

583
00:33:54,890 --> 00:34:00,640
idag kan göra
saker på en nivå som är

584
00:34:00,640 --> 00:34:05,050
långt utöver vad vi hade för 10 år sedan.

585
00:34:05,050 --> 00:34:08,210
Här är en av de bästa systemen
det är där ute idag.

586
00:34:08,210 --> 00:34:10,519
Och detta är ett system
från IBM kallade Watson.

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

588
00:34:13,040 --> 00:34:15,500
Detta är från våra vänner på IBM.

589
00:34:15,500 --> 00:34:19,810
Detta är Katherine banker, Jia Chen,
och Priscilla Moraes ger oss

590
00:34:19,810 --> 00:34:26,323
en demonstration av Watson
igår i IBM Yorktown.

591
00:34:26,323 --> 00:34:26,989
[VIDEOAVSPELNING]

592
00:34:26,989 --> 00:34:27,690
-Hur mår du?

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

594
00:34:30,600 --> 00:34:31,980
>> -Jag mår bra.

595
00:34:31,980 --> 00:34:35,429
Jag är alltid glad när jag
tänkande, särskilt när jag

596
00:34:35,429 --> 00:34:38,920
kan sval i dessa serverrum.

597
00:34:38,920 --> 00:34:40,170
-Vem Är din favorit skådespelare?

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

599
00:34:43,870 --> 00:34:47,555
>> -Min Favorit skådespelare
Angelina Jolie som Lara Croft

600
00:34:47,555 --> 00:34:54,800
i Tomb Raider eftersom hennes ursprungliga
formen var som en virtuell karaktär som mig.

601
00:34:54,800 --> 00:34:56,760
>> -Hur Kan Watson hjälpa patienter?

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

603
00:34:59,700 --> 00:35:03,755
>> -Är Planen för patienter till
har tillgång till Watson direkt?

604
00:35:03,755 --> 00:35:08,050
Tillgång till Watson rådgivande
applikationer varierar beroende på användningsfall.

605
00:35:08,050 --> 00:35:12,630
Men för närvarande, kommer Watson bara ge
möjlig diagnos och behandling

606
00:35:12,630 --> 00:35:14,725
optioner till läkare eller sjuksköterska.

607
00:35:14,725 --> 00:35:17,680
I förekommande fall, patienter
kan ge information

608
00:35:17,680 --> 00:35:21,210
Watson, kanske genom en
portal webbgränssnitt, tablet,

609
00:35:21,210 --> 00:35:23,500
eller till och med en mobiltelefon.

610
00:35:23,500 --> 00:35:27,180
Till exempel kan en patient vara
ombedd att beskriva sina symptom

611
00:35:27,180 --> 00:35:30,460
i naturligt språk direkt
till en Watson-lösning,

612
00:35:30,460 --> 00:35:34,050
tillåter läkaren att fokusera på
datainsamling diagnos och inte.

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

614
00:35:38,379 --> 00:35:42,716
>> -Vem Mördade Abraham Lincoln?

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

616
00:35:46,153 --> 00:35:52,373
>> -I Vilket år gjorde Arizona
Diamond vinna World Series?

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

618
00:35:55,295 --> 00:35:58,710
>> [END SPELA]

619
00:35:58,710 --> 00:36:01,610
>> BRIAN Scassellati: Så
dessa typer av system

620
00:36:01,610 --> 00:36:07,430
måste förlita sig på först och främst
erkänner tal; andra,

621
00:36:07,430 --> 00:36:12,200
omvandla den till en meningsfull inre
representation; och sedan, för det tredje,

622
00:36:12,200 --> 00:36:17,090
att kunna gå ut och hitta
informationskällan som

623
00:36:17,090 --> 00:36:21,140
ger dem möjlighet att svara på den frågan.

624
00:36:21,140 --> 00:36:27,320
Denna nivå av komplexitet innebär
samma typer av prog saker

625
00:36:27,320 --> 00:36:31,790
att du har varit
gör i problemsamlingar.

626
00:36:31,790 --> 00:36:38,000
>> Vi kan analysera HTTP-begäranden i
samma typ av lågaktivt mönster

627
00:36:38,000 --> 00:36:40,810
matchning som ELIZA kan göra.

628
00:36:40,810 --> 00:36:45,070
Vi kan konvertera dem
i en intern representation,

629
00:36:45,070 --> 00:36:50,360
och sedan använda dem för att fråga några
extern databas, eventuellt med hjälp av SQL.

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

631
00:36:53,530 --> 00:36:56,260
Alla system som
byggs idag

632
00:36:56,260 --> 00:37:00,520
att göra den här typen av naturliga
språkkommunikations

633
00:37:00,520 --> 00:37:04,100
byggs på
samma principer.

634
00:37:04,100 --> 00:37:09,530
>> Nu, även ett system som
Watson är inte komplex nog

635
00:37:09,530 --> 00:37:14,820
för att kunna svara på godtyckliga
frågor om vilket ämne som helst.

636
00:37:14,820 --> 00:37:20,060
Och i själva verket måste vara
strukturerad inom en viss domän.

637
00:37:20,060 --> 00:37:24,440
Så du kan gå online och du kan hitta
versioner av Watson som fungerar väl

638
00:37:24,440 --> 00:37:27,700
inom medicinsk informatik.

639
00:37:27,700 --> 00:37:31,490
Eller det finns en på nätet
som bara handlar om hur

640
00:37:31,490 --> 00:37:34,540
att göra bra rekommendationer om
vilken öl går med vilken mat.

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

642
00:37:37,060 --> 00:37:41,870
Och inom dessa områden,
det kan svara på frågor,

643
00:37:41,870 --> 00:37:46,130
hitta den information den behöver.

644
00:37:46,130 --> 00:37:48,270
>> Men du kan inte blanda och matcha dem.

645
00:37:48,270 --> 00:37:53,150
Systemet som har tränats
med databasen över mat och öl

646
00:37:53,150 --> 00:37:56,830
fungerar inte bra när du plötsligt
sätta in med den medicinska informatik

647
00:37:56,830 --> 00:37:59,770
databas.

648
00:37:59,770 --> 00:38:05,680
Så även våra bästa systemen idag
förlita sig på en nivå av behandling

649
00:38:05,680 --> 00:38:11,570
där vi är hand kodning och
byggnad i infrastrukturen för

650
00:38:11,570 --> 00:38:13,275
att göra detta system kör.

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

652
00:38:16,360 --> 00:38:20,710
>> Nu, det sista ämnet jag vill
för att kunna komma till idag

653
00:38:20,710 --> 00:38:23,960
handlar om icke-verbal kommunikation.

654
00:38:23,960 --> 00:38:29,290
En stor mängd information som
vi kommunicerar med varandra

655
00:38:29,290 --> 00:38:35,490
inte komma till stånd genom
enskilda ord som vi tillämpar.

656
00:38:35,490 --> 00:38:40,290
Det har att göra med saker som
närhet, blick, din röst,

657
00:38:40,290 --> 00:38:42,270
din böjningsformer.

658
00:38:42,270 --> 00:38:46,620
Och att kommunikation är också
något som många olika gränssnitt

659
00:38:46,620 --> 00:38:49,960
bryr sig mycket om.

660
00:38:49,960 --> 00:38:51,500
Det är inte vad Siri bryr sig om.

661
00:38:51,500 --> 00:38:56,250
Jag kan be Siri något med en röst
eller i en annan ton i rösten,

662
00:38:56,250 --> 00:38:59,840
och Siri kommer att
ge mig samma svar.

663
00:38:59,840 --> 00:39:05,260
Men det är inte vad vi bygger för
många andra typer av gränssnitt.

664
00:39:05,260 --> 00:39:09,120
>> Jag vill presentera dig
nu till en av robotarna.

665
00:39:09,120 --> 00:39:12,720
Detta byggdes av min longtime
vän och kollega Cynthia

666
00:39:12,720 --> 00:39:16,010
Breazeal och hennes företag Jibo.

667
00:39:16,010 --> 00:39:20,090
Och detta robot-- vi ska
att ha ett par volontärer

668
00:39:20,090 --> 00:39:22,520
komma att interagera med detta.

669
00:39:22,520 --> 00:39:26,200
Så kan jag ha två människor som är villiga
att leka med roboten för mig?

670
00:39:26,200 --> 00:39:29,936
Varför inte komma på upp,
och varför inte du kommer på dig.

671
00:39:29,936 --> 00:39:31,310
Om du skulle gå upp mig här, tack.

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

673
00:39:36,520 --> 00:39:39,670
>> Och om jag kunde ha dig
komma rätt hit.

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

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

676
00:39:40,480 --> 00:39:41,400
>> ALFREDO: Trevligt att träffas.

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: Rakel.

681
00:39:44,228 --> 00:39:45,154
Trevligt att träffas båda.

682
00:39:45,154 --> 00:39:46,820
Alfredo, jag kommer att ha dig gå först.

683
00:39:46,820 --> 00:39:47,990
Komma rätt upp här.

684
00:39:47,990 --> 00:39:51,870
Jag kommer att införa
du-- om jag kan få detta av

685
00:39:51,870 --> 00:39:58,450
utan knackar microphone--
till 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
>> Nu är Jibo utformad för att vara interaktivt.

688
00:40:04,260 --> 00:40:09,339
Och även om det kan ge dig tal,
mycket av interaktionen med roboten

689
00:40:09,339 --> 00:40:09,880
är icke-verbal.

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

691
00:40:12,450 --> 00:40:17,070
Alfredo, jag kommer att be er att
säga något trevligt och gratis

692
00:40:17,070 --> 00:40:19,554
roboten, tack.

693
00:40:19,554 --> 00:40:20,845
ALFREDO: Jag tycker att du ser söt.

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

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

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
Dess svar är inte verbal.

700
00:40:33,180 --> 00:40:35,180
Och ändå gav dig både
en tydlig bekräftelse

701
00:40:35,180 --> 00:40:39,680
att det hade hört vad du sa
och även något sätt förstod det.

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

703
00:40:40,530 --> 00:40:42,070
Steg tillbaka hit för en sekund.

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

705
00:40:43,130 --> 00:40:44,090
>> Rachel, om du vill.

706
00:40:44,090 --> 00:40:46,070
Nu, jag kommer att ge
dig mycket hårdare jobb.

707
00:40:46,070 --> 00:40:48,361
Om du skulle stå här,
säkerhetskopiera bara lite så

708
00:40:48,361 --> 00:40:50,280
Vi kan få dig på kamera
och ser det här sättet.

709
00:40:50,280 --> 00:40:56,840
Jag kommer att be er att säga något
verkligen menar och otäck till roboten.

710
00:40:56,840 --> 00:41:02,900
>> RACHEL: Vad du bara verkade
att göra var helt absurt.

711
00:41:02,900 --> 00:41:03,840
>> [Brummande ljud]

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

713
00:41:07,610 --> 00:41:09,030
>> Det var ännu mer absurt.

714
00:41:09,030 --> 00:41:10,120
Vad är det med dig?

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

716
00:41:13,487 --> 00:41:16,207
Aw, inte må dåligt.

717
00:41:16,207 --> 00:41:17,040
Jag ska ge dig en kram.

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

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

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

721
00:41:22,280 --> 00:41:24,565
Alfredo, Rachel, Tack killar mycket.

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

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

724
00:41:28,660 --> 00:41:34,470
>> Så denna typ av interaktion har i
många sätt en del av samma regler

725
00:41:34,470 --> 00:41:36,950
och en del av samma
struktur som vad vi

726
00:41:36,950 --> 00:41:39,950
kan ha i språklig interaktion.

727
00:41:39,950 --> 00:41:44,530
Det är både kommunikativ och
tjänar ett viktigt syfte.

728
00:41:44,530 --> 00:41:48,590
Och att växelverkan, i
många sätt, är utformad

729
00:41:48,590 --> 00:41:52,890
för att ha en viss effekt på
person som interagerar med eller lyssna

730
00:41:52,890 --> 00:41:54,410
till roboten.

731
00:41:54,410 --> 00:41:56,450
>> Nu är jag turen
att ha Jibo här i dag.

732
00:41:56,450 --> 00:42:00,550
Sam Spaulding är här hjälper
oss med roboten.

733
00:42:00,550 --> 00:42:07,470
Och jag kommer att be Sam att ge
oss en trevlig demo av Jibo dans

734
00:42:07,470 --> 00:42:09,720
att vi kan titta på slutet här.

735
00:42:09,720 --> 00:42:10,590
Så sätt igång, Jibo.

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

737
00:42:11,550 --> 00:42:14,430
Visa oss dina danssteg.

738
00:42:14,430 --> 00:42:17,310
>> [MUSIK SPELA]

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

740
00:42:43,114 --> 00:42:44,780
BRIAN Scassellati: Okej, alla.

741
00:42:44,780 --> 00:42:46,865
Tack vare våra vänner på Jibo.

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

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

744
00:42:50,140 --> 00:42:54,990
>> Och tack vare våra vänner på
IBM för att hjälpa ut i dag.

745
00:42:54,990 --> 00:42:57,300
Kommunikation är något
att du kommer

746
00:42:57,300 --> 00:43:02,280
att se komma upp mer och mer som
vi bygger mer komplexa gränssnitt.

747
00:43:02,280 --> 00:43:05,760
Nästa vecka kommer vi att prata
om hur gränssnittet

748
00:43:05,760 --> 00:43:08,890
med datormotståndare i spel.

749
00:43:08,890 --> 00:43:12,950
Men om du har frågor om detta,
Jag kommer att vara runt på kontorstid ikväll.

750
00:43:12,950 --> 00:43:17,610
Jag är glad att prata med dig om AI
ämnen eller för att få in mer i detalj.

751
00:43:17,610 --> 00:43:18,927
Ha en bra helg.

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

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

754
00:43:21,909 --> 00:43:26,141
[MUSIK SPELA]

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