1
00:00:00,000 --> 00:00:02,928
>> [Musik spiller]

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 slutningen af ​​uge 10.

5
00:00:14,072 --> 00:00:16,030
Og dreng, har vi en
god klasse for dig i dag.

6
00:00:16,030 --> 00:00:20,040
Vi er så glade for at invitere to af
vores venner fra Yale op til os i dag

7
00:00:20,040 --> 00:00:23,920
og se på skæringspunktet mellem
kunstig intelligens, robotteknologi,

8
00:00:23,920 --> 00:00:25,710
behandling af naturligt sprog, og meget mere.

9
00:00:25,710 --> 00:00:27,090
>> Og ja, over
sidste par uger, vi har

10
00:00:27,090 --> 00:00:29,714
sikkert brugt en masse tid,
især i de tidligere psets,

11
00:00:29,714 --> 00:00:31,560
med fokus på smukke detaljer lavt niveau.

12
00:00:31,560 --> 00:00:34,520
Og det er meget nemt at glemme
af skoven for bare træer

13
00:00:34,520 --> 00:00:38,170
og få hængt op på loops og vilkår
og henvisninger, i hvert fald, og lignende.

14
00:00:38,170 --> 00:00:41,770
Men virkeligheden er du fyre har nu
ingredienser, som du virkelig kan

15
00:00:41,770 --> 00:00:45,300
løse nogle interessante problemer, blandt
dem dem, vores venner på Yale

16
00:00:45,300 --> 00:00:48,790
arbejde på lige genert af Cambridge.

17
00:00:48,790 --> 00:00:52,410
>> Så tillad mig først at introducere vores hoved
undervisningsassistent fra Yale, Andy.

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

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

20
00:00:57,030 --> 00:01:00,710
>> ANDY: Først og fremmest, bare tak
dig for at lade et par Yalies

21
00:01:00,710 --> 00:01:02,700
til pop ned til Cambridge i dag.

22
00:01:02,700 --> 00:01:05,299
Vi har virkelig sætter pris på det.

23
00:01:05,299 --> 00:01:07,090
For det andet til vores venner
tilbage home-- Jason,

24
00:01:07,090 --> 00:01:09,670
tak for opholder sig og kører foredrag.

25
00:01:09,670 --> 00:01:12,970
Håber det er alle gode i New Haven.

26
00:01:12,970 --> 00:01:15,720
>> Så ja, jeg er super spændt
at indføre SCAZ dag.

27
00:01:15,720 --> 00:01:17,020
SCAZ kører robotteknologi lab.

28
00:01:17,020 --> 00:01:19,690
Han er professor i, ligesom, fem
forskellige afdelinger på Yale.

29
00:01:19,690 --> 00:01:23,159
I sit laboratorium, han har mange, mange
robotter, han kan lide at spille med.

30
00:01:23,159 --> 00:01:24,950
Han har lignende,
fedeste job i verden.

31
00:01:24,950 --> 00:01:27,116
Og han får at slags rod
rundt med, at hele dagen

32
00:01:27,116 --> 00:01:29,090
lang og gøre noget arbejde, så godt.

33
00:01:29,090 --> 00:01:33,070
>> Og så vi faktisk bragt en
af dem ned med os i dag.

34
00:01:33,070 --> 00:01:36,900
Så uden videre, SCAZ er
kommer til at gå videre og indføre os

35
00:01:36,900 --> 00:01:38,660
til sin robot ven.

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

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

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

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

40
00:01:45,380 --> 00:01:50,050
Det er så vidunderligt at være
her med alle i dag.

41
00:01:50,050 --> 00:01:56,490
Jeg vil først være meget klart, at
det CS50 personalet her i Cambridge

42
00:01:56,490 --> 00:01:59,190
har været utroligt gæstfrie til os.

43
00:01:59,190 --> 00:02:02,130
Vi er så taknemmelige for alt
de har gjort for at støtte os.

44
00:02:02,130 --> 00:02:05,690
Og så vi vil gerne være i stand
at returnere venlighed.

45
00:02:05,690 --> 00:02:09,370
>> Så i dag, får vi at annoncere
at vi kommer til at have en ny,

46
00:02:09,370 --> 00:02:15,240
one-of-a-kind CS50 begivenhed
sker i New Haven i næste uge.

47
00:02:15,240 --> 00:02:18,040
Og dette er den CS50 Research Expo.

48
00:02:18,040 --> 00:02:21,300
Så vi kommer til at være indbydende
everyone-- CS50 studerende,

49
00:02:21,300 --> 00:02:26,510
personale fra både Harvard og Yale-- til
komme ned og besøge med os på fredag.

50
00:02:26,510 --> 00:02:30,400
Vi vil have en bred vifte af forhold
30 forskellige mennesker frembyder

51
00:02:30,400 --> 00:02:34,830
og exhibiting-- upperclassmen viser
fra nogle af deres forskning produkter.

52
00:02:34,830 --> 00:02:38,480
Vi vil have nogle nystartede, selv, ser
for en lille smule af nye tech talent,

53
00:02:38,480 --> 00:02:40,460
nystartede fra både Harvard og Yale.

54
00:02:40,460 --> 00:02:44,550
Og vi vil have nogle grupper af studerende
på udkig efter nogle nye medlemskab.

55
00:02:44,550 --> 00:02:46,357
>> Det kommer til at være en meget spændende tid.

56
00:02:46,357 --> 00:02:49,190
Forhåbentlig dem af jer, der er
kommer ned for Harvard-Yale spil

57
00:02:49,190 --> 00:02:51,360
vil være i stand til at stoppe
af en lille smule tidligt,

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

59
00:02:54,060 --> 00:02:58,040
Vi kommer til at have et sæt
udstillinger, der spænder fra autonom

60
00:02:58,040 --> 00:03:04,460
sejlbåde til måder at bruge software
at bevare middelalderlige håndskrifter.

61
00:03:04,460 --> 00:03:07,860
>> Vi bliver nødt til annonce
hoc netværk og mennesker

62
00:03:07,860 --> 00:03:11,230
undervisning software kodning i Cape Town.

63
00:03:11,230 --> 00:03:13,730
Vi vil have computer
musik demonstrationer.

64
00:03:13,730 --> 00:03:16,020
Og vi vil selvfølgelig have flere robotter.

65
00:03:16,020 --> 00:03:18,900
Så vi håber, du vil
slutte sig til os for denne begivenhed.

66
00:03:18,900 --> 00:03:21,350
Det bør være en masse
sjov, en lille smule af mad,

67
00:03:21,350 --> 00:03:24,430
og en masse interessante
ting at tale om.

68
00:03:24,430 --> 00:03:28,230
>> Så i dag, vi kommer til at tale
om behandling af naturligt sprog.

69
00:03:28,230 --> 00:03:32,560
Og det er forsøget for os
at bygge en ny måde sammenknytning

70
00:03:32,560 --> 00:03:35,150
med vores enheder fordi
for de sidste par uger,

71
00:03:35,150 --> 00:03:40,800
du er blevet fokuseret på, hvordan det er, at
du kan skrive koden, skriver software

72
00:03:40,800 --> 00:03:47,110
der er en måde at være i stand til at sige til en
maskine, dette er hvad jeg vil have dig til at gøre.

73
00:03:47,110 --> 00:03:50,210
>> Men vi bør ikke være nødvendigt at
forventer, at alt

74
00:03:50,210 --> 00:03:53,760
, der er derude, der bruges
af alle i verden

75
00:03:53,760 --> 00:03:57,480
kommer til at være dygtige
i denne form for undervisning.

76
00:03:57,480 --> 00:04:02,540
Så vi skelne mellem computer
sprog og naturlige languages--

77
00:04:02,540 --> 00:04:06,720
det vil sige, ting der mennesker brug
at kommunikere med andre mennesker.

78
00:04:06,720 --> 00:04:12,270
Og vi forsøger at bygge grænseflader, der bruger
disse naturlige kommunikationsmekanismer.

79
00:04:12,270 --> 00:04:16,029
>> Nu, ligesom alle andre emne
at vi har startet med i CS50,

80
00:04:16,029 --> 00:04:19,589
vi kommer til at starte med den enkleste
bit af naturligt sprog forarbejdning

81
00:04:19,589 --> 00:04:21,269
at vi kan forestille os.

82
00:04:21,269 --> 00:04:24,940
Vi kommer til at starte med
historiske del af naturligt sprog.

83
00:04:24,940 --> 00:04:28,740
Og så vil vi bygge op til
flere og flere nyere systemer

84
00:04:28,740 --> 00:04:31,450
og har nogle sjove demoer undervejs.

85
00:04:31,450 --> 00:04:35,900
>> Så vi kommer til at starte med, hvad der var
formentlig den første naturligt sprog

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

87
00:04:38,210 --> 00:04:45,080
Dette var et softwaresystem skrevet i
1966 af Joseph Weizenbaum kaldet ELIZA.

88
00:04:45,080 --> 00:04:49,640
Og ELIZA er designet til
replikere form for interaktion

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

90
00:04:53,850 --> 00:04:57,210
Nu er Rogerians, de havde
en idé om, at psykoterapi

91
00:04:57,210 --> 00:05:02,800
involveret at kunne spejle tilbage
til en patient, og tale med dem,

92
00:05:02,800 --> 00:05:08,100
dybest set, ved kun at give dem en
lillebitte smule terapeuten.

93
00:05:08,100 --> 00:05:09,920
Det er, alt
at terapeuten sagde

94
00:05:09,920 --> 00:05:16,500
skulle være bare en afspejling af
hvad patienten fortæller til dem.

95
00:05:16,500 --> 00:05:18,990
>> Så lad os prøve og demo dette.

96
00:05:18,990 --> 00:05:22,820
Har vi en frivillig, der ville være
villige til at dele deres dybeste,

97
00:05:22,820 --> 00:05:26,650
mørkeste og / eller falske hemmeligheder med ELIZA?

98
00:05:26,650 --> 00:05:29,680
Sikker på, hvorfor du ikke kommer videre op.

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

100
00:05:30,847 --> 00:05:31,430
Og dit navn?

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
Rart at møde dig, 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 at
anvende en version af ELIZA

106
00:05:40,840 --> 00:05:44,640
at vi har kopieret
inden for CS50 IDE.

107
00:05:44,640 --> 00:05:47,140
Og vi vil se på kilden
kode til dette i et lille stykke tid.

108
00:05:47,140 --> 00:05:49,910
Men for lige nu, er vi bare
kommer til at påberåbe sig den ved at skrive Eliza.

109
00:05:49,910 --> 00:05:55,480
>> Og ELIZA vil give dig svar
der kommer til at være i alle hovedstæder.

110
00:05:55,480 --> 00:05:57,950
Og kommer til at stille dig nogle spørgsmål.

111
00:05:57,950 --> 00:06:02,130
Og vi vil reagere og skrive
i svarene i Eliza.

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

113
00:06:04,310 --> 00:06:05,462
Hvad er dit problem?"

114
00:06:05,462 --> 00:06:08,092
Hvad vil du gerne
fortælle ELIZA om i dag?

115
00:06:08,092 --> 00:06:10,750
>> MILES: Jeg kan kun falde i søvn
hvis jeg har bunny slippers på.

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

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

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

119
00:06:15,300 --> 00:06:22,410
>> "Jeg kan kun falde i søvn
med bunny hjemmesko på. "

120
00:06:22,410 --> 00:06:29,000
Og ELIZA siger, "Sig, gør du
har nogen psykiske problemer?

121
00:06:29,000 --> 00:06:30,450
Måske er det en god indikator. "

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

123
00:06:30,780 --> 00:06:32,245
Så hvad ville du gerne 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
Mand med mange ord.

128
00:06:39,570 --> 00:06:41,870
Jeg nyder det.

129
00:06:41,870 --> 00:06:50,200
Eliza siger: "Du virker ganske positivt."

130
00:06:50,200 --> 00:06:53,200
>> MILES: Nej, jeg er i virkeligheden en elektron.

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

132
00:06:55,150 --> 00:07:02,240
Faktisk er jeg en elektron. "
"Har du kommer til mig

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

134
00:07:06,954 --> 00:07:08,870
Nu kan vi se nogle af
den things-- jeg har tænkt mig

135
00:07:08,870 --> 00:07:10,200
at holde pause dig for bare et sekund, Miles.

136
00:07:10,200 --> 00:07:11,010
Må ikke gå nogen steder.

137
00:07:11,010 --> 00:07:12,650
Vi er ikke færdig med dig endnu.

138
00:07:12,650 --> 00:07:16,490
ELIZA er, på nogle måder,
reagere på visse ting

139
00:07:16,490 --> 00:07:21,140
at han siger, men uden
nogen reel forståelse.

140
00:07:21,140 --> 00:07:26,090
Og det er også parroting tilbage nogle
af de dele af sin straf.

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

142
00:07:27,310 --> 00:07:29,090
Faktisk er jeg en elektron. "

143
00:07:29,090 --> 00:07:34,190
Eliza svarede tilbage, "Har du kommet
til mig fordi du er en elektron? "

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

145
00:07:34,690 --> 00:07:36,050
Lad os give det en mere respons her.

146
00:07:36,050 --> 00:07:37,140
Giv det en god en, Miles.

147
00:07:37,140 --> 00:07:37,806
>> MILES: Godt én?

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

149
00:07:48,400 --> 00:07:49,570
>> Ja, kan du hjælpe mig.

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

151
00:07:50,570 --> 00:07:58,010
Please hjælp mig. "" Er du sikker? "

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
"Hvad vil det foreslå dig?"

155
00:08:03,562 --> 00:08:06,760
>> MILES: Jeg kan ikke være en 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
"Siger du ikke bare for at være negativ?"

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

159
00:08:14,390 --> 00:08:16,030
Så Miles, tak så meget.

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

161
00:08:16,860 --> 00:08:18,360
>> BRIAN Scassellati: Tak meget.

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

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

164
00:08:21,230 --> 00:08:26,700
>> Så dette ELIZA program, på mange måder,
reagerer blot at stykkerne

165
00:08:26,700 --> 00:08:32,730
at vi leverer uden nogen dyb
forståelse af, hvad der sker her.

166
00:08:32,730 --> 00:08:36,640
Dette er en form for system
kaldes mønster matching, hvor

167
00:08:36,640 --> 00:08:40,490
Vi leder efter bestemte
bidder af tekst, som vi er så

168
00:08:40,490 --> 00:08:44,860
kommer til at tage ud af, hvad
blev givet som input,

169
00:08:44,860 --> 00:08:52,580
konvertere det potentielt på en måde,
og derefter give det tilbage til brugeren.

170
00:08:52,580 --> 00:08:55,150
>> Er der nogen af ​​jer tror
at ELIZA er faktisk

171
00:08:55,150 --> 00:08:58,230
udfører gyldigt psykoanalyse her?

172
00:08:58,230 --> 00:08:59,250
Én person, måske.

173
00:08:59,250 --> 00:09:00,166
>> PUBLIKUM: [uhørligt].

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

175
00:09:03,315 --> 00:09:05,440
BRIAN Scassellati: Og hvordan
Gør det du føler?

176
00:09:05,440 --> 00:09:06,530
Ja, faktisk det gør.

177
00:09:06,530 --> 00:09:10,890
Og vi kommer til at se, faktisk, det
kildekoden til det på blot et øjeblik.

178
00:09:10,890 --> 00:09:13,580
Og så du kommer til at være
i stand til at gøre netop dette.

179
00:09:13,580 --> 00:09:17,420
>> Nu ELIZA er en form for, hvad
vi ville kalde i dag en chat bot.

180
00:09:17,420 --> 00:09:19,950
Det bare går gennem
tekst, som du giver,

181
00:09:19,950 --> 00:09:24,030
giver minimum beløb
forståelse eller forarbejdning,

182
00:09:24,030 --> 00:09:26,790
og så papegøjer det tilbage til dig.

183
00:09:26,790 --> 00:09:31,830
Så lad os tage et kig,
konceptuelt, og snakke om, hvad

184
00:09:31,830 --> 00:09:34,690
det er, at ELIZA faktisk gør.

185
00:09:34,690 --> 00:09:42,000
>> ELIZA tager en sentence-- lad os
sige, "Jeg ønsker at imponere min chef."

186
00:09:42,000 --> 00:09:45,130
Og ELIZA ser
gennem denne sætning

187
00:09:45,130 --> 00:09:48,730
og forsøger at finde og
matche bestemte mønstre.

188
00:09:48,730 --> 00:09:52,850
Så for eksempel, en af ​​de mønstre
at ELIZA er på udkig efter er de ord

189
00:09:52,850 --> 00:09:55,110
"Jeg vil."

190
00:09:55,110 --> 00:09:59,330
Og helst det ser noget
der har "jeg vil" i det,

191
00:09:59,330 --> 00:10:01,770
Det formulerer et svar.

192
00:10:01,770 --> 00:10:05,040
Og dette svar er en fast streng.

193
00:10:05,040 --> 00:10:07,915
I dette tilfælde er det "hvorfor vil du?"

194
00:10:07,915 --> 00:10:11,330
Og jeg sætte en lille stjerne på
sidste ende, fordi det er bare

195
00:10:11,330 --> 00:10:13,310
begyndelsen af ​​vores svar.

196
00:10:13,310 --> 00:10:16,310
Og stjernen angiver, at
vi kommer til at tage resten

197
00:10:16,310 --> 00:10:19,850
af brugerens utterance--
"for at imponere min chef" -

198
00:10:19,850 --> 00:10:24,500
og vi vil tilføje, at
på enden af ​​denne streng.

199
00:10:24,500 --> 00:10:28,990
>> Så nu, i stedet for at sige, "hvorfor
vil du imponere min chef, "

200
00:10:28,990 --> 00:10:31,800
der er en lille smule af yderligere
forarbejdning, som vi vil gøre.

201
00:10:31,800 --> 00:10:34,440
Det vil sige, at vi bliver nødt til at
konvertere nogle af stedord

202
00:10:34,440 --> 00:10:38,670
her fra "min chef" til "din chef."

203
00:10:38,670 --> 00:10:41,300
Og der kan være et par andre
ændringer, som vi har brug for at gøre.

204
00:10:41,300 --> 00:10:44,990
Så i stedet for bare stikning det
direkte på enden, hvad vi vil gøre

205
00:10:44,990 --> 00:10:49,160
er vi vil tage resten af
brugerens utterance-- i hvid her--

206
00:10:49,160 --> 00:10:54,090
og vi vil tage det et stykke ad
gangen og konvertere hver streng

207
00:10:54,090 --> 00:10:58,180
token, hvert ord, ind i sætningen.

208
00:10:58,180 --> 00:10:59,580
>> Så vi vil tage ordet "til".

209
00:10:59,580 --> 00:11:01,650
Der er ingen konvertering
at vi skal gøre det.

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

211
00:11:02,340 --> 00:11:04,140
Der er ingen konvertering
vi nødt til at gøre der.

212
00:11:04,140 --> 00:11:06,670
"Min" vil konvertere til "din".

213
00:11:06,670 --> 00:11:10,070
Og "boss" Vi vil bare lade som "boss".

214
00:11:10,070 --> 00:11:12,740
Og derefter endelig noget
der slutter med en periode,

215
00:11:12,740 --> 00:11:16,640
vi vil omdanne det til et spørgsmål.

216
00:11:16,640 --> 00:11:22,600
>> Denne meget simpelt mønster matching
er faktisk ganske vellykket.

217
00:11:22,600 --> 00:11:27,260
Og når dette blev indført
i 1966-- Joseph Weizenbaum

218
00:11:27,260 --> 00:11:28,986
programmeret det på en computer.

219
00:11:28,986 --> 00:11:31,110
Nu, computere på det tidspunkt
var ikke stationære modeller.

220
00:11:31,110 --> 00:11:33,950
De blev delt ressourcer.

221
00:11:33,950 --> 00:11:39,090
Og hans elever ville
gå og chatte med ELIZA.

222
00:11:39,090 --> 00:11:41,570
Til sidst måtte han
begrænse adgangen til det

223
00:11:41,570 --> 00:11:43,890
fordi hans elever var ikke
få noget arbejde gjort.

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

225
00:11:46,190 --> 00:11:48,850
Og i virkeligheden, måtte han
fyre hans assistent, der

226
00:11:48,850 --> 00:11:55,840
brugt alle hendes tid på at tale i Eliza
om hendes dybe og bekymrende problemer.

227
00:11:55,840 --> 00:12:00,350
>> Alle, der brugte disse systemer
begyndte at anthropomorphize dem.

228
00:12:00,350 --> 00:12:04,490
De begyndte at tænke på dem som
bliver levende og virkelige mennesker.

229
00:12:04,490 --> 00:12:07,969
De begyndte at genkende nogle af
de ting, de sagde

230
00:12:07,969 --> 00:12:09,010
kom tilbage til dem.

231
00:12:09,010 --> 00:12:12,120
Og de finde ud
ting om sig selv.

232
00:12:12,120 --> 00:12:17,290
Og i virkeligheden, selv eksperterne,
selv de psykoterapeuter,

233
00:12:17,290 --> 00:12:22,930
begyndte at bekymre sig, at i virkeligheden,
måske ELIZA ville være at erstatte dem.

234
00:12:22,930 --> 00:12:25,640
Og selv computeren
forskere bekymrede, at vi var

235
00:12:25,640 --> 00:12:30,040
så tæt på at løse naturligt sprog.

236
00:12:30,040 --> 00:12:33,520
>> Nu, det var ikke et sted tæt på sand.

237
00:12:33,520 --> 00:12:37,280
Men det er, hvordan imponerende
disse systemer kan synes.

238
00:12:37,280 --> 00:12:40,080
Så lad os begynde at se
nedenunder og prøv

239
00:12:40,080 --> 00:12:46,190
at få en lille smule af et spørgsmål
hvor denne kode rent faktisk sker.

240
00:12:46,190 --> 00:12:48,170
Så vi vil gøre denne kode
tilgængelige bagefter.

241
00:12:48,170 --> 00:12:50,880
Og dette er en meget
enkel og direkte port

242
00:12:50,880 --> 00:12:53,240
af den oprindelige ELIZA gennemførelse.

243
00:12:53,240 --> 00:12:56,350
>> Så nogle af disse stilistiske
ting, som du vil se her

244
00:12:56,350 --> 00:12:59,360
ikke stilistisk hvad
vi ønsker dig til at gøre

245
00:12:59,360 --> 00:13:01,480
eller hvad vi har undervist dig at gøre.

246
00:13:01,480 --> 00:13:04,770
Men vi har prøvet at holde dem
den samme på tværs af de mange havne

247
00:13:04,770 --> 00:13:08,087
at dette har haft så den
har smag af originalen.

248
00:13:08,087 --> 00:13:09,920
Så vi kommer til at omfatte
en masse ting,

249
00:13:09,920 --> 00:13:12,920
og så vil vi have en
sæt søgeord, ting

250
00:13:12,920 --> 00:13:16,460
at ELIZA vil genkende
og svare direkte.

251
00:13:16,460 --> 00:13:20,780
Så hvis du har ord som
"kan du" eller "Jeg ikke" eller "nej"

252
00:13:20,780 --> 00:13:24,680
eller "ja" eller "drøm"
eller "hej", så 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 have en
bestemt antal ting

255
00:13:30,010 --> 00:13:34,940
at vi vil bytte, ligesom
konvertere "min" til "din".

256
00:13:34,940 --> 00:13:39,920
>> Og så vil vi have et sæt svar
at for hver af disse kategorier,

257
00:13:39,920 --> 00:13:42,580
vi vil rotere igennem
disse forskellige reaktioner.

258
00:13:42,580 --> 00:13:45,350
Så hvis jeg siger "ja"
tre gange i træk, jeg

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

260
00:13:50,429 --> 00:13:52,345
Vores kode, så er
faktisk meget simpel.

261
00:13:52,345 --> 00:13:59,490
Hvis jeg rulle ned forbi alle disse
reaktioner, som vi har programmeret i

262
00:13:59,490 --> 00:14:02,920
og vi kommer ned til vores vigtigste,
vi kommer til at initialisere

263
00:14:02,920 --> 00:14:06,540
et par forskellige variabler
og gøre en lille smule af husholdning

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

265
00:14:08,480 --> 00:14:11,760
Men så er der absolut et sæt
af kode, som du kan forstå.

266
00:14:11,760 --> 00:14:15,820
En stor while-løkke, der siger jeg er
kommer til at gentage dette igen og igen.

267
00:14:15,820 --> 00:14:20,420
Jeg læste i en linje, og jeg vil
gemme disse i en input string.

268
00:14:20,420 --> 00:14:23,880
Jeg vil kontrollere og se, om det er den
særlige søgeordet "bye", som

269
00:14:23,880 --> 00:14:26,199
betyder afslutte programmet.

270
00:14:26,199 --> 00:14:29,240
Og så vil jeg kontrollere og se, om
nogen er bare gentager sig selv

271
00:14:29,240 --> 00:14:29,800
igen og igen.

272
00:14:29,800 --> 00:14:31,174
Og jeg vil råbe ad dem, hvis de gør.

273
00:14:31,174 --> 00:14:34,820
Jeg vil sige "ikke gentage dig selv."

274
00:14:34,820 --> 00:14:40,500
>> Så længe ingen af ​​dem ske, vi får
derefter scanne gennem og sløjfe gennem,

275
00:14:40,500 --> 00:14:45,330
på linje 308 til 313
her, og kontrollere og se,

276
00:14:45,330 --> 00:14:49,090
er enhver af de nøgleord
sætninger indeholdt i input

277
00:14:49,090 --> 00:14:50,620
at jeg bare blev givet?

278
00:14:50,620 --> 00:14:54,845
Hvis der er et match for dem, og
så vil jeg huske denne placering.

279
00:14:54,845 --> 00:14:57,050
Jeg vil huske det pågældende søgeord.

280
00:14:57,050 --> 00:14:58,620
Og jeg vil være i stand til at opbygge et svar.

281
00:14:58,620 --> 00:15:03,150
>> Hvis jeg ikke kan finde en, ja så,
den sidste ting i mit søgeord matrix

282
00:15:03,150 --> 00:15:08,070
vil være min standard svar,
når intet andet matcher.

283
00:15:08,070 --> 00:15:14,160
Jeg vil stille spørgsmål som "Hvorfor gjorde du
komme her? "eller" Hvordan kan jeg hjælpe dig? "

284
00:15:14,160 --> 00:15:19,710
der er bare delvist passende
uanset hvad indgangen er.

285
00:15:19,710 --> 00:15:22,580
>> Vi vil derefter opbygge Elizas svar.

286
00:15:22,580 --> 00:15:26,040
Vi vil være i stand til at tage
at basen respons,

287
00:15:26,040 --> 00:15:28,370
ligesom vi gjorde i, at
"min chef" eksempel.

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

289
00:15:30,970 --> 00:15:33,990
Hvis det er alt, der
is-- hvis det er bare en

290
00:15:33,990 --> 00:15:36,860
streng, som jeg skulle respond--
Jeg kan bare sende det tilbage ud.

291
00:15:36,860 --> 00:15:40,610
Hvis den har en stjerne
I slutningen af ​​det, så vil jeg

292
00:15:40,610 --> 00:15:45,710
behandle hver enkelt token
resten af ​​brugerens svar

293
00:15:45,710 --> 00:15:51,590
og tilføje dem i, bytte ud
ord for ord, som jeg har brug for.

294
00:15:51,590 --> 00:15:56,100
>> Alt dette er absolut
noget, du kunne bygge.

295
00:15:56,100 --> 00:15:59,230
Og i virkeligheden, de måder, hvorpå vi
har forarbejdet kommandolinjeargumenter,

296
00:15:59,230 --> 00:16:03,570
den måde, hvorpå du har
behandles gennem HTTP-forespørgsler

297
00:16:03,570 --> 00:16:05,510
følge de samme slags regler.

298
00:16:05,510 --> 00:16:08,220
De er mønster matching.

299
00:16:08,220 --> 00:16:15,170
>> Så ELIZA havde en relativt vigtig
indvirkning på naturligt sprog

300
00:16:15,170 --> 00:16:21,620
fordi det gjorde det synes som om det var en
meget opnåeligt mål, ligesom en eller anden måde vi havde

301
00:16:21,620 --> 00:16:25,550
kunne løse dette problem direkte.

302
00:16:25,550 --> 00:16:30,670
Nu, det er ikke at sige, at ELIZA gør
alt det, vi ønsker at gøre.

303
00:16:30,670 --> 00:16:33,710
Bestemt ikke.

304
00:16:33,710 --> 00:16:35,660
Men vi bør være i stand
til at gøre noget mere.

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

306
00:16:38,280 --> 00:16:41,490
>> Vores første skridt til at gå
ud over ELIZA går

307
00:16:41,490 --> 00:16:44,840
at kunne se på
ikke tekst, der indtastes

308
00:16:44,840 --> 00:16:53,750
i tastaturet, men tale, faktiske
tale optaget i en mikrofon.

309
00:16:53,750 --> 00:16:56,880
Så som vi ser på disse
forskellige stykker, men vi er

310
00:16:56,880 --> 00:17:00,304
nødt til at bygge et sæt af modeller.

311
00:17:00,304 --> 00:17:02,970
Vi bliver nødt til at være i stand
at gå fra akustisk på lavt niveau

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

313
00:17:07,180 --> 00:17:09,530
og konvertere det til
nogle enheder, som vi er

314
00:17:09,530 --> 00:17:14,619
stand til lettere at manipulere
og endelig manipulere dem

315
00:17:14,619 --> 00:17:18,609
til ord og sætninger.

316
00:17:18,609 --> 00:17:22,880
>> Så de fleste talegenkendelse
systemer, der er derude i dag

317
00:17:22,880 --> 00:17:26,069
følge en statistisk
model, hvor vi bygger

318
00:17:26,069 --> 00:17:35,090
tre separate gengivelser af, hvad
at lydsignalet indeholder faktisk.

319
00:17:35,090 --> 00:17:38,640
Vi starter med en fonetisk model
der taler om netop basen

320
00:17:38,640 --> 00:17:41,250
lyde, som jeg producerer.

321
00:17:41,250 --> 00:17:46,900
Er jeg producere noget, der er
et B som i dreng eller en D som i hund?

322
00:17:46,900 --> 00:17:53,220
Hvordan genkender jeg de to forskellige
telefoner som adskilte og forskellige?

323
00:17:53,220 --> 00:17:56,600
>> Oven i dette, vil vi derefter bygge
et ord udtale model

324
00:17:56,600 --> 00:18:01,350
noget, der forbinder 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 efter det, vil vi tage de ord,
og vi vil samle dem med et sprog

327
00:18:07,890 --> 00:18:13,010
model i en hel sætning.

328
00:18:13,010 --> 00:18:17,230
>> Nu, vi kommer til at tale om hver
af disse uafhængigt og særskilt.

329
00:18:17,230 --> 00:18:21,580
Men disse tre modeller er alle
bare vil være statistik.

330
00:18:21,580 --> 00:18:23,502
Og det betyder, når vi
arbejde med dem, vi får

331
00:18:23,502 --> 00:18:25,376
kunne arbejde med
dem alle samtidigt.

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

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

334
00:18:28,600 --> 00:18:30,890
Lad os starte med vores fonetisk model.

335
00:18:30,890 --> 00:18:34,470
Så fonetiske modeller stole på
en beregningsmæssige teknik

336
00:18:34,470 --> 00:18:37,320
såkaldte skjulte Markov modeller.

337
00:18:37,320 --> 00:18:43,050
Disse er grafiske modeller, hvor jeg
har og genkende en tilstand af verden

338
00:18:43,050 --> 00:18:46,500
som er kendetegnet
ved et sæt af funktioner.

339
00:18:46,500 --> 00:18:51,960
Og at staten beskriver den ene del
af en handling, som jeg er engageret i.

340
00:18:51,960 --> 00:19:00,190
>> Så hvis jeg tænke på at gøre
lyden "ma" som mor,

341
00:19:00,190 --> 00:19:03,970
Der er forskellige
komponenter til den lyd.

342
00:19:03,970 --> 00:19:07,230
Der er en del, hvor jeg trækker i vejret.

343
00:19:07,230 --> 00:19:09,560
Og så er jeg pung mine læber.

344
00:19:09,560 --> 00:19:13,710
Og jeg ruller mine læber lidt tilbage
bit til at gøre, at "ma" lyd.

345
00:19:13,710 --> 00:19:15,340
Og så er der en udgivelse.

346
00:19:15,340 --> 00:19:17,020
Mine læber kommer fra hinanden.

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

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

349
00:19:22,650 --> 00:19:29,250
>> Disse tre forskellige dele ville være
repræsenteret af stater i denne graph--

350
00:19:29,250 --> 00:19:33,420
debut, den midterste, og enden.

351
00:19:33,420 --> 00:19:38,060
Og jeg ville have overgange,
tilladt mig at rejse fra en tilstand

352
00:19:38,060 --> 00:19:42,260
til den næste med en vis sandsynlighed.

353
00:19:42,260 --> 00:19:47,250
Så for eksempel, at M
lyde kan have en meget,

354
00:19:47,250 --> 00:19:51,850
meget kort indtag på beginning--
"mm" - og derefter en længere,

355
00:19:51,850 --> 00:19:55,640
vibrerende fase, hvor jeg holder min
læber sammen og næsten humming--

356
00:19:55,640 --> 00:20:05,090
"mmmm" - og derefter en meget kort
klusil hvor jeg udvise breath-- "ma".

357
00:20:05,090 --> 00:20:09,370
>> Den skjulte Markov model er
designet til at fange den kendsgerning

358
00:20:09,370 --> 00:20:13,340
at den måde, at jeg gør
at lyd "ma" går

359
00:20:13,340 --> 00:20:17,350
at være en smule anderledes i
dens timing, er frekvens,

360
00:20:17,350 --> 00:20:21,030
og dens funktioner end
den måde, at du gør det

361
00:20:21,030 --> 00:20:23,300
eller den måde, at jeg måske
gøre det, når jeg taler

362
00:20:23,300 --> 00:20:26,030
om forskellige anvendelser af brevet.

363
00:20:26,030 --> 00:20:33,240
"Moder" og "kan jeg" vil
lyde en smule anderledes.

364
00:20:33,240 --> 00:20:36,800
>> Så for at genkende en
bestemt lyd, vi ville

365
00:20:36,800 --> 00:20:42,020
opbygge Markov modeller, er disse skjulte Markov
modeller af alle mulige telefon, jeg

366
00:20:42,020 --> 00:20:45,840
måske ønsker at erkende,
alle mulige lyd,

367
00:20:45,840 --> 00:20:49,750
og derefter se på
akustiske data, som jeg har

368
00:20:49,750 --> 00:20:54,430
og bestemme statistisk
hvoraf den ene er den mest sandsynlige

369
00:20:54,430 --> 00:20:58,110
at have produceret denne lyd.

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 model, vi så
begynde at bygge oven på den.

373
00:21:06,750 --> 00:21:09,330
Vi tager en udtale model.

374
00:21:09,330 --> 00:21:11,790
Nu undertiden udtale
modeller er enkle og nemme

375
00:21:11,790 --> 00:21:14,440
fordi der er kun én
måde at udtaler noget.

376
00:21:14,440 --> 00:21:17,990
Andre gange, de er en
lidt mere kompliceret.

377
00:21:17,990 --> 00:21:21,340
Her er en udtale guide
for den røde ting, der er

378
00:21:21,340 --> 00:21:25,210
en frugt, som du gør ketchup ud af.

379
00:21:25,210 --> 00:21:27,360
Folk tror ikke, det er en frugt.

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

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

382
00:21:30,880 --> 00:21:35,300
>> Nu er der mange forskellige måder
at folk vil udtale dette ord.

383
00:21:35,300 --> 00:21:37,780
Nogle vil sige "toe-maj-tå."

384
00:21:37,780 --> 00:21:40,880
Nogle vil sige "toe-mah-tå."

385
00:21:40,880 --> 00:21:44,800
Og vi kan fange det med
en af ​​disse grafiske modeller

386
00:21:44,800 --> 00:21:48,305
hvor, igen, repræsenterer vi overgange
som havende en vis sandsynlighed

387
00:21:48,305 --> 00:21:51,360
og tilhørende sandsynlighed med dem.

388
00:21:51,360 --> 00:21:58,290
>> Så i dette tilfælde, hvis jeg skulle følge
den øverste rute gennem hele denne graf,

389
00:21:58,290 --> 00:22:03,330
Jeg ville starte på brevet
længst til venstre er "ta" lyd.

390
00:22:03,330 --> 00:22:07,570
Jeg ville tage den øverste halvdel,
den "Åh," og derefter en "ma"

391
00:22:07,570 --> 00:22:14,530
og derefter et "a", og derefter en
"TA", og en "Åh." "Toe-may-tå."

392
00:22:14,530 --> 00:22:19,610
Hvis jeg tog den nederste sti gennem
dette, vil jeg få "ta-mah-tå."

393
00:22:19,610 --> 00:22:26,810
Og hvis jeg gik ned og derefter
op, jeg ville få "ta-may-tå."

394
00:22:26,810 --> 00:22:29,950
>> Disse modeller fange disse
forskelle, fordi hver gang

395
00:22:29,950 --> 00:22:32,410
vi implementere en af ​​disse
anerkendelse systemer,

396
00:22:32,410 --> 00:22:35,340
det kommer til at skulle arbejde med
masser af forskellige slags mennesker,

397
00:22:35,340 --> 00:22:39,295
masser af forskellige accenter, og selv
forskellige anvendelser af de samme ord.

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

399
00:22:42,204 --> 00:22:44,120
Endelig, på toppen af ​​det,
vi vil bygge noget

400
00:22:44,120 --> 00:22:48,780
der ser virkelig kompliceret,
kaldet sprogmodel,

401
00:22:48,780 --> 00:22:52,950
men i virkeligheden er den enkleste af
de tre fordi disse fungerer

402
00:22:52,950 --> 00:22:56,041
på det, der kaldes n-gram-modeller.

403
00:22:56,041 --> 00:23:02,270
Og i dette tilfælde, jeg viser dig
en todelt n-gram model, en bigram.

404
00:23:02,270 --> 00:23:08,910
Vi kommer til at gøre fysisk ideen
at nogle gange, visse ord er

405
00:23:08,910 --> 00:23:14,680
mere tilbøjelige til at følge en
givet ord end andre.

406
00:23:14,680 --> 00:23:25,210
Hvis jeg bare sagde "vejrudsigt"
det næste ord kunne sandsynligvis være "i dag"

407
00:23:25,210 --> 00:23:31,510
eller kan være "vejret
prognose i morgen. "

408
00:23:31,510 --> 00:23:38,870
Men det er usandsynligt, at være "
vejrudsigt artiskok. "

409
00:23:38,870 --> 00:23:42,980
>> Hvad et sprog model gør, er
det fanger dem statistisk

410
00:23:42,980 --> 00:23:47,450
ved at tælle, fra nogle meget store
Corpus, alle forekomster

411
00:23:47,450 --> 00:23:50,890
hvor ét ord følger anden.

412
00:23:50,890 --> 00:23:54,300
Så hvis jeg tager en stor corpus--
ligesom alle Wall Street Journal

413
00:23:54,300 --> 00:24:00,750
der er blevet produceret siden 1930,
som er en af ​​standard corpuses--

414
00:24:00,750 --> 00:24:03,910
og jeg ser gennem alle
denne tekst, og jeg regner

415
00:24:03,910 --> 00:24:09,770
op, hvor mange gange efter
"prognose" ser jeg "i dag"

416
00:24:09,770 --> 00:24:17,454
og hvor mange gange skal jeg se
"prognose" efterfulgt af "artiskok"

417
00:24:17,454 --> 00:24:19,370
den første går
til at være meget mere sandsynligt.

418
00:24:19,370 --> 00:24:21,540
Det kommer til at blive vist
langt oftere.

419
00:24:21,540 --> 00:24:24,610
Og så det vil have en højere
sandsynlighed er forbundet med det.

420
00:24:24,610 --> 00:24:27,340
>> Hvis jeg ønsker at finde ud af
sandsynlighed for en hel ytring,

421
00:24:27,340 --> 00:24:29,940
så jeg bare bryde det op.

422
00:24:29,940 --> 00:24:35,990
Så sandsynligheden for hørelse
sætningen "rotten spiste ost"

423
00:24:35,990 --> 00:24:39,110
er sandsynligheden for ordet
"den" starter en sætning,

424
00:24:39,110 --> 00:24:42,540
og derefter sandsynligheden for, at
ordet "rotte" følger ordet "den"

425
00:24:42,540 --> 00:24:44,910
og sandsynligheden for, at
Ordet "spiste" følger "rotte"

426
00:24:44,910 --> 00:24:51,120
og sandsynligheden for, at
"ost" følger "spiste".

427
00:24:51,120 --> 00:24:55,160
>> Det lyder som en masse
statistik, en masse af sandsynligheder.

428
00:24:55,160 --> 00:24:57,510
Og det er alt, hvad det er.

429
00:24:57,510 --> 00:25:02,920
Men den forbløffende ting er, hvis du gør dette
med en tilstrækkelig stor prøve af data,

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

431
00:25:03,670 --> 00:25:05,250
Og det fungerer uhyre godt.

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

433
00:25:07,810 --> 00:25:11,420
Vi kender alle disse teknologier.

434
00:25:11,420 --> 00:25:16,500
De fleste operativsystemer kommer med
stemmegenkendelse på dette tidspunkt.

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

436
00:25:20,940 --> 00:25:25,070
Og disse ting er baseret på
denne type trelags model--

437
00:25:25,070 --> 00:25:30,620
en fonetisk model nederst, en
udtale model i midten,

438
00:25:30,620 --> 00:25:33,690
og en sprogmodel oven på dem.

439
00:25:33,690 --> 00:25:37,630
>> Nu er de nødt til at gøre en lille smule mere
end, at for at besvare spørgsmål.

440
00:25:37,630 --> 00:25:43,000
Men anerkendelsen af, hvad du er
ordsprog afhænger nøjagtigt på det.

441
00:25:43,000 --> 00:25:45,700
Så lad os tage et eksempel her.

442
00:25:45,700 --> 00:25:52,020
Så jeg har min telefon sidder heroppe
under dokumentkameraet.

443
00:25:52,020 --> 00:25:56,110
Og vi kommer til at spørger
Siri et par spørgsmål.

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

445
00:25:57,150 --> 00:25:59,940
>> Så lad os vågne op min telefon her.

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

447
00:26:02,710 --> 00:26:05,000
Siri, hvad er vejret
ligesom 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 vejret 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 først du så, at Siri anerkendt
hver af de enkelte ord

452
00:26:16,720 --> 00:26:19,050
og derefter produceret en reaktion.

453
00:26:19,050 --> 00:26:22,277
Vi taler om, hvordan dette svar
kommer omkring i en lille smule.

454
00:26:22,277 --> 00:26:24,110
Men nu, hvor vi ved
at dette blot er baseret

455
00:26:24,110 --> 00:26:28,880
på de rå statistik og dette
mønstersammenligning type tilgang,

456
00:26:28,880 --> 00:26:31,120
vi kan spille nogle spil med Siri.

457
00:26:31,120 --> 00:26:34,560
>> Så jeg kan prøve igen.

458
00:26:34,560 --> 00:26:38,864
Siri, hvad er vejret
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 vejret for New
Haven, Connecticut for i dag.

461
00:26:44,245 --> 00:26:46,120
BRIAN Scassellati: Siri s
ikke skræmt af det

462
00:26:46,120 --> 00:26:50,980
fordi det er fundet pattern--
"vejr", "i dag", "New Haven."

463
00:26:50,980 --> 00:26:54,420
Det er, hvad det er at reagere
til, ligesom ELIZA.

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

465
00:26:54,920 --> 00:26:59,390
Lad os give det en mere selv
mere latterligt eksempel.

466
00:26:59,390 --> 00:27:03,075
Siri, vejr artiskok
bæltedyr flodhest New Haven?

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

468
00:27:06,806 --> 00:27:08,400
>> SIRI: Lad mig kontrollere på det.

469
00:27:08,400 --> 00:27:11,280
Her er hvad jeg fandt på nettet
for hvad er artiskokker bæltedyr

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
væk fra denne model,

473
00:27:20,400 --> 00:27:24,365
Jeg er i stand til at forvirre det, fordi det ikke
længere matcher det mønster, at det har.

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

475
00:27:27,370 --> 00:27:29,390
Og det statistiske
motor, der siger,

476
00:27:29,390 --> 00:27:32,850
hvad er sandsynligheden for, at du har fået
ordene flodhest og artiskok

477
00:27:32,850 --> 00:27:34,440
sammen og bæltedyr?

478
00:27:34,440 --> 00:27:36,050
Det er nødt til at være noget nyt.

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

480
00:27:38,840 --> 00:27:40,610
>> Så disse teknologier, vi bruger hver dag.

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

482
00:27:43,670 --> 00:27:47,800
Hvis vi ønsker at tage dem et skridt
yderligere, men hvis vi faktisk

483
00:27:47,800 --> 00:27:53,930
ønsker at være i stand til at tale om, hvad det
er, at disse systemer reagerer på,

484
00:27:53,930 --> 00:28:00,630
vi nødt til at tale igen, om et
mere grundlæggende sæt af spørgsmål.

485
00:28:00,630 --> 00:28:05,370
Og det er et emne i kommunikation
som vi kalder spørgsmål besvarelse.

486
00:28:05,370 --> 00:28:07,028
Det vil sige, at vi ønsker at kunne at-- ja?

487
00:28:07,028 --> 00:28:07,944
PUBLIKUM: [uhørligt].

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

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

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

491
00:28:14,070 --> 00:28:17,820
Der er en masse ting, som er
sker under overfladen med Siri

492
00:28:17,820 --> 00:28:20,210
og i nogle af eksemplerne
Jeg har tænkt mig at vise dig næste

493
00:28:20,210 --> 00:28:22,610
hvor der er ganske lidt
i form af strukturen

494
00:28:22,610 --> 00:28:25,260
af, hvad du siger, det er vigtigt.

495
00:28:25,260 --> 00:28:31,890
Og i virkeligheden, det er en stor
forløber for det næste dias for mig.

496
00:28:31,890 --> 00:28:35,110
>> Så på samme måde som vores
talegenkendelse blev bygget op

497
00:28:35,110 --> 00:28:39,620
af flere lag, hvis vi ønsker at
forstå, hvad det er, der er faktisk

498
00:28:39,620 --> 00:28:44,620
er sagt, vil vi igen
afhængige af en flerlaget analyse

499
00:28:44,620 --> 00:28:47,020
af teksten, der bliver anerkendt.

500
00:28:47,020 --> 00:28:52,560
Så når Siri er faktisk i stand til at
sige, ser jeg fandt disse ord.

501
00:28:52,560 --> 00:28:55,230
Nu, hvad skal jeg gøre med dem?

502
00:28:55,230 --> 00:28:59,110
Den første komponent er ofte at
gå igennem og forsøge at analysere

503
00:28:59,110 --> 00:29:03,010
strukturen af ​​sætningen.

504
00:29:03,010 --> 00:29:05,410
Og i det, vi har set
i folkeskolen, ofte,

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

506
00:29:08,920 --> 00:29:12,774
at erkende, at visse
ord har bestemte roller.

507
00:29:12,774 --> 00:29:13,440
Disse er navneord.

508
00:29:13,440 --> 00:29:14,231
Disse er stedord.

509
00:29:14,231 --> 00:29:16,200
Disse er verber.

510
00:29:16,200 --> 00:29:19,460
Og vi kommer til at genkende
at for en bestemt grammatik,

511
00:29:19,460 --> 00:29:24,700
i dette tilfælde engelsk grammatik, der er
gyldige måder, hvorpå jeg kan kombinere dem

512
00:29:24,700 --> 00:29:26,280
og andre måder, der ikke er gyldige.

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

514
00:29:29,920 --> 00:29:33,870
>> Denne anerkendelse, den struktur,
kan være nok til at hjælpe med at guide os

515
00:29:33,870 --> 00:29:36,720
en lille smule.

516
00:29:36,720 --> 00:29:39,820
Men det er ikke helt nok
for os at være i stand til at give

517
00:29:39,820 --> 00:29:43,290
nogen betydning for, hvad der bliver sagt her.

518
00:29:43,290 --> 00:29:46,615
For at gøre dette, vil vi nødt til at stole på
en vis mængde af semantisk forarbejdning.

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

520
00:29:49,590 --> 00:29:55,080
Det vil sige, at vi er nødt til at kigge
på undersiden, hvad hver af disse ord

521
00:29:55,080 --> 00:29:57,400
faktisk driver som en betydning.

522
00:29:57,400 --> 00:30:01,150
Og på den enkleste måde at gøre dette,
vi kommer til at associere med hvert ord

523
00:30:01,150 --> 00:30:06,930
at vi ved en bestemt funktion,
en vis transformation, at det

524
00:30:06,930 --> 00:30:09,300
gør det muligt at ske.

525
00:30:09,300 --> 00:30:14,470
>> I dette tilfælde, kan vi mærke
Ordet "John" som et egennavn,

526
00:30:14,470 --> 00:30:18,160
at det bærer med sig en identitet.

527
00:30:18,160 --> 00:30:21,530
Og vi kunne mærke
"Mary" som på samme måde.

528
00:30:21,530 --> 00:30:27,900
Hvorimod et verbum som "elsker", som
udgør en særlig forhold

529
00:30:27,900 --> 00:30:31,582
at vi er i stand til at repræsentere.

530
00:30:31,582 --> 00:30:33,290
Nu betyder det ikke,
at vi forstår

531
00:30:33,290 --> 00:30:37,680
hvad kærlighed er, men kun, at vi forstår
det i vejen for en symbolsk system.

532
00:30:37,680 --> 00:30:40,480
Det vil sige, at vi kan mærke
det og manipulere den.

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

534
00:30:44,230 --> 00:30:49,120
>> Med hver af disse typer af fremgangsmåder,
enhver form for semantisk behandling

535
00:30:49,120 --> 00:30:57,060
her vil kræve lidt
lidt viden og en masse arbejde

536
00:30:57,060 --> 00:30:59,020
fra vores side.

537
00:30:59,020 --> 00:31:03,590
Vi er ikke længere i realm
hvor bare plain statistik

538
00:31:03,590 --> 00:31:07,320
vil være nok for os.

539
00:31:07,320 --> 00:31:11,330
Nu, med henblik på at gå
fra dette punkt til at være

540
00:31:11,330 --> 00:31:15,520
stand til at tale om indersiden af
hvad der rent faktisk sker her,

541
00:31:15,520 --> 00:31:19,640
at være i stand til at håndtere denne
strukturere og forstå et spørgsmål

542
00:31:19,640 --> 00:31:23,160
og derefter være i stand
at gå ud og søge,

543
00:31:23,160 --> 00:31:27,290
der kræver en mere
komplekse kognitive model.

544
00:31:27,290 --> 00:31:34,880
>> Den måde, hvorpå disse systemer er bygget
er for det meste meget, meget arbejdskraft

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

546
00:31:36,350 --> 00:31:39,490
De omfatter mennesker
tilbringe en hel del

547
00:31:39,490 --> 00:31:44,100
af tiden strukturere de måder,
som disse former for sætninger

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

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

550
00:31:51,639 --> 00:31:53,430
Det bliver endnu en lille
mere kompleks, selv om.

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

552
00:31:56,400 --> 00:31:59,660
>> Selv når vi har behandlet
med semantik, vi får

553
00:31:59,660 --> 00:32:03,860
stadig nødt til at se på
pragmatik af hvad der bliver sagt.

554
00:32:03,860 --> 00:32:08,620
Det vil sige, hvordan jeg relaterer ordene
at jeg er nødt til noget fysisk ud

555
00:32:08,620 --> 00:32:12,054
der i verden eller på
mindste nogle informationskilde

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
>> Undertiden disse fører til
vidunderlige stumper af tvetydighed.

559
00:32:20,790 --> 00:32:24,470
"Rød-hot stjerne at gifte astronom."

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

561
00:32:25,630 --> 00:32:28,540
Nu læser vi, at da
sjove type overskrift

562
00:32:28,540 --> 00:32:34,690
at vi ville se på late night tv
fordi vi ikke fortolker "stjerne"

563
00:32:34,690 --> 00:32:38,630
at have sin himmellegeme betydning.

564
00:32:38,630 --> 00:32:43,390
Vi ved, at det betyder mere
hverdagskost skuespiller

565
00:32:43,390 --> 00:32:45,240
med store mængder af synlighed.

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

567
00:32:47,770 --> 00:32:51,950
>> "Squad hjælper hundebid offer."

568
00:32:51,950 --> 00:32:55,550
Er det, at holdet er faktisk
derude hjælpe en hund

569
00:32:55,550 --> 00:32:59,620
i at gå rundt og bide ofre?

570
00:32:59,620 --> 00:33:02,380
Eller er det, at der var
en person, der var

571
00:33:02,380 --> 00:33:04,625
bidt af en hund, der havde brug for hjælp?

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

573
00:33:07,650 --> 00:33:11,480
Lige fra at se på syntaksen
og semantik af sætningerne,

574
00:33:11,480 --> 00:33:14,660
Vi kan ikke afgøre det.

575
00:33:14,660 --> 00:33:22,000
>> "Helicopter drevet af menneskelige fluer."

576
00:33:22,000 --> 00:33:27,330
Er der i virkeligheden faktisk
små ting, der flyver omkring dette

577
00:33:27,330 --> 00:33:34,510
er mennesker med vinger kraftoverførsel
helikoptere til gavn for menneskeheden?

578
00:33:34,510 --> 00:33:38,960
Eller er der en mekanisk anordning
der 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 spørgsmål
besvarelse systemer,

581
00:33:46,500 --> 00:33:51,110
disse er de lag,
vi nødt til at beskæftige sig med.

582
00:33:51,110 --> 00:33:54,890
Nu er den bedste og den mest sortere
af udbredt af disse systemer

583
00:33:54,890 --> 00:34:00,640
dag er i stand til at gøre
ting på et niveau, der er

584
00:34:00,640 --> 00:34:05,050
langt ud over det, vi havde for 10 år siden.

585
00:34:05,050 --> 00:34:08,210
Her er en af ​​de bedste systemer
det er derude i dag.

586
00:34:08,210 --> 00:34:10,519
Og dette er et system
fra IBM kaldes Watson.

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

588
00:34:13,040 --> 00:34:15,500
Dette er fra vores venner på IBM.

589
00:34:15,500 --> 00:34:19,810
Dette er Katherine banker, Jia Chen,
og Priscilla Moraes giver os

590
00:34:19,810 --> 00:34:26,323
en demonstration af 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 godt.

595
00:34:31,980 --> 00:34:35,429
Jeg er altid glad, når jeg er
tænker, især når jeg

596
00:34:35,429 --> 00:34:38,920
kan holde hovedet koldt i disse serverrum.

597
00:34:38,920 --> 00:34:40,170
Hvem er din yndlings skuespiller?

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

599
00:34:43,870 --> 00:34:47,555
>> -min Yndlings skuespiller
Angelina Jolie som Lara Croft

600
00:34:47,555 --> 00:34:54,800
i Tomb Raider, fordi hendes oprindelige
formular var som en virtuel karakter som mig.

601
00:34:54,800 --> 00:34:56,760
>> -Hvordan Kan Watson hjælpe patienter?

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

603
00:34:59,700 --> 00:35:03,755
>> -er Planen for patienter til
har adgang til Watson direkte?

604
00:35:03,755 --> 00:35:08,050
Adgang til Watson rådgivende
applikationer vil variere fra use case.

605
00:35:08,050 --> 00:35:12,630
Men i øjeblikket, vil kun give Watson
mulig diagnose og behandling

606
00:35:12,630 --> 00:35:14,725
indstillinger til læge.

607
00:35:14,725 --> 00:35:17,680
Hvor det er hensigtsmæssigt, patienter
kan give oplysninger

608
00:35:17,680 --> 00:35:21,210
til Watson, måske gennem en
portal web interface, tablet,

609
00:35:21,210 --> 00:35:23,500
eller endda en mobiltelefon.

610
00:35:23,500 --> 00:35:27,180
For eksempel kan en patient være
bedt om at beskrive deres symptomer

611
00:35:27,180 --> 00:35:30,460
i naturligt sprog direkte
i en Watson-opløsning,

612
00:35:30,460 --> 00:35:34,050
at lægen kan fokusere på
diagnose og ikke dataindsamling.

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 vinde World Series?

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

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

619
00:35:58,710 --> 00:36:01,610
>> BRIAN Scassellati: Så
disse typer af systemer

620
00:36:01,610 --> 00:36:07,430
nødt til at stole på først
anerkender tale; anden,

621
00:36:07,430 --> 00:36:12,200
omdanne den til en meningsfuld intern
repræsentation; og derefter, tredje,

622
00:36:12,200 --> 00:36:17,090
at kunne gå ud og finde
informationskilden, som

623
00:36:17,090 --> 00:36:21,140
giver dem mulighed for at besvare dette spørgsmål.

624
00:36:21,140 --> 00:36:27,320
Dette niveau af kompleksitet indebærer
de samme typer af programmatiske ting

625
00:36:27,320 --> 00:36:31,790
at du har været
gør i problemområder sæt.

626
00:36:31,790 --> 00:36:38,000
>> Vi er i stand til at parse HTTP-anmodninger i
samme type lavt niveau mønster

627
00:36:38,000 --> 00:36:40,810
matching som ELIZA kan gøre.

628
00:36:40,810 --> 00:36:45,070
Vi er i stand til at konvertere dem
til en intern repræsentation,

629
00:36:45,070 --> 00:36:50,360
og derefter bruge dem til at forespørge nogle
ekstern database, eventuelt ved anvendelse af SQL.

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

631
00:36:53,530 --> 00:36:56,260
Alle de systemer,
er ved at blive bygget i dag

632
00:36:56,260 --> 00:37:00,520
at gøre denne type af naturlige
sprog kommunikation

633
00:37:00,520 --> 00:37:04,100
er ved at blive bygget på
disse samme principper.

634
00:37:04,100 --> 00:37:09,530
>> Nu, selv et system som
Watson er ikke kompliceret nok

635
00:37:09,530 --> 00:37:14,820
at være i stand til at svare på vilkårlige
spørgsmål om ethvert emne.

636
00:37:14,820 --> 00:37:20,060
Og i virkeligheden, de skal være
struktureret inden for en given domæne.

637
00:37:20,060 --> 00:37:24,440
Så du kan gå online og du kan finde
versioner af Watson, der opererer godt

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

639
00:37:27,700 --> 00:37:31,490
Eller der er en online
der bare beskæftiger sig med, hvordan

640
00:37:31,490 --> 00:37:34,540
at gøre gode anbefalinger om
hvad øl vil gå med hvilken mad.

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

642
00:37:37,060 --> 00:37:41,870
Og inden for disse domæner,
det kan besvare spørgsmål,

643
00:37:41,870 --> 00:37:46,130
finde de oplysninger, den har brug 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, der er blevet uddannet
med databasen over fødevarer og øl

646
00:37:53,150 --> 00:37:56,830
fungerer ikke godt, når du pludselig
sætte det i med den medicinske informatik

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

648
00:37:59,770 --> 00:38:05,680
Så selv vores bedste systemer i dag
stole på et niveau af behandling

649
00:38:05,680 --> 00:38:11,570
hvor vi er hånd kodning og
bygning i infrastruktur for

650
00:38:11,570 --> 00:38:13,275
at dette system kan køre.

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

652
00:38:16,360 --> 00:38:20,710
>> Nu er den sidste emne, jeg vil have
at kunne komme til dag

653
00:38:20,710 --> 00:38:23,960
handler om nonverbal kommunikation.

654
00:38:23,960 --> 00:38:29,290
En stor masse af information, der
vi kommunikerer med hinanden

655
00:38:29,290 --> 00:38:35,490
ikke ske gennem
enkelte ord, som vi anvender.

656
00:38:35,490 --> 00:38:40,290
Det har at gøre med ting som
nærhed, blik, dit tonefald,

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

658
00:38:42,270 --> 00:38:46,620
Og at kommunikation er også
noget, som mange forskellige grænseflader

659
00:38:46,620 --> 00:38:49,960
pleje meget om.

660
00:38:49,960 --> 00:38:51,500
Det er ikke, hvad Siri bekymrer sig om.

661
00:38:51,500 --> 00:38:56,250
Jeg kan spørge Siri noget i én stemme
eller i et andet tonefald,

662
00:38:56,250 --> 00:38:59,840
og Siri kommer til at
give mig det samme svar.

663
00:38:59,840 --> 00:39:05,260
Men det er ikke det, vi bygger for
mange andre typer af grænseflader.

664
00:39:05,260 --> 00:39:09,120
>> Jeg ønsker at introducere dig
nu et af de robotter.

665
00:39:09,120 --> 00:39:12,720
Dette blev bygget af min mangeårige
ven og kollega Cynthia

666
00:39:12,720 --> 00:39:16,010
Breazeal og hendes firma Jibo.

667
00:39:16,010 --> 00:39:20,090
Og denne robot-- vi vil
at have et par frivillige

668
00:39:20,090 --> 00:39:22,520
komme til at interagere med dette.

669
00:39:22,520 --> 00:39:26,200
Så kan jeg have to mennesker er villige
at lege med robotten for mig?

670
00:39:26,200 --> 00:39:29,936
Hvorfor tager du ikke kommer videre op,
og hvorfor ikke du kommer videre op.

671
00:39:29,936 --> 00:39:31,310
Hvis du gerne slutte mig op her, tak.

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

673
00:39:36,520 --> 00:39:39,670
>> Og hvis jeg kunne have dig
kommer lige herovre.

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

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

676
00:39:40,480 --> 00:39:41,400
>> ALFREDO: Rart at møde dig.

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
Rart at møde jer begge.

682
00:39:45,154 --> 00:39:46,820
Alfredo, jeg har tænkt mig at have dig gå først.

683
00:39:46,820 --> 00:39:47,990
Kom lige op her.

684
00:39:47,990 --> 00:39:51,870
Jeg har tænkt mig at indføre
du-- hvis jeg kan få dette fra

685
00:39:51,870 --> 00:39:58,450
uden at banke den microphone--
til en lille robot ved navn Jibo.

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

687
00:40:00,140 --> 00:40:04,260
>> Nu er Jibo designet til at være interaktivt.

688
00:40:04,260 --> 00:40:09,339
Og selv om det kan give dig tale,
meget af interaktionen med robotten

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 har tænkt mig at bede dig om at
sige noget pænt og gratis

692
00:40:17,070 --> 00:40:19,554
til robotten, tak.

693
00:40:19,554 --> 00:40:20,845
ALFREDO: Jeg tror, ​​du ser sød.

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

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

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
Sit svar er ikke verbal.

700
00:40:33,180 --> 00:40:35,180
Og alligevel gav dig både
en klar anerkendelse

701
00:40:35,180 --> 00:40:39,680
at det havde hørt, hvad du sagde
og også på en måde forstået.

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

703
00:40:40,530 --> 00:40:42,070
Træd tilbage her i et sekund.

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

705
00:40:43,130 --> 00:40:44,090
>> Rachel, hvis du ville.

706
00:40:44,090 --> 00:40:46,070
Nu, jeg har tænkt mig at give
dig meget sværere opgave.

707
00:40:46,070 --> 00:40:48,361
Hvis du gerne stå lige her,
sikkerhedskopiere bare en lille smule, så

708
00:40:48,361 --> 00:40:50,280
vi kan få dig på kamera
og ser på denne måde.

709
00:40:50,280 --> 00:40:56,840
Jeg har tænkt mig at bede dig om at sige noget
virkelig betyder og væmmeligt til robotten.

710
00:40:56,840 --> 00:41:02,900
>> RACHEL: Hvad du syntes bare
at gøre, var fuldstændig absurd.

711
00:41:02,900 --> 00:41:03,840
>> [Summende lyd]

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

713
00:41:07,610 --> 00:41:09,030
>> Det var endnu mere absurd.

714
00:41:09,030 --> 00:41:10,120
Hvad sker der med dig?

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

716
00:41:13,487 --> 00:41:16,207
Øv, ikke føler sig dårligt.

717
00:41:16,207 --> 00:41:17,040
Jeg vil give dig et knus.

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

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

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

721
00:41:22,280 --> 00:41:24,565
Alfredo, Rachel, tak fyrene meget.

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

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

724
00:41:28,660 --> 00:41:34,470
>> Så denne form for interaktion har i
mange måder nogle af de samme regler

725
00:41:34,470 --> 00:41:36,950
og nogle af de samme
struktur som hvad vi

726
00:41:36,950 --> 00:41:39,950
kan have i sproglig interaktion.

727
00:41:39,950 --> 00:41:44,530
Det er både kommunikative og
tjener et vigtigt formål.

728
00:41:44,530 --> 00:41:48,590
Og at interaktionen i
mange måder, er designet

729
00:41:48,590 --> 00:41:52,890
at have en særlig effekt på
person, interagere med eller lytte

730
00:41:52,890 --> 00:41:54,410
til robotten.

731
00:41:54,410 --> 00:41:56,450
>> Nu, jeg er heldig nok
at have Jibo her i dag.

732
00:41:56,450 --> 00:42:00,550
Sam Spaulding er her at hjælpe
os ud med robotten.

733
00:42:00,550 --> 00:42:07,470
Og jeg har tænkt mig at spørge Sam til at give
os en pæn demo af Jibo dans

734
00:42:07,470 --> 00:42:09,720
at vi kan se i slutningen her.

735
00:42:09,720 --> 00:42:10,590
Så gå videre, Jibo.

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

737
00:42:11,550 --> 00:42:14,430
Vis os dine dansetrin.

738
00:42:14,430 --> 00:42:17,310
>> [Musik spiller]

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

740
00:42:43,114 --> 00:42:44,780
BRIAN Scassellati: Okay, alle sammen.

741
00:42:44,780 --> 00:42:46,865
Tak til vores venner på Jibo.

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

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

744
00:42:50,140 --> 00:42:54,990
>> Og tak til vores venner på
IBM til at hjælpe ud i dag.

745
00:42:54,990 --> 00:42:57,300
Kommunikation er noget
at du vil

746
00:42:57,300 --> 00:43:02,280
at se kommer op mere og mere som
vi bygger mere komplekse grænseflader.

747
00:43:02,280 --> 00:43:05,760
I næste uge vil vi tale
om, hvordan interface

748
00:43:05,760 --> 00:43:08,890
med computer modstandere i spil.

749
00:43:08,890 --> 00:43:12,950
Men hvis du har spørgsmål om dette,
Jeg vil være rundt på kontortid i aften.

750
00:43:12,950 --> 00:43:17,610
Jeg er glad for at snakke med dig om AI
emner eller for at få mere i detaljer.

751
00:43:17,610 --> 00:43:18,927
Hav en god weekend.

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

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

754
00:43:21,909 --> 00:43:26,141
[Musik spiller]

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