211service.com
Synopses: Informatietechnologie
Verbaal kompas
Betere op spraak gebaseerde foutcorrectie voor dicteerhulpmiddelen />
CONTEXT: Extreme multitasking is de moderne rage, maar niemand heeft genoeg handen om tegelijkertijd een mobiele telefoon, een digitale organizer, een stuur en koffie te beheren. Daarom willen mensen een handsfree manier om met computers te communiceren. Hoewel spraakherkenningssystemen nauwkeuriger zijn dan ooit, besteden typische gebruikers nog steeds meer tijd aan het corrigeren van fouten dan aan het dicteren van tekst; de helft van hun correctietijd wordt besteed aan het verplaatsen van een cursor naar fouten die zijn geïdentificeerd in bijvoorbeeld een gedicteerde e-mail. Betrouwbaarheidsscores - de schattingen van de software van hoe waarschijnlijk het is dat het het juiste woord heeft opgevangen - kunnen worden gebruikt om mogelijke fouten te identificeren. Nu hebben Jinjuan Feng en Andrew Sears van de Universiteit van Maryland, Baltimore County, aangetoond dat vertrouwensscores ook kunnen worden gebruikt om het correctieproces te versnellen.
Dit verhaal maakte deel uit van ons nummer van maart 2005
- Zie de rest van het nummer
- Abonneren
METHODEN EN RESULTATEN: Twaalf deelnemers dicteerden documenten van 400 woorden met behulp van een spraakherkenningssysteem. Het interpreteerde 17 procent van de woorden verkeerd, een typisch percentage; het was het correctieproces dat atypisch was. De software gebruikte betrouwbaarheidsscores om woorden in de tekst te taggen als navigatieankers. Gebruikers konden snel naar elk anker springen met korte spraakopdrachten en vervolgens een cursor woord voor woord naar de fout verplaatsen. De onderzoekers maten het aantal navigatiecommando's dat de deelnemers gebruikten, de faalpercentages van de navigatiecommando's en de tijd besteed aan dicteren en navigeren. De gemiddelde uitvalpercentages voor andere technieken zijn ongeveer 5 procent voor navigatie op basis van richting (naar rechts gaan) en 10 tot 20 procent voor navigatie op basis van woorden (selecteer december). In een test van de techniek van Feng en Sears was het faalpercentage slechts 3,2 procent. Sterker nog, de tijd die gebruikers besteedden aan het navigeren naar fouten werd met bijna een vijfde verminderd. Dit is significant in vergelijking met andere foutcorrectietechnieken en het is veelbelovend, omdat dit werk de middelen voor verdere verbetering suggereert.
WAAROM HET BELANGRIJK IS: De lilliputter-knoppen op PDA's en andere wonderen in zakformaat krimpen snel onder een duim van constante grootte. Multitasking is in opkomst en er komen steeds meer mensen met een lichamelijke beperking op de arbeidsmarkt. Beide trends zullen gebruikers wegsturen van computersystemen met handmatige interfaces. Spraakherkenning, maar vanwege het hoge foutenpercentage en de lange correctietijden, is een voor de hand liggend alternatief.
Dit werk laat duidelijk zien dat het gebruik van betrouwbaarheidsscores voor navigatie de correctietijden van gebruikers kan verkorten. Met verdere verbeteringen belooft de techniek de bruikbaarheid van handsfree foutcorrectie te vergroten en zo een golf van nieuwe gadgets en toepassingen te veroorzaken.
BRON: Feng, J., en A. Sears. 2004. Betrouwbaarheidsscores gebruiken om handsfree spraakgebaseerde navigatie in continue dicteersystemen te verbeteren. ACM-transacties op computer-menselijke interactie 11: 329-356.
Kwantumcorrecties
Hoe fouten in een kwantumcomputer te controleren
CONTEXT: Voor een buitenstaander kan de logica van quantum computing mystiek lijken. Terwijl een standaardbit gegevens als eenrichtingsverkeer voorstelt of een andere (digitale 0 of 1), een kwantumbit slaat gegevens in één richting op en een andere (0 en 1 en alle mogelijkheden daartussenin). Terwijl een standaardcomputer één voor één mogelijke oplossingen moet doornemen, zou een kwantumcomputer in theorie alle oplossingen tegelijk kunnen onderzoeken en in één stap de juiste kunnen kiezen. Dit is ideaal voor oplossingen die berusten op vallen en opstaan, zoals het breken van coderingscodes.
Maar, net als een vervloekt mythisch wezen, zal veel van de informatie in een kwantumsysteem verdwijnen als het wordt waargenomen, omdat het proces van ernaar kijken het systeem verstoort. Dat betekent dat een gebruiker het antwoord op een vraag kan bekijken, maar de berekeningen erachter niet kan controleren. Een kwantumcomputer moet daarom fouten betrouwbaar corrigeren zonder dat iemand ze daadwerkelijk ziet. Nu hebben John Chiaverini en collega's van het National Institute of Standards and Technology (NIST) dit voor het eerst gedaan in een kwantumsysteem dat kan worden opgeschaald.
METHODEN EN RESULTATEN: In de NIST-kwantumcomputer wordt informatie gecodeerd in de kwantumtoestand van een enkel atoom. Met behulp van een proces dat verstrengeling wordt genoemd, wordt het lot van dit ouderatoom gekoppeld aan dat van twee begeleidende atomen, zodat veranderingen in de toestand van de ouder worden weerspiegeld in de metgezellen. Met behulp van berylliumionen (atomen met elektrische lading) om kwantuminformatie te dragen, konden de onderzoekers de toestanden van de twee begeleidende ionen ontwarren, decoderen en vergelijken en zo indirect afleiden of er een fout was opgetreden. Een laserpuls zou dan de kwantumtoestand van het oorspronkelijke ion kunnen corrigeren zonder deze daadwerkelijk te observeren.
WAAROM HET BELANGRIJK IS: Veel coderingstechnieken zijn afhankelijk van de moeilijkheid om zeer grote getallen met vallen en opstaan te ontbinden. Een kwantumcomputer zou in theorie al dergelijke versleutelingssystemen kunnen verslaan en belooft veel krachtiger te zijn dan de meest geavanceerde systemen van vandaag. Dus iedereen die geïnteresseerd is in het bewaren van digitale geheimen - van creditcardnummers voor webtransacties tot geheime informatie voor overheden en bedrijven - geeft om quantum computing. Hoewel een bruikbare kwantumcomputer nog ver, ver weg is, heeft het werk bij NIST aangetoond hoe een van de meest bedrieglijke vloeken van de kwantummechanica kan worden opgeheven.
BRON: Chiaverini, J., et al. 2004. Realisatie van kwantumfoutcorrectie. Natuur 432: 602-605.
Je gedachten scannen
Machines leren hersenactiviteit analyseren />
CONTEXT: Kunnen computers de menselijke geest leren lezen? Het detecteren van gedachten gaat hun capaciteiten misschien te boven, maar computers kunnen worden getraind om bepaalde mentale taken te herkennen aan de hand van scans die hersenactiviteit volgen. Een populaire scantechniek, functionele magnetische resonantie beeldvorming (fMRI), helpt al bij de studie van leren, geheugen, emotie, neurale stoornissen en psychiatrische medicijnen. Met behulp van statistieken en gegevensanalyse kunnen onderzoekers activiteitspatronen identificeren als kenmerkend voor bepaalde mentale activiteiten en toestanden. Nu hebben Tom Mitchell en zijn collega's van de Carnegie Mellon University aangetoond dat computers dit proces kunnen automatiseren, in ieder geval voor enkele eenvoudige taken.
METHODEN EN RESULTATEN: Met behulp van fMRI-gegevens van proefpersonen die zich bezighielden met verschillende taken, trainde het CMU-team computers om te herkennen welke fMRI-patronen gepaard gingen met cognitieve toestanden voor verschillende taken. Tijdens dit proces ontwikkelde de computer wiskundige modellen om onderscheid te maken tussen verschillende cognitieve toestanden. Vervolgens, op basis van nieuwe fMRI-gegevens, voorspelden de computers de mentale toestanden van de proefpersonen op basis van de hersenscans. Hoewel onvolmaakt, presteerden de automatisch getrainde computers overtuigend beter dan het toeval bij het onderscheiden of een proefpersoon naar zinnen of afbeeldingen keek, dubbelzinnige of ondubbelzinnige zinnen las en woorden las die bij verschillende categorieën horen, zoals mensen, gereedschappen of fruit.
WAAROM HET BELANGRIJK IS: Dit werk laat zien dat een computer de resultaten van één set hersenscans kan gebruiken om te voorspellen wat een brein aan het doen was tijdens andere scans. Deze mogelijkheid zou uiteindelijk kunnen leiden tot nauwkeuriger gebruik van MRI-scans in de geneeskunde. Het kan ook de gegevensanalyse versnellen, vooral wanneer één persoon in de loop van de tijd wordt bestudeerd. En aangezien de computers leerden hersenactiviteit te herkennen aan een enkel kort interval in plaats van een samenstelling van verschillende scans over een langere periode, kan het de tijd die elke patiënt in een MRI-machine doorbrengt verminderen, waardoor dure apparatuur gemakkelijker beschikbaar wordt.
Meer in het algemeen is dit werk een belangrijke toepassing op het gebied van machine learning. Met relatief weinig trainingsvoorbeelden waren de computers in staat om betekenisvolle patronen te detecteren in gegevens met duizenden invoer, waarvan vele irrelevant of onnauwkeurig. Omdat wetenschappers steeds gedetailleerdere datasets uit de hersenen en andere complexe systemen verzamelen, bieden deze technieken een manier om de informatie effectiever te gebruiken.
BRON: Mitchell, T.M., et al. 2004. Leren om cognitieve toestanden te decoderen uit hersenbeelden. Machinaal leren 57: 145-175.