211service.com
Waar Siri moeite heeft met horen, kan een menigte mensen helpen
Computerwetenschapper Jeffrey Bigham heeft een spraakherkenningsprogramma gemaakt dat de beste talenten van machines en mensen combineert.
Hoewel spraakherkenningsprogramma's zoals Apple's Siri en Nuance's Dragon redelijk goed zijn in het horen van bekende stemmen en duidelijk gedicteerde woorden, kan de technologie nog steeds geen betrouwbare ondertiteling geven voor gebeurtenissen die nieuwe sprekers, accenten, zinnen en achtergrondgeluiden presenteren. Mensen zijn redelijk goed in het begrijpen van woorden in dergelijke situaties, maar de meesten van ons zijn niet snel genoeg om de tekst in realtime te transcriberen (daarom kunnen professionele stenografen meer dan $ 100 per uur vragen). Dus het programma van Bigham schrijver breidt snelle computers uit met nauwkeurige mensen in de hoop snel ondertitels en transcripties te produceren.
Dit razendsnelle crowd-computing-experiment kan een grote hulp zijn voor doven en slechthorenden. Het zou ook nieuwe manieren kunnen bieden om spraakherkenningstoepassingen zoals Siri te verbeteren in gebieden waar ze moeite hebben.
De algoritmen van Scribe sturen menselijke werkers om fragmenten uit te typen van wat ze in een toespraak horen. Door het volume hoger te zetten of de snelheid van delen van de audio te verlagen, kan het programma verschillende medewerkers naar unieke maar overlappende delen van een toespraak leiden en ze een paar seconden de tijd geven om te herstellen voordat ze worden gevraagd om opnieuw te typen.
Met behulp van natuurlijke-taalverwerkingsalgoritmen voegt Scribe de uitgetypte fragmenten samen tot een compleet transcript, en de overtollige overlappingen kunnen helpen om fouten te elimineren. (Deze shotgun-computertechniek is vergelijkbaar met de manier waarop veel DNA-sequencingmachines werken, benadrukt Bigham.) Het kan een transcript of bijschrift produceren met een vertraging van slechts drie seconden met slechts drie tot vijf werknemers.
De enige vereiste is dat de arbeiders kunnen horen en typen, dus zelfs als groep kosten ze minder dan een stenograaf en hoeven ze niet dagen van tevoren op de hoogte te worden gesteld, merkt hij op. Dat kan een grote hulp zijn voor een dove student die bijvoorbeeld een nieuwe online klas wil volgen zonder bijschrift.
Bigham (zie Innovators Under 35, 2009: Jeffrey Bigham) en zijn collega van de Universiteit van Rochester Walter Lasecki hebben Scribe getest met arbeiders die ze vonden via Amazon's Mechanical Turk, waar mensen zich aanmelden om eenvoudige taken uit te voeren. Die arbeiders kregen een minimum van $ 6 per uur door het team van Bigham. Het team nam ook niet-gegradueerde werkstudiestudenten aan voor $ 10 per uur. Het crowdsourced werk van mensen in beide groepen lijkt maar iets minder nauwkeurig dan dat van een professionele stenograaf, zegt Bigham. En in sommige gevallen transcribeerden de gepoolde werknemers jargontermen nauwkeuriger die een enkele professionele typiste verkeerd zou kunnen verstaan.
Wat Scribe begint te laten zien, is het vermogen om samen te werken als onderdeel van een menigte om zeer moeilijke prestatietaken beter uit te voeren dan een persoon alleen kan doen, zegt hij.
Bigham ontwikkelt Scribe nu tot een app waarvan hij hoopt dat het dove mensen kan helpen snel transcripties te crowdsourcen. Om een groot aantal gebruikers te ondersteunen, overweegt hij ook de technologie in licentie te geven of een startup af te stoten.
Het is niet de eerste keer dat iemand eraan denkt om goedkope, computergestuurde menselijke arbeid te gebruiken om de traditionele zwakheden in kunstmatige-intelligentieprogramma's of andere software te versterken. Twitter neemt mensen aan op Mechanical Turk om zijn zoekmachine te helpen bij het classificeren van nieuwsonderwerpen die plotseling trending worden. Bigham heeft ook een crowdsourced systeem voor persoonlijke assistentie gecreëerd, Chorus genaamd (zie Artificial Intelligence, Powered By Many Humans) dat slimmer zou kunnen zijn dan Siri, maar goedkoper dan elke individuele werknemer per uur.
Dit wil niet zeggen dat menselijke arbeid altijd beter zal presteren dan geautomatiseerde systemen bij het transcriberen van spraak. Aditya Parameswaran, een onderzoeker aan de Stanford University die ook werkt aan door mensen ondersteunde berekeningsmethoden, zegt dat naarmate leeralgoritmen verbeteren, crowdsourcing-technieken zoals deze vooral nuttig zullen zijn om de nauwkeurigheid van de computers te vergroten, in plaats van om mensen het grootste deel van het werk te laten doen. het werk.