Шаблон вікі-статті

Назва проекту

"Штучний інтелект"

Автори проекту

Пашковська Дар'я"

Тема дослідження

""Результати дослідження штучного інтелекту""

Проблема дослідження

Використання штучного інтелекту

Мета дослідження

Використання штучного інтелекту та пов'язані із цим проблеми

"=Стаття про використання штучного інтелекту та пов'язані із цим проблема

Шість прогнозів на найближчий рік 1. Світ накриє хвиля стартапів, заснованих на найбільш передових дослідженнях у сфері Natural Language Processing (розуміння людської мови штучним інтелектом). Усі ці стартапи протягом найближчого року можуть залучити понад 100 млн дол інвестицій.

2. Технологія автономного водіння залишиться на стадії R&D. Жоден автовиробник не забезпечить автономне водіння автомобілів на дистанції понад 15 млн миль у 2019 році, що еквівалентно дистанції, яку проїжджає 1 тис водіїв у Каліфорнії за рік.

3. Компанії, що не входять до списку 2 тис найбільших публічних компаній світу за версією журналу Forbes, посилять свої політики безпеки щодо конфіденційності даних користувачів під час використання технологій машинного навчання.

4. Університети створять спеціальні ступені бакалавра у сфері ШІ.

5. Google зробить прорив у сфері апаратного забезпечення квантових обчислень. У результаті з'явиться щонайменше п'ять стартапів, які спробують створити технологію квантового машинного навчання.

6. У міру того як системи ШІ стають потужнішими, тема управління ШІ стає більш важливою. Тому як мінімум один великий розробник ШІ внесе суттєві зміни в модель управління ШІ. Багато видів розумової діяльності людини, такі, як написання програм для обчислювальної машини, заняття математикою, ведення міркувань на рівні здорового глузду й навіть водіння автомобіля – вимагають «інтелекту». Протягом останніх десятиліть було побудовано кілька типів комп’ютерних систем, здатних виконувати подібні завдання.

Є системи, здатні діагностувати захворювання, планувати синтез складних синтетичних з’єднань, вирішувати диференціальні рівняння в символьному виді , аналізувати електронні схеми, розуміти обмежений обсяг людської мови і природного мовного тексту. Можна сказати, що такі системи володіють в, деякій мірі , штучним інтелектом.

Робота з побудови таких систем проводиться в області, що одержала назву штучний інтелект (ШІ). При реалізації інтелектуальних функцій неодмінно присутня інформація, яку називають знаннями. Інакше кажучи, інтелектуальні системи є в той же час системами обробки знань.

У цей час у дослідженнях штучного інтелекту виділилися кілька основних напрямків.

1. Подання знань. У рамках цього напрямку вирішуються завдання, пов’язані з формалізацією й поданням знань у пам’яті системи ШІ. Для цього розробляються спеціальні моделі подання знань і мови опису знань, впроваджуються різні типи знань. Проблема подання знань є однієї з основних проблем для системи ШІ, тому що функціонування такої системи спирається на знання про проблемну область, які зберігаються в її пам’яті.

2. Маніпулювання знаннями. Щоб знаннями можна було користуватися при вирішенні завдань, варто навчити систему ШІ оперувати ними. У рамках даного напрямку розробляються способи поповнення знань на основі їхніх неповних описів, створюються методи достовірного й правдоподібного висновку на основі наявних знань, пропонуються моделі міркувань, що опираються на знання й особливості, що імітують людські міркування. Маніпулювання знаннями дуже тісно пов’язане з поданням знань, і розділити ці два напрямки можна лише умовно.

3. Спілкування. У коло завдань цього напрямку входять: проблема розуміння й синтезу зв’язних текстів природною мовою, розуміння й синтез мови, теорія моделей комунікацій між людиною й системою ШІ. На основі досліджень у цьому напрямку формуються методи побудови лінгвістичних процесів, питально-відповідних систем, діалогових систем і інших систем ШІ, метою яких є забезпечення комфортних умов для спілкування людини із системою ШІ.

4. Сприйняття. Цей напрямок включає розробку методів подання інформації про зорові образи в базі знань, створення методів переходу від зорових сцен до їхнього текстового опису й методів зворотного переходу, створення засобів, що породжують зорові сцени на основі внутрішніх подань у системах ШІ.

5. Навчання. Для розвитку здатності систем ШІ до навчання, тобто до рішення завдань, з якими вони раніше не зустрічалися, розробляються методи формування умов завдань по описі проблемної ситуації або за спостереженням за нею, методи переходу від відомого рішення окремих завдань (прикладів) до рішення загального завдання, створення прийомів розбивки вихідного завдання на більше дрібні й уже відомі для систем ШІ. У цьому напрямку ШІ зроблено ще досить мало.

6. Поведінка. Оскільки системи ШІ повинні діяти в деякім навколишнім середовищі, то необхідно розробляти деякі поведінкові процедури, які дозволили б їм адекватно взаємодіяти з навколишнім середовищем, іншими системами ШІ й людьми. Це напрямок в ШІ також розроблено ще дуже слабко.

В останні роки термін «знання» всі частіше вживається в інформатиці. Фахівці підкреслюють, що вдосконалювання так званих інтелектуальних систем (інформаційно-пошукових систем високого рівня, діалогових систем, що базуються на природних мовах, інтерактивних людино-машинних систем, використовуваних у керуванні, проектуванні, наукових дослідженнях) багато в чому визначається тим, наскільки успішно будуть вирішуватися завдання подання знань.

Звернемо увагу на деякі аспекти подання знань. Не дивно, що перед тими, хто займається проблемою подання знань, постає питання про те, що таке знання, яка його природа й основні характеристики. У зв’язку із цим уживають, наприклад, спроби дати таке визначення знання, з якого можна було б виходити в рішенні завдань подання знань у комп’ютерних системах.

Поданню даних властивий пасивний аспект: книга, таблиця, заповнена інформацією пам’ять. У теорії штучного інтелекту особливо підкреслюється активний аспект подання знань: придбання знання повинне стати активною операцією, що дозволяє не тільки запам’ятовувати, але й застосовувати сприйняті (придбані, засвоєні) знання для міркувань на їхній основі.

Використання символічної мови, такої, як мови математичної логіки, дозволяє формулювати опис у формі, одночасно близькій і до звичайної мови, і до мови програмування. Втім, математична логіка дозволяє міркувати, базуючись на придбаних знаннях: логічні висновки дійсно є активними операціями одержання нових знань із уже засвоєних.

Принципова світоглядна установка складається в розгляді ЕОМ як предмета-посередника в пізнавальній людській діяльності. Комп’ютерна система, подібно іншим посередникам (знаряддям праці й предметам побуту, інструментам, приладам, знаково-символічним системам, науковим текстам і т.д. ), відіграючи інструментальну роль у пізнанні, є засобом об’єктивізації накопиченого знання, втіленням певного соціально-історичного досвіду практичної й пізнавальної діяльності.

Проблема подання знань виникла як одна із проблем штучного інтелекту. Вона пов’язана з переходом досліджень у цій області в деяку нову фазу. Мова йде про створення практично корисних систем (насамперед так званих експертних систем), застосовуваних у медицині, геології, хімії. Створення такого роду систем вимагає інтенсивних зусиль по формалізації знання, накопиченого у відповідній науці.

З терміном «подання знань» пов’язується певний етап у розвитку математичного забезпечення ЕОМ. Якщо на першому етапі домінували програми, а дані відігравали допоміжну роль своєрідної «їжі» для «голодних» програм, то на наступних етапах роль даних неухильно зростала. Їхня структура ускладнювалася: від машинного слова, розміщеного в одній комірці пам’яті ЕОМ, відбувався перехід до векторів, масивів, файлів, списків. Вінцем цього розвитку стали абстрактні типи даних, що забезпечують можливість створення такої структури даних, що найбільш зручна при рішенні завдання. Послідовний розвиток структур даних призвів до їхньої якісної зміни й до переходу від подання даних до подання знань. Рівень подання знань відрізняється від рівня подання даних не тільки більш складною структурою, але й істотними особливостями: здатність до інтерпретації, наявність класифікованих зв’язків (наприклад, зв’язок між знаннями, що ставляться до елемента множини, і знаннями про цю множину), які дозволяють зберігати інформацію, однакову для всіх елементів множини, записану одноактно при описі самої множини, наявність ситуативних відносин (одночасності, знаходження в одній точці простору й т.п. , ці відносини визначають ситуативну сумісність тих або інших знань, збережених у пам’яті). Крім того, для рівня знань характерні такі ознаки, як наявність спеціальних процедур узагальнення, поповнення наявних у системі знань і ряду інших процедур.

Моделювання на ЕОМ розумілося як технічна реалізація певної форми знакового моделювання. Однак, розглядаючи ЕОМ у гносеологічному плані як посередника у пізнанні, має сенс не фіксувати увагу, насамперед на «залізній частині» (hardware) комп’ютера, а розглядати всю комп’ютерну систему як складну систему взаємозалежних і до деяких меж самостійних моделей - як матеріальних, так і знакових, тобто ідеальних. Такий підхід не тільки відповідає розгляду комп’ютерних систем у сучасній інформатиці, але є й гносеологічно виправданим. Багато важливих філософських аспектів проблем, що виникають у зв’язку з комп’ютеризацією різних сфер людської діяльності, вимагають для свого дослідження звернення, насамперед, до знакових складових комп’ютерних систем. Це вірно й відносно філософських аспектів проблем подання знань.

В останні роки все частіше став вживатися термін «комп’ютерне моделювання». Очевидно, має сенс позначати їм побудову будь-якої із складових комп’ютерної системи - будь то знакова модель або матеріальна.

Що Можна виділити дві основні лінії робіт із штучного інтелекту. Перша пов’язана з удосконалюванням самих машин, з підвищенням «інтелектуальності» штучних систем. Друга пов’язана із завданням оптимізації спільної роботи «штучного інтелекту» і власне інтелектуальних можливостей людини. Це завдання тісно пов’язане з лінгвістикою, психологією.

Забезпечення взаємодії з ЕОМ природною мовою (ПМ) є найважливішим завданням досліджень у штучному інтелекті. Бази даних, пакети прикладних програм і експертні системи, засновані на ШІ, вимагають оснащення їхнім гнучким інтерфейсом для численних користувачів, що не бажають спілкуватися з комп’ютером штучною мовою. У той час як багато фундаментальних проблем в області обробки ПМ ще не вирішені, прикладні системи можуть оснащуватися інтерфейсом, що розуміє ПМ при певних обмеженнях.

Існують два види і, отже, дві концепції обробки природної мови:

§ для окремих речень;

§ для ведення інтерактивного діалогу.

в комп’ютерному моделюванні з переходом від рівня подання даних до рівня подання знань? Який гносеологічний зміст цих змін?

Із введенням терміна «знання» з’являється властивість «усвідомлювати», тобто «розуміти» свої інтелектуальні можливості. У свою чергу, це означає не що інше, як рефлексію. Основною проблемою обробки ПМ є мовна неоднозначність. Існують найрізноманітніші види неоднозначності: синтаксична (структурна), значеннєва неоднозначність, відмінкова неоднозначність і т.д.

Центральна проблема, як для загальної,У міру розвитку комп’ютерних систем стає все більше очевидним, що використання цих систем набагато розшириться, якщо стане можливим використання людської мови при роботі безпосередньо з комп’ютером, і зокрема стане можливим керування машиною звичайним голосом у реальному часі, а також уведення й висновок інформації у вигляді звичайної людської мови.

Існуючі технології розпізнавання мови не мають поки достатніх можливостей для їхнього широкого використання, але на даному етапі досліджень проводиться інтенсивний пошук можливостей уживання коротких багатозначних слів (процедур) для полегшення розуміння. Розпізнавання мови в цей час знайшло реальне застосування в житті, мабуть, тільки в тих випадках, коли використовуваний словник скорочений до 10 знаків, наприклад при обробці номерів кредитних карт і інших кодів доступу до базованих на комп’ютерах систем, що обробляють передані по телефону дані. Так що насущне завдання - розпізнавання, принаймні, 20 тисяч слів природної мови - залишається поки недосяжним. Ці можливості поки недоступні для широкого комерційного використання. Однак ряд компаній самотужки намагається використати вже існуючі в даній галузі науки знання.

Для успішного розпізнавання мови варто вирішити наступні завдання:

§ обробку словника (фонемний склад),

§ обробку синтаксису,

§ скорочення мови (включаючи можливе використання твердих сценаріїв),

§ вибір диктора (включаючи вік, стать, рідну мову й діалект), тренування дикторів,

§ вибір особливого виду мікрофона (беручи до уваги спрямованість і місце розташування мікрофона),

§ умови роботи системи й одержання результату із вказівкою помилок.

Існуючі сьогодні системи розпізнавання мови ґрунтуються на зборі всієї доступної (часом навіть надлишкової) інформації, необхідної для розпізнавання слів. Дослідники вважають, що в такий спосіб завдання розпізнавання зразка мови, засноване на якості сигналу, підданого змінам, буде достатнім для розпізнавання, але, проте, у цей час навіть при розпізнаванні невеликих повідомлень нормальної мови, поки неможливо після одержання різноманітних реальних сигналів здійснити пряму трансформацію в лінгвістичні символи, що є бажаним результатом. так і для прикладної обробки ПМ – розв’язання такого роду неоднозначностей - вирішується за допомогою перекладу зовнішнього подання ПМ в якусь внутрішню структуру. Для загальної обробки ПМ таке перетворення вимагає набору знань про реальний світ.

Прикладні системи обробки ПМ мають переваги перед загальними, тому що працюють у вузьких предметних областях. Проте, створення систем, що мають можливість спілкування на ПМ в широких областях, можливо, хоча поки результати далекі від задовільних.

"=Стаття про використання штучного інтелекту та пов'язані із цим проблема

• 

  Опис2

Шість прогнозів на найближчий рік 1. Світ накриє хвиля стартапів, заснованих на найбільш передових дослідженнях у сфері Natural Language Processing (розуміння людської мови штучним інтелектом). Усі ці стартапи протягом найближчого року можуть залучити понад 100 млн дол інвестицій.

2. Технологія автономного водіння залишиться на стадії R&D. Жоден автовиробник не забезпечить автономне водіння автомобілів на дистанції понад 15 млн миль у 2019 році, що еквівалентно дистанції, яку проїжджає 1 тис водіїв у Каліфорнії за рік.

3. Компанії, що не входять до списку 2 тис найбільших публічних компаній світу за версією журналу Forbes, посилять свої політики безпеки щодо конфіденційності даних користувачів під час використання технологій машинного навчання.

4. Університети створять спеціальні ступені бакалавра у сфері ШІ.

5. Google зробить прорив у сфері апаратного забезпечення квантових обчислень. У результаті з'явиться щонайменше п'ять стартапів, які спробують створити технологію квантового машинного навчання.

6. У міру того як системи ШІ стають потужнішими, тема управління ШІ стає більш важливою. Тому як мінімум один великий розробник ШІ внесе суттєві зміни в модель управління ШІ. Багато видів розумової діяльності людини, такі, як написання програм для обчислювальної машини, заняття математикою, ведення міркувань на рівні здорового глузду й навіть водіння автомобіля – вимагають «інтелекту». Протягом останніх десятиліть було побудовано кілька типів комп’ютерних систем, здатних виконувати подібні завдання.

Є системи, здатні діагностувати захворювання, планувати синтез складних синтетичних з’єднань, вирішувати диференціальні рівняння в символьному виді , аналізувати електронні схеми, розуміти обмежений обсяг людської мови і природного мовного тексту. Можна сказати, що такі системи володіють в, деякій мірі , штучним інтелектом.

Робота з побудови таких систем проводиться в області, що одержала назву штучний інтелект (ШІ). При реалізації інтелектуальних функцій неодмінно присутня інформація, яку називають знаннями. Інакше кажучи, інтелектуальні системи є в той же час системами обробки знань.

У цей час у дослідженнях штучного інтелекту виділилися кілька основних напрямків.

1. Подання знань. У рамках цього напрямку вирішуються завдання, пов’язані з формалізацією й поданням знань у пам’яті системи ШІ. Для цього розробляються спеціальні моделі подання знань і мови опису знань, впроваджуються різні типи знань. Проблема подання знань є однієї з основних проблем для системи ШІ, тому що функціонування такої системи спирається на знання про проблемну область, які зберігаються в її пам’яті.

2. Маніпулювання знаннями. Щоб знаннями можна було користуватися при вирішенні завдань, варто навчити систему ШІ оперувати ними. У рамках даного напрямку розробляються способи поповнення знань на основі їхніх неповних описів, створюються методи достовірного й правдоподібного висновку на основі наявних знань, пропонуються моделі міркувань, що опираються на знання й особливості, що імітують людські міркування. Маніпулювання знаннями дуже тісно пов’язане з поданням знань, і розділити ці два напрямки можна лише умовно.

3. Спілкування. У коло завдань цього напрямку входять: проблема розуміння й синтезу зв’язних текстів природною мовою, розуміння й синтез мови, теорія моделей комунікацій між людиною й системою ШІ. На основі досліджень у цьому напрямку формуються методи побудови лінгвістичних процесів, питально-відповідних систем, діалогових систем і інших систем ШІ, метою яких є забезпечення комфортних умов для спілкування людини із системою ШІ.

4. Сприйняття. Цей напрямок включає розробку методів подання інформації про зорові образи в базі знань, створення методів переходу від зорових сцен до їхнього текстового опису й методів зворотного переходу, створення засобів, що породжують зорові сцени на основі внутрішніх подань у системах ШІ.

5. Навчання. Для розвитку здатності систем ШІ до навчання, тобто до рішення завдань, з якими вони раніше не зустрічалися, розробляються методи формування умов завдань по описі проблемної ситуації або за спостереженням за нею, методи переходу від відомого рішення окремих завдань (прикладів) до рішення загального завдання, створення прийомів розбивки вихідного завдання на більше дрібні й уже відомі для систем ШІ. У цьому напрямку ШІ зроблено ще досить мало.

6. Поведінка. Оскільки системи ШІ повинні діяти в деякім навколишнім середовищі, то необхідно розробляти деякі поведінкові процедури, які дозволили б їм адекватно взаємодіяти з навколишнім середовищем, іншими системами ШІ й людьми. Це напрямок в ШІ також розроблено ще дуже слабко.

В останні роки термін «знання» всі частіше вживається в інформатиці. Фахівці підкреслюють, що вдосконалювання так званих інтелектуальних систем (інформаційно-пошукових систем високого рівня, діалогових систем, що базуються на природних мовах, інтерактивних людино-машинних систем, використовуваних у керуванні, проектуванні, наукових дослідженнях) багато в чому визначається тим, наскільки успішно будуть вирішуватися завдання подання знань.

Звернемо увагу на деякі аспекти подання знань. Не дивно, що перед тими, хто займається проблемою подання знань, постає питання про те, що таке знання, яка його природа й основні характеристики. У зв’язку із цим уживають, наприклад, спроби дати таке визначення знання, з якого можна було б виходити в рішенні завдань подання знань у комп’ютерних системах.

Поданню даних властивий пасивний аспект: книга, таблиця, заповнена інформацією пам’ять. У теорії штучного інтелекту особливо підкреслюється активний аспект подання знань: придбання знання повинне стати активною операцією, що дозволяє не тільки запам’ятовувати, але й застосовувати сприйняті (придбані, засвоєні) знання для міркувань на їхній основі.

Використання символічної мови, такої, як мови математичної логіки, дозволяє формулювати опис у формі, одночасно близькій і до звичайної мови, і до мови програмування. Втім, математична логіка дозволяє міркувати, базуючись на придбаних знаннях: логічні висновки дійсно є активними операціями одержання нових знань із уже засвоєних.

Принципова світоглядна установка складається в розгляді ЕОМ як предмета-посередника в пізнавальній людській діяльності. Комп’ютерна система, подібно іншим посередникам (знаряддям праці й предметам побуту, інструментам, приладам, знаково-символічним системам, науковим текстам і т.д. ), відіграючи інструментальну роль у пізнанні, є засобом об’єктивізації накопиченого знання, втіленням певного соціально-історичного досвіду практичної й пізнавальної діяльності.

Проблема подання знань виникла як одна із проблем штучного інтелекту. Вона пов’язана з переходом досліджень у цій області в деяку нову фазу. Мова йде про створення практично корисних систем (насамперед так званих експертних систем), застосовуваних у медицині, геології, хімії. Створення такого роду систем вимагає інтенсивних зусиль по формалізації знання, накопиченого у відповідній науці.

З терміном «подання знань» пов’язується певний етап у розвитку математичного забезпечення ЕОМ. Якщо на першому етапі домінували програми, а дані відігравали допоміжну роль своєрідної «їжі» для «голодних» програм, то на наступних етапах роль даних неухильно зростала. Їхня структура ускладнювалася: від машинного слова, розміщеного в одній комірці пам’яті ЕОМ, відбувався перехід до векторів, масивів, файлів, списків. Вінцем цього розвитку стали абстрактні типи даних, що забезпечують можливість створення такої структури даних, що найбільш зручна при рішенні завдання. Послідовний розвиток структур даних призвів до їхньої якісної зміни й до переходу від подання даних до подання знань. Рівень подання знань відрізняється від рівня подання даних не тільки більш складною структурою, але й істотними особливостями: здатність до інтерпретації, наявність класифікованих зв’язків (наприклад, зв’язок між знаннями, що ставляться до елемента множини, і знаннями про цю множину), які дозволяють зберігати інформацію, однакову для всіх елементів множини, записану одноактно при описі самої множини, наявність ситуативних відносин (одночасності, знаходження в одній точці простору й т.п. , ці відносини визначають ситуативну сумісність тих або інших знань, збережених у пам’яті). Крім того, для рівня знань характерні такі ознаки, як наявність спеціальних процедур узагальнення, поповнення наявних у системі знань і ряду інших процедур.

Моделювання на ЕОМ розумілося як технічна реалізація певної форми знакового моделювання. Однак, розглядаючи ЕОМ у гносеологічному плані як посередника у пізнанні, має сенс не фіксувати увагу, насамперед на «залізній частині» (hardware) комп’ютера, а розглядати всю комп’ютерну систему як складну систему взаємозалежних і до деяких меж самостійних моделей - як матеріальних, так і знакових, тобто ідеальних. Такий підхід не тільки відповідає розгляду комп’ютерних систем у сучасній інформатиці, але є й гносеологічно виправданим. Багато важливих філософських аспектів проблем, що виникають у зв’язку з комп’ютеризацією різних сфер людської діяльності, вимагають для свого дослідження звернення, насамперед, до знакових складових комп’ютерних систем. Це вірно й відносно філософських аспектів проблем подання знань.

В останні роки все частіше став вживатися термін «комп’ютерне моделювання». Очевидно, має сенс позначати їм побудову будь-якої із складових комп’ютерної системи - будь то знакова модель або матеріальна.

Що Можна виділити дві основні лінії робіт із штучного інтелекту. Перша пов’язана з удосконалюванням самих машин, з підвищенням «інтелектуальності» штучних систем. Друга пов’язана із завданням оптимізації спільної роботи «штучного інтелекту» і власне інтелектуальних можливостей людини. Це завдання тісно пов’язане з лінгвістикою, психологією.

Забезпечення взаємодії з ЕОМ природною мовою (ПМ) є найважливішим завданням досліджень у штучному інтелекті. Бази даних, пакети прикладних програм і експертні системи, засновані на ШІ, вимагають оснащення їхнім гнучким інтерфейсом для численних користувачів, що не бажають спілкуватися з комп’ютером штучною мовою. У той час як багато фундаментальних проблем в області обробки ПМ ще не вирішені, прикладні системи можуть оснащуватися інтерфейсом, що розуміє ПМ при певних обмеженнях.

Існують два види і, отже, дві концепції обробки природної мови:

§ для окремих речень;

§ для ведення інтерактивного діалогу.

в комп’ютерному моделюванні з переходом від рівня подання даних до рівня подання знань? Який гносеологічний зміст цих змін?

Із введенням терміна «знання» з’являється властивість «усвідомлювати», тобто «розуміти» свої інтелектуальні можливості. У свою чергу, це означає не що інше, як рефлексію. Основною проблемою обробки ПМ є мовна неоднозначність. Існують найрізноманітніші види неоднозначності: синтаксична (структурна), значеннєва неоднозначність, відмінкова неоднозначність і т.д.

Центральна проблема, як для загальної,У міру розвитку комп’ютерних систем стає все більше очевидним, що використання цих систем набагато розшириться, якщо стане можливим використання людської мови при роботі безпосередньо з комп’ютером, і зокрема стане можливим керування машиною звичайним голосом у реальному часі, а також уведення й висновок інформації у вигляді звичайної людської мови.

Існуючі технології розпізнавання мови не мають поки достатніх можливостей для їхнього широкого використання, але на даному етапі досліджень проводиться інтенсивний пошук можливостей уживання коротких багатозначних слів (процедур) для полегшення розуміння. Розпізнавання мови в цей час знайшло реальне застосування в житті, мабуть, тільки в тих випадках, коли використовуваний словник скорочений до 10 знаків, наприклад при обробці номерів кредитних карт і інших кодів доступу до базованих на комп’ютерах систем, що обробляють передані по телефону дані. Так що насущне завдання - розпізнавання, принаймні, 20 тисяч слів природної мови - залишається поки недосяжним. Ці можливості поки недоступні для широкого комерційного використання. Однак ряд компаній самотужки намагається використати вже існуючі в даній галузі науки знання.

Для успішного розпізнавання мови варто вирішити наступні завдання:

§ обробку словника (фонемний склад),

§ обробку синтаксису,

§ скорочення мови (включаючи можливе використання твердих сценаріїв),

§ вибір диктора (включаючи вік, стать, рідну мову й діалект), тренування дикторів,

§ вибір особливого виду мікрофона (беручи до уваги спрямованість і місце розташування мікрофона),

§ умови роботи системи й одержання результату із вказівкою помилок.

Існуючі сьогодні системи розпізнавання мови ґрунтуються на зборі всієї доступної (часом навіть надлишкової) інформації, необхідної для розпізнавання слів. Дослідники вважають, що в такий спосіб завдання розпізнавання зразка мови, засноване на якості сигналу, підданого змінам, буде достатнім для розпізнавання, але, проте, у цей час навіть при розпізнаванні невеликих повідомлень нормальної мови, поки неможливо після одержання різноманітних реальних сигналів здійснити пряму трансформацію в лінгвістичні символи, що є бажаним результатом. так і для прикладної обробки ПМ – розв’язання такого роду неоднозначностей - вирішується за допомогою перекладу зовнішнього подання ПМ в якусь внутрішню структуру. Для загальної обробки ПМ таке перетворення вимагає набору знань про реальний світ.

Прикладні системи обробки ПМ мають переваги перед загальними, тому що працюють у вузьких предметних областях. Проте, створення систем, що мають можливість спілкування на ПМ в широких областях, можливо, хоча поки результати далекі від задовільних.

Корисні ресурси

альбом учасників проекту [1]