Inhaltsangabe: Informationstechnologie

Sprachkompass
Bessere sprachbasierte Fehlerkorrektur für Diktiertools />

KONTEXT: Extremes Multitasking ist die moderne Modeerscheinung, aber niemand hat genug Hände, um ein Handy, einen digitalen Organizer, ein Lenkrad und einen Kaffee gleichzeitig zu verwalten. Dementsprechend wünschen sich die Menschen eine freihändige Möglichkeit, mit Computern zu interagieren. Obwohl Spracherkennungssysteme genauer sind als je zuvor, verbringen typische Benutzer immer noch mehr Zeit mit der Korrektur von Fehlern als mit dem Diktieren von Text; die Hälfte ihrer Korrekturzeit wird damit verbracht, einen Cursor auf Fehler zu bewegen, die beispielsweise in einer diktierten E-Mail identifiziert wurden. Konfidenzwerte – die Schätzungen der Software, wie wahrscheinlich es ist, das richtige Wort zu erfassen – können verwendet werden, um mögliche Fehler zu identifizieren. Jinjuan Feng und Andrew Sears von der University of Maryland, Baltimore County, haben nun gezeigt, dass auch Konfidenzwerte zur Beschleunigung des Korrekturprozesses verwendet werden können.

Folge dem Geld

Diese Geschichte war Teil unserer März-Ausgabe 2005



  • Siehe den Rest der Ausgabe
  • Abonnieren

METHODEN UND ERGEBNISSE: Zwölf Teilnehmer diktierten 400-Wort-Dokumente mit einem Spracherkennungssystem. Es interpretierte 17 Prozent der Wörter falsch, ein typischer Wert; es war der Korrekturprozess, der atypisch war. Die Software verwendete Konfidenzwerte, um Wörter im gesamten Text als Navigationsanker zu markieren. Benutzer konnten mit kurzen Sprachbefehlen schnell zu jedem Anker springen und dann einen Cursor Wort für Wort zum Fehler bewegen. Die Forscher maßen die Anzahl der von den Teilnehmern verwendeten Navigationsbefehle, die Fehlerraten der Navigationsbefehle und die Zeit, die für das Diktieren und Navigieren aufgewendet wurde. Die durchschnittlichen Fehlerraten, die für andere Techniken gemeldet wurden, liegen bei etwa 5 Prozent für die richtungsbasierte Navigation (nach rechts bewegen) und 10 bis 20 Prozent für die wortbasierte Navigation (Auswahl Dezember). Bei einem Test der Technik von Feng und Sears betrug die Fehlerquote nur 3,2 Prozent. Noch besser ist, dass die Zeit, die Benutzer zum Navigieren zu Fehlern aufgewendet haben, um fast ein Fünftel reduziert wurde. Dies ist im Vergleich zu anderen Fehlerkorrekturtechniken signifikant und vielversprechend, da diese Arbeit Mittel zur weiteren Verbesserung vorschlägt.

WARUM ES WICHTIG IST: Die Liliput-Knöpfe auf PDAs und anderen Wundern im Taschenformat schrumpfen schnell unter einem konstant großen Daumen. Multitasking ist auf dem Vormarsch und immer mehr Menschen mit körperlichen Behinderungen treten ins Berufsleben ein. Beide Trends werden Benutzer von Computersystemen mit manuellen Schnittstellen ablenken. Die Spracherkennung ist jedoch aufgrund ihrer hohen Fehlerquote und langen Korrekturzeiten eine naheliegende Alternative.

städtisches Wörterbuch kommt durch

Diese Arbeit zeigt deutlich, dass die Verwendung von Vertrauenswerten für die Navigation die Korrekturzeiten der Benutzer verkürzen kann. Mit weiteren Verbesserungen verspricht die Technik, die Benutzerfreundlichkeit der freihändigen Fehlerkorrektur zu verbessern und so eine Welle neuer Geräte und Anwendungen zu erzeugen.

QUELLE: Feng, J. und A. Sears. 2004. Verwendung von Konfidenzwerten zur Verbesserung der sprachbasierten Navigation in kontinuierlichen Diktiersystemen. ACM-Transaktionen zur Computer-Mensch-Interaktion 11: 329-356.

Quantenkorrekturen
So überprüfen Sie Fehler in einem Quantencomputer

KONTEXT: Für einen Außenstehenden kann die Logik des Quantencomputings mystisch erscheinen. Während ein Standardbit Daten als Einweg darstellt oder ein anderer (digital 0 oder 1), ein Quantenbit speichert Daten in eine Richtung und eine andere (0 und 1 und alle Möglichkeiten dazwischen). Während ein Standardcomputer mögliche Lösungen nacheinander durcharbeiten muss, könnte ein Quantencomputer theoretisch alle Lösungen auf einmal überblicken und in einem einzigen Schritt die richtige auswählen. Dies ist ideal für Lösungen, die auf Versuch und Irrtum beruhen, wie z. B. das Brechen von Verschlüsselungscodes.

Aber wie bei einem verfluchten Fabelwesen werden viele der Informationen, die in einem Quantensystem enthalten sind, verschwinden, wenn es beobachtet wird, weil der Prozess des Betrachtens das System stört. Das bedeutet, dass ein Benutzer die Antwort auf eine Frage einsehen kann, aber nicht die Berechnungen dahinter überprüfen kann. Ein Quantencomputer muss also Fehler zuverlässig korrigieren, ohne dass sie jemand sieht. Nun ist dies John Chiaverini und Kollegen vom National Institute of Standards and Technology (NIST) erstmals in einem skalierbaren Quantensystem gelungen.

METHODEN UND ERGEBNISSE: Im NIST-Quantencomputer werden Informationen im Quantenzustand eines einzelnen Atoms kodiert. Durch einen Prozess namens Verschränkung wird das Schicksal dieses Elternatoms mit dem von zwei Begleitatomen verknüpft, sodass sich Änderungen des Zustands der Eltern in den Begleitern widerspiegeln. Mit Beryllium-Ionen (elektrisch geladenen Atomen) als Träger von Quanteninformationen konnten die Forscher die Zustände der beiden Begleitionen entwirren, entschlüsseln und vergleichen und so indirekt auf einen Fehler schließen. Ein Laserpuls könnte dann den Quantenzustand des ursprünglichen Ions korrigieren, ohne ihn tatsächlich zu beobachten.

wer oder was ist wikileaks

WARUM ES WICHTIG IST: Viele Verschlüsselungstechniken hängen von der Schwierigkeit ab, sehr große Zahlen durch Versuch und Irrtum zu faktorisieren. Ein Quantencomputer könnte theoretisch alle derartigen Verschlüsselungssysteme besiegen und verspricht, um Größenordnungen leistungsfähiger zu sein als die fortschrittlichsten Systeme heute. Jeder, der daran interessiert ist, digitale Geheimnisse zu bewahren – von Kreditkartennummern für Web-Transaktionen bis hin zu Verschlusssachen für Regierungen und Unternehmen – interessiert sich für Quantencomputer. Obwohl ein brauchbarer Quantencomputer noch weit, weit entfernt ist, hat die Arbeit am NIST gezeigt, wie man einen der teuflischsten Flüche der Quantenmechanik aufhebt.

QUELLE: Chiaverini, J., et al. 2004. Realisierung der Quantenfehlerkorrektur. Natur 432: 602-605.

Scannen Sie Ihre Gedanken
Maschinen lernen die Gehirnaktivität zu analysieren />

der detaillierteste Blick, den wir je von einem Asteroiden hatten, stammt von

KONTEXT: Können Computer lernen, den menschlichen Geist zu lesen? Das Erkennen von Gedanken kann ihre Fähigkeiten übersteigen, aber Computer können darauf trainiert werden, bestimmte mentale Aufgaben aus Scans zu erkennen, die die Gehirnaktivität überwachen. Eine beliebte Scantechnik, die funktionelle Magnetresonanztomographie (fMRT), hilft bereits bei der Untersuchung von Lernen, Gedächtnis, Emotionen, neuralen Störungen und Psychopharmaka. Mithilfe von Statistiken und Datenanalysen können Forscher Aktivitätsmuster als charakteristisch für bestimmte mentale Aktivitäten und Zustände identifizieren. Jetzt haben Tom Mitchell und seine Kollegen von der Carnegie Mellon University gezeigt, dass Computer diesen Prozess zumindest für einige einfache Aufgaben automatisieren können.

METHODEN UND ERGEBNISSE: Unter Verwendung von fMRT-Daten von Probanden, die an verschiedenen Aufgaben teilnahmen, trainierte das CMU-Team Computer, um zu erkennen, welche fMRT-Muster kognitive Zustände für verschiedene Aufgaben begleiteten. Dabei entwickelte der Computer mathematische Modelle, um zwischen verschiedenen kognitiven Zuständen zu unterscheiden. Dann sagten die Computer aufgrund neuer fMRT-Daten die mentalen Zustände der Probanden aus den Gehirnscans voraus. Obwohl unvollkommen, übertrafen die automatisch trainierten Computer den Zufall überzeugend darin, zu unterscheiden, ob eine Person Sätze oder Bilder betrachtete, mehrdeutige oder eindeutige Sätze las und Wörter las, die verschiedenen Kategorien wie Personen, Werkzeugen oder Früchten zugeordnet waren.

WARUM ES WICHTIG IST: Diese Arbeit zeigt, dass ein Computer die Ergebnisse eines Satzes von Gehirnscans verwenden kann, um vorherzusagen, was ein Gehirn während anderer Scans tat. Diese Fähigkeit könnte schließlich zu einer genaueren Verwendung von MRT-Scans in der Medizin führen. Es könnte auch die Datenanalyse beschleunigen, insbesondere wenn eine Person im Laufe der Zeit untersucht wird. Und da die Computer gelernt haben, die Gehirnaktivität aus einem einzigen kurzen Intervall zu erkennen und nicht aus mehreren Scans über einen längeren Zeitraum, könnte dies die Zeit verkürzen, die jeder Patient in einem MRT-Gerät verbringt, wodurch teure Geräte leichter verfügbar werden.

Im weiteren Sinne ist diese Arbeit eine wichtige Anwendung im Bereich des maschinellen Lernens. Mit relativ wenigen Trainingsbeispielen waren die Computer in der Lage, aussagekräftige Muster in Daten mit Tausenden von Eingaben zu erkennen, von denen viele irrelevant oder ungenau waren. Da Wissenschaftler immer detailliertere Datensätze aus dem Gehirn und anderen komplexen Systemen sammeln, bieten diese Techniken eine Möglichkeit, die Informationen effektiver zu nutzen.

QUELLE: Mitchell, T.M., et al. 2004. Lernen, kognitive Zustände aus Gehirnbildern zu entschlüsseln. Maschinelles Lernen 57: 145-175.

verbergen

Tatsächliche Technologien

Kategorie

Unkategorisiert

Technologie

Biotechnologie

Technologierichtlinie

Klimawandel

Mensch Und Technik

Silicon Valley

Computer

Mit News Magazine

Künstliche Intelligenz

Platz

Intelligente Städte

Blockchain

Reportage

Alumni-Profil

Alumni-Verbindung

Mit News Feature

1865

Meine Sicht

77 Mass Avenue

Treffen Sie Den Autor

Profile In Großzügigkeit

Auf Dem Campus Gesehen

Lerne Den Autor Kennen

Alumni-Briefe

Nicht Kategorisiert

77 Massenallee

Rechnen

Tech-Richtlinie

Lernen Sie Den Autor Kennen

Nachrichten

Wahl 2020

Mit Index

Unter Der Kuppel

Feuerwehrschlauch

Unendliche Geschichten

Pandemie-Technologieprojekt

Vom Präsidenten

Titelstory

Fotogallerie

Empfohlen