تکنولوژی

فناوری صدای جدیدی به ما می‌دهد؛ شکستن دیوارهای سکوت

پیوست 09/10 13:02

تصمیم هال ۹۰۰۰ برای اقدام علیه انسانی که همراهی‌اش می‌کرد موج وحشتی از کامپیوترهای هوشمند برانگیخت.

هنوز راه زیادی داریم تا کامپیوترهای گویایی بسازیم که واقعاً بتوانند امر غیرمنتظره را مدیریت کنند. با این حال، درست است که تکنولوژی زبان آماده نیست جانشین انسان شود مگر در برخی کارهای بسیار ساده و روزمره اما همین تکنولوژی زبان به‌ اندازه‌ای خوب است که بالاخره می‌توان آن را جدی گرفت.

تشخیص گفتار پیشرفت‌های مثال‌زدنی داشته است. در نتیجه بودجه بیشتری به توسعه تکنولوژی زبان اختصاص پیدا کرد و این تکنولوژی، هرچند با سرعت کم، رو به پیشرفت است.

بسیاری از رویکردهای اولیه تکنولوژی زبان و به‌ویژه ترجمه در بن‌بست مفهومی گرفتار شدند: رویکرد مبتنی بر قوانین. اما هنوز کسی نمی‌داند چگونه باید از این حالت خوب به حالت عالی و قابل ‌اعتماد حرکت کرد.

تشخیص گفتار: به تو گوش می‌دهم

وقتی فرد حرف می‌زند، هوا از شش‌هایش بیرون می‌آید و باعث می‌شود تارهای صوتی به ارتعاش دربیایند. قبلاً از فنون آماری استفاده می‌شد اما اخیراً یادگیری عمیق بیشتر در کانون توجه قرار گرفته است.

پیشرفت تکنولوژی نیز به‌تدریج به رفع مشکلات تشخیص صوت کمک کرده است. حتی تلفن‌های هوشمند نیز امروز از قدرت پردازش کافی برای انجام این تحلیل برخوردارند.

تفاوت الگوی زبان با واقعیت زبان

شاید مجموعه انتظارها مهم‌ترین مشخصه سیستم تشخیص گفتار باشد. این حدس به نوع کلمات، عبارت‌ها و دستور زبانی استوار است که سیستم قبلاً در متن آموزشی دریافت کرده است.

می‌توان داده‌هایی را که بر اساس صدای کاربر تهیه شده‌اند به کامپیوتر آموزش داد تا حدس زدن تسهیل شود. به همین دلیل است که مایکروسافت محصولی به نام CRIS ارائه کرده تا کاربران بتوانند سیستم‌های تشخیص گفتار را بر اساس صدای پس‌زمینه، کلمات ویژه و سایر جزئیات در محیط‌های خاص تنظیم کنند.

اما اینکه کامپیوتر بداند انسان چه گفته صرفاً شروع کار است. تعامل مناسب بین انسان و کامپیوتر به آن شکلی که در داستان‌های علمی تخیلی نمایش داده می‌شود مستلزم این است که ماشین‌ها بتوانند به حرف بیایند و جواب بدهند.

ترجمه ماشینی

ترجمه خودکار باکیفیت جادویی‌تر از سایر انواع تکنولوژی زبان به نظر می‌رسد زیرا بسیاری از انسان‌ها تلاش می‌کنند بیش از یک زبان بدانند چه برسد از زبانی به زبان دیگر ترجمه کنند. این مفهوم به روزهای اول جنگ سرد برمی‌گردد؛ وقتی دانشمندان آمریکایی تلاش می‌کردند به کامپیوترها آموزش دهند متون روسی را ترجمه کنند.

دانشمندان از موفقیت‌های رمزگشایی در جنگ جهانی دوم الهام گرفته بودند و همین تلاش برای شکستن کدها بود که به توسعه اولین کامپیوترها انجامید. از نظر این افراد، متن روسی در واقع نسخه رمزگذاری‌شده متن انگلیسی بود و تبدیل آن به انگلیسی صرفاً به معنی رمزگشایی بود.

دانشمندان در آی‌بی‌ام و دانشگاه جرج‌تاون جزو آنهایی بودند که فکر می‌کردند این مشکل به‌سرعت حل می‌شود؛ صرفاً برای شش قانون برنامه‌نویسی کردند و ۲۵۰ واژه به کامپیوتر معرفی کردند. یکی از دانشمندان جرج‌تاون تحت تاثیر این پیشرفت پیش‌بینی کرد ترجمه ماشینی در عرض سه تا پنج سال به حقیقت خواهد پیوست.

برعکس، کمی بیش از گذشت یک دهه از کار روی این موضوع، گزارش سال ۱۹۶۶ کمیته جان پیِرس نسبت به نتایج تحقیقات اعلام ناامیدی کرد و از محققان خواست بر اهداف کوچک و دستیاب مانند دیکشنری‌های خودکار تمرکز کنند. راه‌حلش این بود که به‌جای نوشتن برنامه‌های مبتنی بر قوانین، گفتار طبیعی برای آموزش دادن ماشین مورد استفاده قرار بگیرد.

دو دهه بعد، آی‌بی‌ام به رویکردی رسید که خوش‌بینی درباره ترجمه ماشینی را احیا کرد. رویکرد آماری تضمین می‌کند کلمه بر اساس واژه‌های اطرافش ترجمه می‌شود.

اما کیفیت ترجمه وقتی جهش پیدا کرد که گوگل تصمیم گرفت کل اینترنت را ایندکس کند و از این داده‌ها برای آموزش دادن ماشین‌های ترجمه‌اش کمک بگیرد. این الگو می‌تواند مجموعه‌ای از ترجمه‌ها در زبان مقصد را تسهیل کند.

کاربران اینترنت به‌زودی کشف کردند گوگل‌ترنسلیت بسیار بهتر از مترجم‌های آنلاین مبتنی بر قوانین عمل می‌کند. گوگل حالا از ترجمه ماشینی مبتنی بر شبکه عصبی استفاده می‌کند تا برای هشت جفت زبان خدمات ترجمه ارائه دهد.

مترجم‌های آینده احتمالاً متخصص کنترل کیفی خواهند بود و تصمیم خواهند گرفت کدام متن‌ها با جزئیات بیشتری به توجه نیاز دارند. این کار شاید ضروری باشد زیرا کامپیوترها هر اندازه که باهوش‌تر شوند هنوز نمی‌توانند معنای متن را واقعاً درک کنند.

شکستن دیوارهای سکوت

معنا و هوش ماشین:

درباره چه حرف می‌زنید؟

ماشین‌ها نمی‌توانند گفت‌وگوی مناسبی با انسان‌ها داشته باشند زیرا دنیا را درک نمی‌کنند.

در سریال «Black Mirror»، زنی جوان نامزدش را در تصادف خودرو از دست می‌دهد که کاربر فعال رسانه‌های اجتماعی بود. در غیر این صورت، کامپیوترها نمی‌توانند درباره موضوعات متفاوت حرف بزنند، گفت‌وگوهای طولانی را دنبال یا غافلگیری‌ها را مدیریت کنند.

البته ماشین‌هایی که آموزش می‌بینند کارهای محدودی انجام دهند، نتایج شگفت‌آوری رقم می‌زنند. مایکروسافت از گفتارهای محاوره در تعامل‌های روزمره استفاده کرده تا به دستیار دیجیتالی‌اش کورتانا آموزش دهد.

با این اوصاف، پلتفرم‌های زبان طبیعی از کجا می‌دانند مردم چه می‌خواهند؟ ماشین‌ها نه‌تنها کلمات مورد استفاده افراد را تشخیص می‌دهند بلکه گفتار را برای تحلیل دستور زبان و معنی تجزیه می‌کنند. اما معنی تحت عنوان «درک زبان طبیعی» قرار می‌گیرد که بسیار دشوارتر است.

عقل سلیم حتی در میان انسان‌ها هم به ‌اندازه کافی رواج ندارد؛ برنامه‌نویسی برای ایجاد عقل سلیم در کامپیوترها جای خود دارد. برای مثال، گراف گوگل می‌داند جیکوب برنولی در دانشگاه بازل تحصیل کرده (مانند سایر افرادی که از طریق این گره در گراف به برنولی وصل می‌شوند) و کتاب «قانون اعداد بزرگ» (گوگل می‌داند این اسم یک کتاب است) را نوشته است.

سازماندهی اطلاعات به این شیوه برای شرکتی که داده‌های زیاد و ظرفیت‌های هوش مصنوعی مناسبی دارد دشوار نیست اما وصل کردن اطلاعات به زبان سخت است. سیستم واتسون آی‌بی‌ام که در سال ۲۰۱۱ بر دو قهرمان در یک بازی رقابتی غلبه کرد، سازوکار ساده‌ای داشت: محاسبه تعداد زیادی از پاسخ‌های احتمالی بر اساس کلمات کلیدی و احتمالات نه از طریق درک انسانی سوال.

محاسبه‌پذیر کردن اطلاعات دنیای واقعی چالش‌انگیز به نظر می‌رسد. این توانایی به سیستم زبان طبیعی اجازه می‌دهد تفاوت بین معناهای یک کلمه خاص را شناسایی کند.

گفت‌وگوی مناسب بین انسان‌ها و ماشین‌ها را می‌توان مجموعه‌ای از چالش‌های به‌هم‌پیوسته تلقی کرد: تشخیص گفتار، گفتار مصنوعی، تحلیل جمله، تحلیل معنا، درک کاربردی، گفت‌وگو، عقل سلیم و دانش درباره دنیای واقعی. نوشتن برنامه‌ای که کمک کند ماشین چنین عملکردی را تکرار کند هنوز در حال تکامل است.

نگاهی به آینده: شگرد بعدی‌ من

امروز همه باید ماشین‌های گویا داشته باشند.

در فیلم WALL-E، بعد از آنکه کل محیط زمین ‌زیست‌ناپذیر شده، همه انسان‌ها روی یک فضاپیما زندگی می‌کنند. حتی در آینده خوش‌بینانه‌ای مانند WALL-E که در آن ماشین‌ها کارها را انجام می‌دهند، می‌توان دید که غیابِ چالش به مردم آسیب می‌زند.

خوشبختانه کارهایی که ماشین‌های گویا از لیست کارهای انسان‌ها برمی‌دارند از آن کارهایی هستند که بسیاری از مردم با کمال میل واگذارشان می‌کنند. Jibo، یک «ربات اجتماعی» جدید، می‌خواهد برای بچه‌ها داستان بگوید، به حفظ رابطه با وابستگان دور کمک کند و کارهایی از این ‌دست.

جوامع کوچک از نظر زبانی نیز می‌توانند از این تکنولوژی سود ببرند. شبکه‌های عصبی و سایر نرم‌افزارها این امکان را به وجود می‌آورند که نسخه‌های جدیدتر سرویس‌ها سریع‌تر و کارآمدتر از همیشه تولید شوند.

دو نقطه‌ضعف در گسترش تکنولوژی زبان طبیعی وجود دارد: پیامدها برای حریم و اختلال در بسیاری از مشاغل.

دستگاه‌ها بیش‌ از پیش در حال گوش دادن‌اند. علاوه‌ بر این، سرویس‌های مکان‌محور بسیاری از شرکت‌های بزرگ مشغول حدس زدن نیازها و خواسته‌های کاربران‌اند.

موضوع نگران‌کننده دیگر در مورد تکنولوژی زبان طبیعی به مشاغل برمی‌گردد. تکنولوژی زبان حالا به ‌اندازه کافی بالغ شده و می‌تواند بسیاری از این کارها را انجام دهد.

انسان‌ها در طول یک دوره طولانی تحول همچنان لازم خواهند بود اما کارهایشان کمتر روزمره خواهد بود. برت برانک، یکی از مدیران ارشد نوآنس، می‌گوید استفاده از حدود ۲۰۰ معیار برای شناسایی گوینده احتمالاً امن‌تر از اثرانگشت است.

کل این بحث سرانجام این سوال را به ذهن متبادر می‌کند که انسان بودن چه معنایی دارد. محققان هوش مصنوعی تاکید می‌کنند که ماشین‌ها مثل مردم فکر نمی‌کنند اما اگر مثل انسان‌ها گوش بدهند و حرف بزنند، آنها را چه می‌توان نامید؟ اگر انسان‌ها به ماشین‌های قوی‌تر بیشتر آموزش دهند تا از زبان استفاده کنند، مرز بین انسان و ماشین که زمانی برجسته بود کمرنگ خواهد شد.

منبع: اکونومیست

«متاسفم دیو! نمی‌توانم این کار را بکنم.» هال ۹۰۰۰ (HAL 9000)، کامپیوتر فضاپیما در فیلم «۲۰۰۱: یک ادیسه فضایی»، از باز کردن درها به روی دیو بومن امتناع می‌کند. دیو فضانورد برای انجام ماموریتی از فضاپیما خارج شده بود. تصمیم هال ۹۰۰۰ برای اقدام علیه انسانی که همراهی‌اش می‌کرد موج وحشتی از کامپیوترهای هوشمند برانگیخت.

وقتی این فیلم در سال ۱۹۶۸ منتشر شد، این ایده که کامپیوترها بتوانند گفت‌وگوی مناسبی با انسان‌ها برقرار کنند، به ‌اندازه سفر فضایی انسان به سیاره مشتری، بسیار دور از دسترس به نظر می‌رسید. بشر در ادامه خوب پیشرفت کرد و ماشین‌هایی ساخت که می‌توانند با چیزی که شبیه گفتار طبیعی است پاسخ دهند. با وجود این، برقرار کردن ارتباط هنوز هم دشوار است. اگر فیلم «۲۰۰۱: یک ادیسه فضایی» را دوباره می‌ساختیم تا وضعیت امروز تکنولوژی زبان را نشان دهیم، گفت‌وگو چیزی شبیه این می‌شد: «هال، دریچه را باز کن.» «متاسفم دیو. سوال را نفهمیدم.» «هال، درهای دریچه را باز کن.» «لیستی از نتایج جست‌وجوی دریچه خدمت شما، دیو.»

هنوز راه زیادی داریم تا کامپیوترهای گویایی بسازیم که واقعاً بتوانند امر غیرمنتظره را مدیریت کنند. وقتی از دانشمندان هوش مصنوعی درباره آینده هال ۹۰۰۰ هوشمند و ترمیناتور سوال می‌کنیم، فقط می‌خندند. با این حال، درست است که تکنولوژی زبان آماده نیست جانشین انسان شود مگر در برخی کارهای بسیار ساده و روزمره اما همین تکنولوژی زبان به‌ اندازه‌ای خوب است که بالاخره می‌توان آن را جدی گرفت.

تشخیص گفتار پیشرفت‌های مثال‌زدنی داشته است. ترجمه ماشینی هم از وضعیت افتضاح درآمده و می‌تواند خلاصه‌ای از نکات اصلی متن ارائه دهد. شاید به‌زودی ترجمه صرفاً به ویرایش جزئی انسان‌ها نیاز داشته باشد. دستیارهای شخصی کامپیوتری مانند سیری اپل، الکسای آمازون، Now گوگل و کورتانای مایکروسافت می‌توانند انواع سوال‌ها را دریافت کنند و پاسخ‌هایی مفید و صحیح با صوت طبیعی ارائه دهند. الکسا حتی می‌تواند به درخواست «برایم جوک تعریف کن» هم پاسخ دهد؛ البته با استفاده از پایگاه‌داده‌ای از شوخی‌های دم‌دستی. کامپیوترها درکی از طنز ندارند.

محققان درباره مجموعه مشترکی از راهکارها اتفاق‌ نظر دارند. این راهکارها برای آموزش کامپیوترها در زمینه‌های تشخیص صوت، شناسایی گوینده، تحلیل احساسات متن‌ها، تجزیه‌وتحلیل دستور زبان، شناسایی زبان، تشخیص دستخط یا کارهای دیگر استفاده می‌شوند. محققان شاخص‌های مد نظر برای بهبود را تعیین می‌کنند، مجموعه ‌داده‌های مورد نیاز برای آموزش به نرم‌افزارشان را به کامپیوتر می‌دهند و اجازه می‌دهند افراد بی‌طرف نتایج را آزمون کنند. فرایند این کار باعث می‌شود شفافیت بسیار بیشتر شود. در نتیجه بودجه بیشتری به توسعه تکنولوژی زبان اختصاص پیدا کرد و این تکنولوژی، هرچند با سرعت کم، رو به پیشرفت است.

بسیاری از رویکردهای اولیه تکنولوژی زبان و به‌ویژه ترجمه در بن‌بست مفهومی گرفتار شدند: رویکرد مبتنی بر قوانین. این در ترجمه یعنی نوشتن قوانین برای تحلیل متن در زبان مبدأ، تجزیه زبان و تبدیل آن به «زبان مشترک» انتزاعی و بازسازی آن بر اساس قوانین زبان مقصد. این رویکرد ابتدا نویدبخش بود اما به‌زودی وقتی در جمله‌های پیچیده به کار رفت شکست خورد. تقریباً کل تکنولوژی زبان در زمینه روش‌های آماری بهتر شده است‌. این روش‌های آماری را رویکرد «بروت فورس» (تحت‌اللفظی «زور بی‌قاعده») نیز می‌نامند. این کار با جست‌وجوی مقادیر عظیم داده همراه است.

هدف شناسایی الگوها و یادگیری از سوابق است. نرم‌افزار تشخیص صوت، مجموعه‌ای از اصوات ضبط‌شده را یاد می‌گیرد. افزایش قدرت پردازنده‌ها به همراه انفجار داده‌ها در نهایت تکنولوژی زبان را پیش می‌برند. امروز افرادی که قبلاً از ترجمه‌های ماشینی ناراضی بودند به گوگل‌ترنسلیت اعتماد می‌کنند. اپل میلیون‌ها نفر را متقاعد کرده تا با تلفن‌هایشان حرف بزنند. یادگیری عمیق که از طریق شبکه‌های عصبی دیجیتالی امکان‌پذیر شده، این پیشرفت را دوچندان می‌کند. در حالت کلی، تکنولوژی زبان که ابتدا بی‌مصرف بود امروز به‌نسبت خوب است. اما هنوز کسی نمی‌داند چگونه باید از این حالت خوب به حالت عالی و قابل ‌اعتماد حرکت کرد.