Όπως αναφέρει ο Guardian, το σύστημα αυτή τη στιγμή είναι σε θέση να δουλεύει πάνω σε μοτίβα νευρωνικής δραστηριότητας που εντοπίζονται όταν κάποιος μιλάει, ωστόσο ειδικοί εκτιμούν ότι θα μπορούσε να συμβάλει στις επικοινωνίες με ανθρώπους που δεν είναι σε θέση να μιλήσουν ή να γράψουν. «Δεν έχουμε φτάσει ακόμα εκεί, μα νομίζουμε ότι αυτό θα ήταν η βάση μιας πρόσθεσης ομιλίας» είπε ο Dr. Τζόζεφ Μάκιν εκ των συντελεστών της έρευνας από το University of California, San Francisco.
Σε επιστημονικό άρθρο στο Nature Neuroscience ο Μάκιν και οι συνάδελφοί του αποκαλύπτουν το πώς ανέπτυξαν το σύστημα, χάρη στη συνεργασία τεσσάρων ατόμων που είχαν ηλεκτρόδια στον εγκέφαλο για την παρακολούθηση κρίσεων επιληψίας. Από τα άτομα αυτά ζητήθηκε να διαβάσουν φωναχτά από 50 προτάσεις πολλαπλές φορές, μεταξύ των οποίων «Tina Turner is a pop singer», «Those thieves stole 30 jewels» κ.α. Όσο μιλούσαν, οι ερευνητές παρακολουθούσαν τη νευρωνική τους δραστηριότητα. Τα δεδομένα αυτά μετά τροφοδοτήθηκαν σε έναν αλγόριθμο machine-learning, ένα είδος τεχνητής νοημοσύνης που μετατρέπει τα δεδομένα της εγκεφαλικής δραστηριότητας για κάθε πρόταση σε μια ακολουθία αριθμών.
Για να διασφαλιστεί πως οι αριθμοί σχετίζονταν μόνο με την ομιλία, το σύστημα σύγκρινε ήχους που είχαν προκύψει από μικρά τμήματα των δεδομένων εγκεφαλικής δραστηριότητας με καταγεγραμμένα ηχητικά. Οι αριθμοί αυτοί στη συνέχεια τροφοδοτήθηκαν σε δεύτερο μέρος του συστήματος, που τους μετέτρεψε σε ακολουθία λέξεων. Στην αρχή το σύστημα έβγαζε ακατανόητες προτάσεις, ωστόσο καθώς έκανε συγκρίσεις με τις προτάσεις που είχαν αναγνωστεί, βελτιωνόταν, μαθαίνοντας πώς οι αριθμοί αντιστοιχούσαν σε λέξεις και ποιες λέξεις ακολουθούσαν ποιες άλλες.
Στη συνέχεια το σύστημα δοκιμάστηκε, παράγοντας γραπτό κείμενο απλά από την εγκεφαλική δραστηριότητα κατά τη διάρκεια ομιλίας. Αν και δεν ήταν τέλειο, η ακρίβειά του ήταν πολύ υψηλότερη σε σχέση με προηγούμενες προσεγγίσεις. Το επίπεδο ακρίβειας διέφερε από άτομο σε άτομο. Ωστόσο, τονίζουν οι ερευνητές, ο αλγόριθμος διαχειρίζεται μόνο έναν μικρό αριθμό προτάσεων. Επίσης, διαπιστώθηκε πως η εκπαίδευση του αλγορίθμου πάνω στα δεδομένα ενός συμμετέχοντα σήμαινε πως χρειάζονταν λιγότερα δεδομένα εκπαίδευσης από τον τελικό χρήστη- κάτι που θα έκανε ευκολότερη την εκπαίδευση των ασθενών πάνω στη χρήση του συστήματος.
https://www.naftemporiki.gr/story/1585593/ena-bima-pio-konta-se-upologisti-pou-diabazei-ti-skepsi
ΣΧΕΤΙΚΟ: https://www.secnews.gr/219032/systhma-texnitis-nohmosinis-ai-metafrazei/
Σε επιστημονικό άρθρο στο Nature Neuroscience ο Μάκιν και οι συνάδελφοί του αποκαλύπτουν το πώς ανέπτυξαν το σύστημα, χάρη στη συνεργασία τεσσάρων ατόμων που είχαν ηλεκτρόδια στον εγκέφαλο για την παρακολούθηση κρίσεων επιληψίας. Από τα άτομα αυτά ζητήθηκε να διαβάσουν φωναχτά από 50 προτάσεις πολλαπλές φορές, μεταξύ των οποίων «Tina Turner is a pop singer», «Those thieves stole 30 jewels» κ.α. Όσο μιλούσαν, οι ερευνητές παρακολουθούσαν τη νευρωνική τους δραστηριότητα. Τα δεδομένα αυτά μετά τροφοδοτήθηκαν σε έναν αλγόριθμο machine-learning, ένα είδος τεχνητής νοημοσύνης που μετατρέπει τα δεδομένα της εγκεφαλικής δραστηριότητας για κάθε πρόταση σε μια ακολουθία αριθμών.
Για να διασφαλιστεί πως οι αριθμοί σχετίζονταν μόνο με την ομιλία, το σύστημα σύγκρινε ήχους που είχαν προκύψει από μικρά τμήματα των δεδομένων εγκεφαλικής δραστηριότητας με καταγεγραμμένα ηχητικά. Οι αριθμοί αυτοί στη συνέχεια τροφοδοτήθηκαν σε δεύτερο μέρος του συστήματος, που τους μετέτρεψε σε ακολουθία λέξεων. Στην αρχή το σύστημα έβγαζε ακατανόητες προτάσεις, ωστόσο καθώς έκανε συγκρίσεις με τις προτάσεις που είχαν αναγνωστεί, βελτιωνόταν, μαθαίνοντας πώς οι αριθμοί αντιστοιχούσαν σε λέξεις και ποιες λέξεις ακολουθούσαν ποιες άλλες.
Στη συνέχεια το σύστημα δοκιμάστηκε, παράγοντας γραπτό κείμενο απλά από την εγκεφαλική δραστηριότητα κατά τη διάρκεια ομιλίας. Αν και δεν ήταν τέλειο, η ακρίβειά του ήταν πολύ υψηλότερη σε σχέση με προηγούμενες προσεγγίσεις. Το επίπεδο ακρίβειας διέφερε από άτομο σε άτομο. Ωστόσο, τονίζουν οι ερευνητές, ο αλγόριθμος διαχειρίζεται μόνο έναν μικρό αριθμό προτάσεων. Επίσης, διαπιστώθηκε πως η εκπαίδευση του αλγορίθμου πάνω στα δεδομένα ενός συμμετέχοντα σήμαινε πως χρειάζονταν λιγότερα δεδομένα εκπαίδευσης από τον τελικό χρήστη- κάτι που θα έκανε ευκολότερη την εκπαίδευση των ασθενών πάνω στη χρήση του συστήματος.
https://www.naftemporiki.gr/story/1585593/ena-bima-pio-konta-se-upologisti-pou-diabazei-ti-skepsi
ΣΧΕΤΙΚΟ: https://www.secnews.gr/219032/systhma-texnitis-nohmosinis-ai-metafrazei/
No comments :
Post a Comment