Synopser: Informationsteknologi

Verbalt kompas
Bedre talebaseret fejlkorrektion til dikteringsværktøjer />

KONTEKST: Ekstrem multitasking er den moderne mode, men ingen person har hænder nok til at administrere en mobiltelefon, en digital organizer, et rat og kaffe på samme tid. Derfor ønsker folk en håndfri måde at interagere med computere på. Selvom talegenkendelsessystemer er mere nøjagtige end nogensinde, bruger typiske brugere stadig mere tid på at rette fejl end på at diktere tekst; halvdelen af ​​deres rettelsestid bruges på bare at flytte en markør til fejl identificeret i f.eks. en dikteret e-mail. Tillidsscore - softwarens skøn over, hvor sandsynligt det er, at det har fanget det rigtige ord - kan bruges til at identificere mulige fejl. Nu har Jinjuan Feng og Andrew Sears ved University of Maryland, Baltimore County, vist, at tillidsscore også kan bruges til at fremskynde korrektionsprocessen.

Denne historie var en del af vores marts 2005-udgave

• Se resten af ​​problemet
• Abonner

METODER OG RESULTATER: Tolv deltagere dikterede dokumenter på 400 ord ved hjælp af et talegenkendelsessystem. Det fortolkede 17 procent af ordene forkert, en typisk sats; det var korrigeringsprocessen, der var atypisk. Softwaren brugte tillidsscore til at mærke ord i hele teksten som navigationsankre. Brugere kunne hurtigt hoppe til hvert anker med korte stemmekommandoer og derefter flytte en markør ord for ord til fejlen. Forskerne målte antallet af navigationskommandoer, deltagerne brugte, fejlraten for navigationskommandoerne og den tid, der blev brugt på at diktere og navigere. Gennemsnitlige fejlrater for andre teknikker er omkring 5 procent for retningsbaseret navigation (flyt til højre) og 10 til 20 procent for ordbaseret navigation (vælg december). I en test af Feng og Sears' teknik var fejlprocenten kun 3,2 procent. Endnu bedre, den tid, brugerne brugte på at navigere til fejl, blev reduceret med næsten en femtedel. Dette er væsentligt sammenlignet med andre fejlkorrektionsteknikker, og det er lovende, fordi dette arbejde foreslår midlerne til yderligere forbedringer.

HVORFOR ER DET BETYDNING: Lilliputian-knapperne på PDA'er og andre vidundere i lommestørrelse krymper hurtigt under en tommelfinger i konstant størrelse. Multitasking er stigende, og flere mennesker med fysiske handicap kommer ud på arbejdsmarkedet. Begge tendenser vil styre brugerne væk fra computersystemer med manuelle grænseflader. Talegenkendelse, men på grund af sin høje fejlrate og lange korrektionstider, er et oplagt alternativ.

Dette arbejde viser tydeligt, at brug af tillidsscore til navigation kan reducere brugernes korrektionstider. Med yderligere forbedringer lover teknikken at øge anvendeligheden af ​​håndfri fejlkorrektion og dermed skabe en bølge af nye gadgets og applikationer.

KILDE: Feng, J. og A. Sears. 2004. Brug af konfidensscore til at forbedre håndfri talebaseret navigation i kontinuerlige dikteringssystemer. ACM-transaktioner på computer-menneskelig interaktion 11: 329-356.

Kvantekorrektioner
Sådan tjekker du fejl i en kvantecomputer

KONTEKST: For en udenforstående kan logikken i kvanteberegning virke mystisk. Mens en standardbit repræsenterer data som én vej eller en anden (digital 0 eller 1), en kvantebit gemmer data på én måde og en anden (0 og 1 og alle muligheder derimellem). Mens en standardcomputer skal gennemgå mulige løsninger én ad gangen, kan en kvantecomputer i teorien undersøge alle løsninger på én gang og vælge den rigtige i et enkelt trin. Dette er ideelt til løsninger, der er afhængige af forsøg og fejl, såsom at bryde krypteringskoder.

Men ligesom et eller andet forbandet mytisk væsen, vil meget af informationen i et kvantesystem forsvinde, hvis det bliver observeret, fordi processen med at se på det forstyrrer systemet. Det betyder, at en bruger kan se på svaret på et spørgsmål, men ikke kan kontrollere beregningerne bag det. En kvantecomputer skal derfor rette fejl pålideligt, uden at nogen rent faktisk ser dem. Nu har John Chiaverini og kolleger fra National Institute of Standards and Technology (NIST) for første gang gjort dette i et kvantesystem, der kunne skaleres op.

METODER OG RESULTATER: I NIST kvantecomputeren er information kodet i et enkelt atoms kvantetilstand. Ved at bruge en proces kaldet sammenfiltring, er dette forældreatoms skæbne forbundet med to ledsagende atomers skæbne, så ændringer i forældrenes tilstand afspejles i ledsagerne. Ved at bruge berylliumioner (atomer med elektrisk ladning) til at transportere kvanteinformation, var forskerne i stand til at adskille, afkode og sammenligne de to ledsagende ioners tilstande og dermed indirekte udlede, om der var opstået en fejl. En laserimpuls kunne derefter korrigere den oprindelige ions kvantetilstand uden faktisk at observere den.

HVORFOR ER DET BETYDNING: Mange krypteringsteknikker afhænger af, at det er svært at faktorisere meget store tal gennem forsøg og fejl. En kvantecomputer kunne i teorien besejre alle sådanne krypteringssystemer og lover at være størrelsesordener kraftigere end de mest avancerede systemer i dag. Så enhver, der er interesseret i at holde på digitale hemmeligheder - fra kreditkortnumre til webtransaktioner til klassificerede oplysninger for regeringer og virksomheder - bekymrer sig om kvantecomputere. Selvom en brugbar kvantecomputer stadig er langt, langt væk, har arbejdet hos NIST vist, hvordan man kan løfte en af ​​kvantemekanikkens mest nedværdigende forbandelser.

KILDE: Chiaverini, J., et al. 2004. Realisering af kvantefejlkorrektion. Natur 432: 602-605.

Scanning af dine tanker
Maskiner lærer at analysere hjerneaktivitet />

KONTEKST: Kan computere lære at læse det menneskelige sind? At opdage tanker kan være ud over deres evner, men computere kan trænes til at genkende visse mentale opgaver fra scanninger, der overvåger hjerneaktivitet. En populær scanningsteknik, funktionel magnetisk resonansbilleddannelse (fMRI), hjælper allerede studiet af indlæring, hukommelse, følelser, neurale lidelser og psykiatriske stoffer. Ved hjælp af statistik og dataanalyse kan forskere identificere aktivitetsmønstre som karakteristiske for visse mentale aktiviteter og tilstande. Nu har Tom Mitchell og hans kolleger ved Carnegie Mellon University vist, at computere kan automatisere denne proces, i det mindste til nogle simple opgaver.

METODER OG RESULTATER: Ved at bruge fMRI-data fra forsøgspersoner, der var involveret i forskellige opgaver, trænede CMU-teamet computere til at genkende, hvilke fMRI-mønstre, der ledsagede kognitive tilstande til forskellige opgaver. Under denne proces udviklede computeren matematiske modeller til at skelne mellem forskellige kognitive tilstande. Så, givet nye fMRI-data, forudsagde computerne forsøgspersonernes mentale tilstande ud fra hjernescanningerne. Selvom de var ufuldkomne, overbeviste de automatisk trænede computere overbevisende chancerne ved at skelne mellem, om et emne så på sætninger eller billeder, læste tvetydige eller utvetydige sætninger og læste ord forbundet med forskellige kategorier såsom mennesker, værktøjer eller frugter.

HVORFOR ER DET BETYDNING: Dette arbejde viser, at en computer kan bruge resultaterne fra et sæt hjernescanninger til at forudsige, hvad en hjerne lavede under andre scanninger. Denne evne kan i sidste ende føre til mere nøjagtig brug af MR-scanninger i medicin. Det kan også fremskynde dataanalysen, især når en person studeres over tid. Og da computerne lærte at genkende hjerneaktivitet fra et enkelt kort interval i stedet for en sammensætning af flere scanninger over en længere periode, kan det reducere den tid, hver patient bruger i en MR-maskine, hvilket gør dyrt udstyr lettere tilgængeligt.

Mere generelt er dette arbejde en vigtig applikation inden for maskinlæring. Med relativt få træningseksempler var computerne i stand til at opdage meningsfulde mønstre i data indeholdende tusindvis af input, mange af dem irrelevante eller unøjagtige. Efterhånden som videnskabsmænd indsamler stadig mere detaljerede datasæt fra hjernen og andre komplekse systemer, tilbyder disse teknikker en måde at bruge informationen mere effektivt på.

KILDE: Mitchell, T. M., et al. 2004. At lære at afkode kognitive tilstande fra hjernebilleder. Maskinelæring 57: 145-175.

skjule