Kaynak: Xinzhiyuan
Bu makale hakkında 1524 kelime , Okumanız tavsiye edilir 4 dakika
Bu makale, insan beyni dalgalarını% 97 doğruluk oranıyla İngilizce cümlelere çevirmek için Kaliforniya Üniversitesi, San Francisco bilimsel araştırma ekibi tarafından yapay zeka kod çözme sisteminin kullanımını tanıtmaktadır.
Dünya, Google ve Amazon gibi şirketler tarafından üretilen sanal asistanların ürettiği güce henüz yeni adapte olmaya başladı. Bu sanal asistanların sesimizi ne kadar doğru tanıdığını tek bir kelime ile açıklarsak, bu " İnanılmaz ".
Ve şimdi, biri daha da çok " Ürpertici "Dönüm noktası çok yakında: Yapay zeka sistemi, tek bir kelime bile söylememize gerek kalmadan beyin aktivitemizi tam metne dönüştürebilir. .
Bu bilim kurgu değil. Son yıllarda, beyin-bilgisayar arayüzlerinin gelişimi sıçrayışlarla ve sınırlarla ilerledi.Hayvanlardan insanlara kadar katılımcılar zaten bu tür şeyleri denediler.
Birkaç gün önce, California Üniversitesi, San Francisco araştırma ekibi, insan beyni dalgalarını% 97 doğruluk oranıyla İngilizce cümlelere çevirmek için yapay zeka kod çözme sistemi kullanıyor. .
Kağıt adresi:
https://www.nature.com/articles/s41593-020-0608-8
Araştırma 30 Mart'ta Nature Neuroscience dergisinde "Kortikal aktivitenin bir kodlayıcı-kod çözücü çerçevesiyle metne makine çevirisi" (serebral kortikal aktiviteyi metne çevirmek için kodlayıcı-kod çözücü çerçevesini kullanarak) başlıklı yayınlandı. .
Edward Chang
Bu araştırma, San Francisco'daki California Üniversitesi'nde bir Çinli bilim adamı ve bir beyin cerrahisi profesörü tarafından yapıldı. Edward Chang Doktora liderliği. Dr. Edward Chang'in araştırması, beyin, konuşma, hareket ve insan duyguları mekanizmalarına odaklanmaktadır.Aynı zamanda, Kaliforniya Üniversitesi, San Francisco ve California Üniversitesi, Berkeley'in ortak bir birimi olan Sinir Mühendisliği ve Protez Merkezi'nin eş direktörüdür.
Doğruluğu artırmak için, araştırma ekibi kortikal EEG'nin kodunu çözmek için yeni bir yöntem kullandı: Beyne implante edilen elektrotlar tarafından alınan kortikal aktivite sırasında üretilen elektriksel uyarıların bir kaydı .
Bu çalışmada, dört epilepsi hastası nöbetleri izlemek için bu implantı taktı.Araştırma ekibi yardımcı bir deney yaptı: elektrotlar beyin aktivitelerini kaydederken katılımcıların bazı sabit cümleleri okumasına ve tekrar etmesine izin verin.
Daha sonra, bu veriler, deneyin ses kayıtlarına göre ünlüler, ünsüzler veya ağız hareketleri gibi belirli konuşma sinyallerine karşılık gelen beyin aktivite modellerini analiz edecek bir sinir ağına girilir.
Şekil 1: Kod çözme işlemi
Bundan sonra, başka bir sinir ağı bu temsillerin kodunu çözdü (tekrarlanan 30-50 sözlü cümleden toplandı) ve yalnızca cümlenin kortikal özelliklerine dayanarak söylenenleri tahmin etmeye çalışmak için kullandı.
Şekil 2: Çözülmüş cümlelerin kelime hata oranı
Bu sistem bir Kelime Hata Oranı (WER) , En iyi durumda, Bir katılımcının beyin sinyallerini metne dönüştürmedeki hata oranı yalnızca% 3'tür . Bu, yapay zekanın insan düşüncelerini okumaya en yakın sonucu olabilir , En azından deneysel koşulların tam anlamıyla.
Şekil 3: Transfer öğrenme ile eğitilmiş kodlayıcı-kod çözücü modelinin MOCHA-1 cümlelerinin kod çözme işlemindeki kelime hata oranı
Araştırma ekibi makalelerinde, çok sayıda katılımcı tarafından söylenen referans cümlelerini ve sinir ağının ürettiği tahminleri detaylandırdı, bazen yanılıyorlar ama her zaman değil. Bununla birlikte, hatalar açık olduğunda, insan kulağı tarafından duyulan konuşma sonuçlarından çok farklı görünmektedir (bu, AI tarafından sunulan sınırlı veri setinin bir yan etkisi olabilir).
Tablo 1: Yanlış çözülmüş cümle örnekleri (solda referans cümlesi ve sağda tahmin cümlesi)
En yanlış durumda, bu hataların anlamsal veya fonolojik olarak söylenenlerle hiçbir ilgisi yoktur. Örneğin, "sıcak yünlü yünlü tulum giymişti" (sıcak yünlü tulum giymişti) "vaha bir seraptı" (vaha bir seraptı) olarak yorumlanıyor.
Yine de, bu bariz hatalar çok garip olsa da, araştırma ekibi şuna inanıyor: genel olarak, Bu sistem, yapay zekaya dayalı beyin aktivitesinin kodunu çözmek için yeni bir ölçüt oluşturabilir ve en iyi durumda,% 5'lik bir kelime hata oranıyla profesyonel insan konuşma transkripsiyonu ile karşılaştırılabilir. .
Şekil 6: Kod çözme işleminin grafik modeli
Şekil 7: Ağ mimarisi
Tabii ki, sıradan insanların konuşmalarıyla ilgilenen profesyonel transkriptçilerin binlerce kelimeyle uğraşması gerekir, bunun tersine, bu sistemin sadece sınırlı sayıda cümlede kullanılan yaklaşık 250 kelimenin serebral kortikal özelliklerini öğrenmesi gerekir. Adil bir karşılaştırma değil.
Üstesinden gelinmesi gereken pek çok engel olsa da araştırma ekibi, sistemin bir gün konuşma yeteneğini yitirmiş hastalar için dil restorasyonunun temeli olabileceğine inanıyor. Bu gerçekten yapılmış olsaydı harika olurdu.
Yazar, "Uzun süreli implante edilmiş bir katılımcıda, mevcut eğitim verisi miktarı, bu çalışmada kullanılan yarım saatlik veya daha fazla konuşmadan birkaç kat daha büyük olacaktır," diye açıkladı yazar: "Bu, dilin kelime dağarcığını ve esnekliğini gösterir. Büyük ölçüde artabilir. "
Referans bağlantısı:
https://www.sciencealert.com/new-ai-system-translates-human-brain-signals-into-text-with-up-to-97-accuracy
-Bitiş-
Tsinghua-Qingdao Veri Bilimi Enstitüsü'nün resmi WeChat kamu platformunu takip edin " AI Veri Pastası "Ve kız kardeş numarası" Veri Pastası THU "Daha fazla ders avantajı ve kaliteli içerik elde edin.