![[personal profile]](https://www.dreamwidth.org/img/silk/identity/user.png){kind=small}
Аватар 2.0
Применение самообучаемых байесовских экспертных систем в области машинного перевода привело к статистической (и стохастической) революции (благодаря которой, в частности, появился сайт http://translate.google.com/). Современное определение искусственного интеллекта дается в терминах взаимодействия агента и среды, которые по-сути говорят об одном и том-же (будущем, которое и для среды и для агента общее), но на своих языках (среда общается с агентом языком сенсоров, агент соответствующим образом отвечает языком приказов своим исполнительным устройствам). Аватар 2.0, это еще один агент, который, пассивно наблюдая за этой беседой, строит свою модель поведения основного агента в контексте среды. При достаточной формализации взаимодействия агента (человека) и среды (например, таком как в компьютерных играх-песочницах типа DF или X), это не должно быть намного сложнее машинного перевода (что позволило бы превратить песочницы в MMO(ffline)RPG, с возможностью offline дообучения на примере отдельных сложных для предыдущей версии агента, т.е. "интересных" ситуаций). Могут быть и вполне серьезные применения.
Интересно, кто-нибудь думал уже в этом направлении ?
update (27.03.2011): Как говорилось в обсуждении, решение одной задачи AI, тянет за собой другие. Вот, свежий пример, распознаватель поз Kinect (популярно, детально). И над всем этим витает дух того самого известного пресвитерианского священника. ;-)
update (16.06.2011) А вот и исследователи из Университета Северной Каролины пришли к той-же идее. Судя по PR, ничего кроме идеи они пока и не опубликовали (корреляция между достижениями -- это только повод высказаться).
Интересно, кто-нибудь думал уже в этом направлении ?
update (27.03.2011): Как говорилось в обсуждении, решение одной задачи AI, тянет за собой другие. Вот, свежий пример, распознаватель поз Kinect (популярно, детально). И над всем этим витает дух того самого известного пресвитерианского священника. ;-)
update (16.06.2011) А вот и исследователи из Университета Северной Каролины пришли к той-же идее. Судя по PR, ничего кроме идеи они пока и не опубликовали (корреляция между достижениями -- это только повод высказаться).
no subject
no subject
Что касается качества, то оно есть функция количества скормленных байесовской экспертной системе примеров. С индонезийского, например, Google Translate переводит еще хуже чем с русского, а с немецкого лучше.
Да, система просто тупо пытается запомнить все случаи. Как заправский зубрила. Но это не такая уж и немыслимая задача. Я бы, например, взялся утверждать, что все сигранные человечеством за всю его историю шахматные партии поместятся на одном современном жестком диске даже без особых ухищрений со сжатием. Так что грубую силу не стоит недооценивать.
К.Л.М.
no subject
У гугла принципиально выдается весь текст (или одно отдельное предложение) как один единственный наиболее вероятный вариант... Доступа к вариантам перевода предложения нет, можно только фразы внутри предложения выбирать из списка вариантов. Поскольку нет настройки-выбора вариантов перевода предложения в целом, классификатор принципиально пытается найти один исход, а не набор наиболее вероятных корректных-согласованных. Не будет хороших переводов при таком подходе.
Перевод подавляющего числа предложений множественный.
PS ну в самом деле, что гугл не мог корпус переводов Гербета Уэлса (или другого классика?) например зарядить в свой трансляте как обучающий пример, разбив на абзацы-предложения? В этом корпусе встречаются _все_ словесные конструкции в превосходном качестве.
no subject
Генерация случайных чисел в их переводчике инициализируется контрольной суммой всего текста. Это значит, что, например, добавив в текст ничего не значащий пробел Вы получите другой вариант перевода (то, в чем формула Байеса дает большую вероятность скорее всего не изменится, а где 50/50 -- слова поменяются). Добавив еще пробел, получите еще вариант...
Вы ведь слышали о классе NP-полных задач ? Решив одну из них со степенной асимптотикой, мы решаем их все. В каком-то смыслпе задача машинного перевода подобна. Решив ее, можно свести к этому решению другие задачи ИИ (как, например, создание аватара 2.0, который был бы не только визуальным, но и интеллектуальным отображением человека в другой реальности).
Так вот, сильным контр-аргументом против сказанного мной выше было-бы, что на самом деле стохастический переводчик не решает задачи перевода. Это читатель наполняет случайно сгенерированный текст смыслом. Однако, я бы сказал, что совершенно не важно -- думает робот "по-настоящему", "понимает" ли он текст или нет, важно, что перевод получается полезный и очень похожий на оригинал.
К.Л.М.
Очевидно, думал, и не один
no subject
К.Л.М.
no subject
no subject
В любом случае, как работает эта программа -- не известно (в отличие от описанной в статьях и монографиях методики статистического перевода), есть только догадки и мистификации.
К.Л.М.
no subject
(Anonymous) 2011-03-21 08:04 pm (UTC)(link)я иногда поражаюсь насколько плохо! все-таки без "понимания" что такое род, число, время получить грамотный перевод сложно.
no subject
Что касается морфологических категорий, то их можно добавить. Байесовские экспертные системы, подобно живым организмам, в некоторой степени обладают свойством эквифинальности. Можно просто "бросить в котел" все возможные дополнительные признаки и система в процессе обучения сама выделит те, которые (возможно в совокупности) коррелируют с правильным ответом.
Конкретный пример: Программе spamassassin, сочетает в себе байесовскую экспертную систему и экспертную систему, построенную на явных правилах. Причем, в ней есть огромное количество явных правил, которые никак не влияют на конечный "счет" (спам/не спам) анализируемого сообщения. Зачем они ? Дело в том, что все "сработавшие" явные правила, независимо от их счета, скармливаются байесовскому классификатору и уже он сам динамически определяет их значимость.
Таким образом можно ввести явные морфологические признаки и в систему статистического перевода. Причем, не обязательно в виде явных правил, а, например, в виде такой-же самообучающейся экспертной системы, которая классифицировала бы каждое слово и слова в предложении. Результат этой классификации можно потом "вбросить" в сам переводчик, дополнительно к тексту.
К.Л.М.