Palestra de Reconhecimento da Fala - Google e AAAI 2011

Palestra da Google Tech (veja mais informação abaixo) 9 de agosto de 2011 Apresentado por Vincent Vanhoucke. RESUMO: A Google recebeu 100 participantes da conferência de 2011 para a Associação do Avança da Inteligência Artificial (AAAI - sigla em inglês) no nosso escritório em São Francisco. O programa apresentou uma palestra feita pelo Diretor de Pesquisas, Peter Norvig e varias palestras sobre projetos relevantes ao campo da inteligência artificial e das suas aplicações. Sobre o palestrante: Vincent Vanhoucke é um Cientista de Pesquisa na Google. Ele está liderando a pesquisa do modelo de acústica para o sistema de Busca por Voz da Google.

Obrigado, Franz.

O meu nome é Vincent Vanuk. Eu trabalho na

equipe de tecnologia da fala aqui, no Google,

e eu acho que gostaria de compartilhar

com vocês uma visão que tivemos ao

trabalhar com a tecnologia da fala no Google Scale.

Esta visão pode ser resumida basicamente como:

se nós quiséssemos construir uma máquina com um desempenho sobre-humano,

a primeira coisa que talvez devêssemos fazer

é livrarmo-nos dos seres humanos.

(o público ri)

Então, talvez você se pergunte (sendo essa a minha suposição)

Talvez você esteja se pensando: "Eu estou falando sobre um reconhecimento de fala

sobre-humano. Tudo o que sabemos é que

o reconhecimento de fala não é como o dos seres humanos ainda."

O ponto é que esse reconhecimento está ficando cada vez mais perto.

Vejam apenas um exemplo.

Imaginem que - um dos produtos é a busca por voz, de modo que seja

possível falar à ferramenta de busca o que você quer e ela vai buscar isso para você.

Você pode simplesmente falar. Então, imagine que seja possível falar para o seu telefone,

e gravar este . . .

este comando e tocá-lo novamente. Nós o tocamos novamente,

seja para você mesmo ou para a ferramenta de busca

que encontrarmos na pesquisa, certo? E nós pedimos a transcrição.

Não há a menor dúvida de que você vai

se sair muito melhor do que a ferramenta de reconhecimento da fala

em reconhecer a sua própria voz.

A situação é diferente quando se altera essa situação

e tocamos o áudio para um humano inocente.

Por humano inocente, me refiro a alguém que não conhece você,

que não necessariamente tem as mesmas referencias culturais que você,

que não vive na mesma vizinhança que você,

que não tem o mesmo contexto . . .

Na verdade, a situação se torna incerta.

Se você tocar a gravação uma vez para um usuário e então lhe pedir para transcrevê-la e

ele não vai se sair muito melhor do que a ferramenta de reconhecimento da fala.

Por que isso acontece?

De maneira simples, sem entrar em muitos detalhes, o reconhecimento da fala é

muito complexo. Existe um modelo de acústica e uma modelo em inglês.

O modelo de acústica é o que reconhece os sons

e ele ainda não tem o mesmo desempenho que os seres humanos ainda,

no que se refere ao modelo acústico. Na verdade, a fidelidade ainda não está

no nível de uma falante nativo humano.

Mas nós temos este modelo de idioma, e o modelo de idioma

é o que prediz quais palavras a pessoa está dizendo e

em que ordem ela vai dizer. Nós treinamos de maneira parecida com

uma máquina de tradução . . . Uma enorme, enorme coleção de escritos.

Nós treinamos com 240 bilhões de palavras no caso da busca por voz

e isso nos dá uma vantagem que um único usuário pode não ter.

Então, se um usuário inocente, um humano inocente, que não for do Canadá,

pode não saber como soletrar "Scatchwood".

Se uma pessoa não for de Nova York, ela pode não saber como

pronunciar "Schenectady, Nova York".

Eu mesmo não estou muito seguro de estar pronunciando isso corretamente agora.

(o público ri)

Mas essa vantagem faz a diferença.

Então, por que isso é um problema para nós?

Os seres humanos acordaram. Franz acabou de dizer que

as avaliações humanas mudam os volumes na transcrição.

O mesmo acontece com o reconhecimento da fala.

A verdade, o padrão, a regra de ouro -

o padrão dourado para o reconhecimento da fala é

a atuação humana. Nós temos alguns humanos transcrevendo estes

reconhecimento da fala e esta é a referência

contra nós mesmos. E se a referência for um pouquinho melhor

do que o sistema atual, então teremos um problema.

O outro problema é que, com o tipo de crescimento que

vimos em termos de pesquisa, nós estamos obtendo

muita informação fluindo pelo sistema.

Todo dia nós obtemos cerca de 2 anos de informação.

Não é possível nem sequer pensar em transcrever tudo isso.

Estas são a base de 27 idiomas.

A internacionalização é uma ênfase muito grande para nós

e estamos tentando expandir para todos os idiomas do mundo.

Então . . .

Isso é uma piada, mas . . .

Fred Jilinek é uma pessoa muito famosa no reconhecimento da fala.

Ele costumava dizer que toda vez que ele demitia um linguista, o nível de desempenho melhorava.

(o público ri)

Eu quero demitir todos os humanos.

Então, o objetivo principal para nós tem sido . . . o reconhecimento da fala,

como eu disse, é formada por dois componentes diferentes e estes dois componentes

meio que tentam compensar

as deficiências de cada um. Assim, o modelo acústico

pode compensar pela deficiência do modelo de idioma e vice-versa.

A maneira tradicional de fazer isso é por ter a Verdade

que é estabelecida por um transcritor humano. Este é o padrão dourado.

E o seu sistema é tido como referência contra a verdade.

O seu melhor sistema é comparado com a verdade e aí você tenta força-lo,

e aprender com esse objetivo.

Se não houver a verdade, você vai se dar mal.

Não haverá nada com o que comparar.

O truque aqui é que é possível trapacear, e

nós podemos dificultar artificialmente para que algumas parte do nosso sistema funcione.

Nós podemos enfraquecer algumas partes do nosso sistema.

Por exemplo, se eu enfraquecer o meu modelo de idiomas

o resultado é um sistema que é, na verdade . . .

menos potente e será possível compará-lo com o melhor sistema.

Se treinarmos nosso sistema e tentar melhorar o nosso modelo idiomático baseado nisso,

estaremos no caminho de algo melhor.

Então, o mesmo pode ser feito

com um modelo idiomático usando um modelo acústico enfraquecido

e, então, melhorar os nossos modelos idiomáticos. O resultado é que

teremos um sistema melhor, na esperança

de que este se torne um padrão dourado do qual poderemos nos aproveitar.

Então,

a mensagem é que existem maneiras de fazer isso

e sem a ajuda de um ser humano.

O aprendizado não-supervisionado não é novo, e tem sido realizado por

um período muito longo, sendo conduzido de modo que seja possível

realizar treinamentos, avaliações e ajustes completamente não-supervisionados,

sem o menor envolvimento humano. Um reconhecimento da fala distante.

Isso é novo e excitante. Essa é exatamente

o tipo de coisa que nos entusiasma

porque isso nos permite crescer - níveis de crescimento

que não eram possíveis alcançar antes.

E então, enquanto ainda não é possível obter uma realização sobre-humana

é possível que, por remover o limite das realizações humanas, talvez isso nos permita caminhar

mais rápido com o objetivo de obter a verdadeira performance humana que vemos.

Este era o meu pouquinho de sabedoria no qual estávamos trabalhando

recentemente e . . .

este é um projeto muito emocionante para nós e nós podemos

nos aprofundar mais no estudo citado.