211service.com
Sammanfattning: Informationsteknologi
Verbal kompass
Bättre talbaserad felkorrigering för dikteringsverktyg />
KONTEXT: Extrem multitasking är den moderna modeflugan, men ingen person har tillräckligt med händer för att hantera en mobiltelefon, en digital arrangör, en ratt och kaffe på samma gång. Följaktligen vill folk ha ett handsfree sätt att interagera med datorer. Även om taligenkänningssystem är mer exakta än någonsin, lägger typiska användare fortfarande mer tid på att korrigera fel än på att diktera text; hälften av deras korrigeringstid går åt till att bara flytta en markör till fel som identifierats i t.ex. ett dikterat e-postmeddelande. Konfidenspoäng – programvarans uppskattningar av hur sannolikt det är att ha fångat rätt ord – kan användas för att identifiera möjliga fel. Nu har Jinjuan Feng och Andrew Sears vid University of Maryland, Baltimore County, visat att konfidenspoäng också kan användas för att påskynda korrigeringsprocessen.
Den här historien var en del av vårt marsnummer 2005
- Se resten av frågan
- Prenumerera
METODER OCH RESULTAT: Tolv deltagare dikterade dokument på 400 ord med hjälp av ett taligenkänningssystem. Den tolkade 17 procent av orden felaktigt, en typisk takt; det var korrigeringsprocessen som var atypisk. Programvaran använde konfidenspoäng för att märka ord genom hela texten som navigeringsankare. Användare kunde snabbt hoppa till varje ankare med korta röstkommandon och sedan flytta en markör ord för ord till felet. Forskarna mätte antalet navigeringskommandon som deltagarna använde, misslyckandefrekvensen för navigeringskommandona och tiden som ägnades åt att diktera och navigera. Den genomsnittliga felfrekvensen som rapporterats för andra tekniker är cirka 5 procent för riktningsbaserad navigering (flytta åt höger) och 10 till 20 procent för ordbaserad navigering (välj december). I ett test av Feng och Sears teknik var felfrekvensen endast 3,2 procent. Ännu bättre, den tid som användarna spenderade på att navigera till fel minskade med nästan en femtedel. Detta är signifikant jämfört med andra felkorrigeringstekniker och det är lovande, eftersom detta arbete föreslår medel för ytterligare förbättringar.
VARFÖR DET AKTUELLT: Lilliputian-knapparna på handdatorer och andra underverk i fickstorlek krymper snabbt under en konstant stor tumme. Multitasking ökar och fler personer med fysiska funktionsnedsättningar kommer in på arbetskraften. Båda trenderna kommer att leda bort användare från datorsystem med manuella gränssnitt. Taligenkänning, men för sin höga felfrekvens och långa korrigeringstider, är ett självklart alternativ.
Detta arbete visar tydligt att användning av konfidenspoäng för navigering kan minska användarnas korrigeringstider. Med ytterligare förbättringar lovar tekniken att öka användbarheten av handsfree-felkorrigering och på så sätt skapa en uppsjö av nya prylar och applikationer.
KÄLLA: Feng, J. och A. Sears. 2004. Använda konfidenspoäng för att förbättra handsfree-baserad navigering i kontinuerliga dikteringssystem. ACM-transaktioner på dator-mänsklig interaktion 11: 329-356.
Kvantkorrigeringar
Hur man kontrollerar fel i en kvantdator
KONTEXT: För en utomstående kan kvantberäkningens logik verka mystisk. Medan en standardbit representerar data som ett sätt eller en annan (digital 0 eller 1), en kvantbit lagrar data som ett sätt och en annan (0 och 1 och alla möjligheter däremellan). Medan en standarddator måste gå igenom möjliga lösningar en i taget, kan en kvantdator i teorin kartlägga alla lösningar på en gång och välja den rätta i ett enda steg. Detta är idealiskt för lösningar som förlitar sig på trial and error, som att bryta krypteringskoder.
Men, som någon förbannad mytisk varelse, kommer mycket av informationen i ett kvantsystem att försvinna om den observeras, eftersom processen att titta på den stör systemet. Det betyder att en användare kan titta på svaret på en fråga men inte kan kontrollera beräkningarna bakom den. En kvantdator behöver därför korrigera fel på ett tillförlitligt sätt utan att någon faktiskt ser dem. Nu har John Chiaverini och kollegor från National Institute of Standards and Technology (NIST) för första gången gjort detta i ett kvantsystem som skulle kunna skalas upp.
METODER OCH RESULTAT: I NIST-kvantdatorn är information kodad i en enda atoms kvanttillstånd. Med hjälp av en process som kallas förtrassling, är ödet för denna föräldraatom kopplat till det för två följeslagare, så att förändringar i förälderns tillstånd återspeglas i följeslagarna. Genom att använda berylliumjoner (atomer med elektrisk laddning) för att bära kvantinformation kunde forskarna reda ut, avkoda och jämföra tillstånden för de två medföljande jonerna och därmed indirekt härleda om ett fel hade inträffat. En laserpuls kan sedan korrigera den ursprungliga jonens kvanttillstånd utan att faktiskt observera det.
VARFÖR DET SPILLER: Många krypteringstekniker beror på svårigheten att faktorisera mycket stora siffror genom försök och misstag. En kvantdator skulle i teorin kunna besegra alla sådana krypteringssystem och lovar att vara storleksordningar kraftfullare än de mest avancerade systemen idag. Så alla som är intresserade av att hålla digitala hemligheter – från kreditkortsnummer för webbtransaktioner till hemligstämplad information för regeringar och företag – bryr sig om kvantberäkningar. Även om en användbar kvantdator fortfarande är långt, långt borta, har arbetet på NIST visat hur man kan häva en av kvantmekanikens mest bedrövliga förbannelser.
KÄLLA: Chiaverini, J., et al. 2004. Realisering av kvantfelskorrigering. Natur 432: 602-605.
Skanna dina tankar
Maskiner lär sig att analysera hjärnaktivitet />
KONTEXT: Kan datorer lära sig att läsa det mänskliga sinnet? Att upptäcka tankar kan vara bortom deras förmåga, men datorer kan tränas att känna igen vissa mentala uppgifter från skanningar som övervakar hjärnans aktivitet. En populär skanningsteknik, funktionell magnetisk resonanstomografi (fMRI), hjälper redan till med studier av inlärning, minne, känslor, neurala störningar och psykiatriska droger. Med hjälp av statistik och dataanalys kan forskare identifiera aktivitetsmönster som karakteristiska för vissa mentala aktiviteter och tillstånd. Nu har Tom Mitchell och hans kollegor vid Carnegie Mellon University visat att datorer kan automatisera denna process, åtminstone för några enkla uppgifter.
METODER OCH RESULTAT: Med hjälp av fMRI-data från försökspersoner som är engagerade i olika uppgifter, tränade CMU-teamet datorer för att känna igen vilka fMRI-mönster som åtföljde kognitiva tillstånd för olika uppgifter. Under denna process utvecklade datorn matematiska modeller för att skilja mellan olika kognitiva tillstånd. Sedan, med tanke på nya fMRI-data, förutspådde datorerna försökspersonernas mentala tillstånd från hjärnskanningarna. Även om de är ofullkomliga, överträffade de automatiskt tränade datorerna på ett övertygande sätt slumpen när det gällde att urskilja om en person tittade på meningar eller bilder, läste tvetydiga eller otvetydiga meningar och läste ord associerade med olika kategorier som människor, verktyg eller frukt.
VARFÖR DET AKTIVERAS: Det här arbetet visar att en dator kan använda resultaten från en uppsättning hjärnskanningar för att förutsäga vad en hjärna gjorde under andra skanningar. Denna förmåga kan så småningom leda till mer exakt användning av MR-skanningar inom medicin. Det kan också påskynda dataanalysen, särskilt när en individ studeras över tid. Och eftersom datorerna lärde sig att känna igen hjärnaktivitet från ett enda kort intervall snarare än en sammansättning av flera skanningar över en längre tidsperiod, kan det minska tiden varje patient spenderar i en MRI-maskin, vilket gör dyr utrustning mer lättillgänglig.
Mer allmänt är detta arbete en viktig tillämpning inom området maskininlärning. Med relativt få träningsexempel kunde datorerna upptäcka meningsfulla mönster i data som innehöll tusentals indata, många av dem irrelevanta eller felaktiga. Eftersom forskare samlar in allt mer detaljerade datamängder från hjärnan och andra komplexa system, erbjuder dessa tekniker ett sätt att använda informationen mer effektivt.
KÄLLA: Mitchell, T.M., et al. 2004. Att lära sig avkoda kognitiva tillstånd från hjärnbilder. Maskininlärning 57: 145-175.