211service.com
Vi försökte lära en AI att skriva julfilmintriger. Uppsluppenhet uppstod. Så småningom.
Att använda ett neuralt nätverk för att skapa löjliga handlingslinjer kräver mycket arbete – och avslöjar utmaningarna med att skapa mänskligt språk. 21 december 2018
En parodi om 'It'-filmaffischen med 'It Christmas'. Mr. Tech
Kanske mer än någon annan populariserade forskaren Janelle Shane AI-humor. Du kanske har sett hennes arbete. Under Halloween i år gjorde hon samarbetade med New York Times för att generera kostymnamn med ett neuralt nätverk. Resultaten – och illustrationerna – är ganska fantastiska: Sexig Minecraft Person och Vampire Chick Shark, för att nämna några.
Shane har gjort en konst av AI-genererad komedi på sin förtjusande blogg AI Konstighet . Hon har matat neurala nätverk med allt från cocktail recept och pajnamn till skräckfilmstitlar och Disney sångtexter . Resultaten de tar fram är alltid roliga.
Inspirerad, senior AI-redaktör Will Knight och jag gav oss ut på en utmaning att skapa ett komiskt mästerverk i stil med Shane. Så vi matade handlingssammanfattningar av 360 julfilmer, med tillstånd av Wikipedia , in i en maskininlärningsalgoritm för att se om vi kunde få den att spotta ut nästa stora semesterblockbuster. Det räcker med att säga att jag nu känner empati med forskare som beskriver träning av neurala nät som mer av en konst än en vetenskap. Som jag också upptäckte är det faktiskt ganska svårt att få dem att vara roliga.
Följ vår process nedan:
Processen
Algoritmen vi använde kallas textgenrnn , samma som Shane använde i sitt samarbete med Times. Textgenrnn har två lägen: du kan antingen använda bokstäver för att generera ord i stil med andra ord, eller använda ord för att skapa meningar i stil med andra meningar.
Varje läge kommer med samma inställningar, som du kan ställa in i olika försök för att få fram bra resultat. Jag fokuserade i första hand på tre av inställningarna: antalet skikten , antalet epoker , och den temperatur .
Vi försökte också skapa julfilmtitlar. Vår konstavdelning hade väldigt roligt med dessa. Mr. Tech
Tillåt mig att förklara. Skikten , här, syftar på komplexiteten i det neurala nätverket: ju fler lager det har, desto mer komplicerad data kan den hantera. Antalet epoker är antalet gånger den får titta på träningsdata innan den spottar ut sina slutliga resultat. Och den temperatur är som en kreativitetsinställning: ju lägre temperatur, desto mer kommer nätverket att välja vanliga ord i träningsdatauppsättningen jämfört med de som sällan förekommer.
Naturligtvis visste jag ingenting om detta medan jag tjafsade runt. Istället laddade jag upp mina filmintriger i en textfil och började blint justera rattarna. Här är några exempel på vad jag började se, med hög kreativitet och ett växande antal epoker:
Epok 4
Mary måste vänner från magi sätta julstopp nathan strävar efter.
Gnuggar seriös en resort bet tomtar brydde sig den en i dag tallen skumma med julavtäckning hämta dog california väntar är groundhog efter baksidan av den kloka vaktmästaren julen traumatiserade den till att upptäcka populär till sitt samhälle.
En överleva innan show i stan de den.
Epok 6
Och pojke son arbetar vars frågor född religiösa kan en.
Max mccallister evie till vem trogen hennes jul den i partner fråga.
Orphan och mccallister lägenhet tjuv mest semester.
Epok 8
Förortsägare bortalaget kort evil till vid att hon det stygga försöket stygg in av flykt livet lär grannskap var deras hus omständigheter besöker dig till.
WWII hitta retriever till att till vännerna för.
Ett mammapar en en tar pacifist tre billig familj berättar mysiga presenter klon till tandlös.
Om du läser dessa och tänker, De är obegripliga och inte roliga , då är du, vän, och jag av samma åsikt.
Först antog jag att jag gjorde något fel; Jag hade inte riktigt knäckt konsten att träna det neurala nätverket korrekt. Men efter dussintals försök på olika inställningar kom jag till slut fram till att det här är hur bra som helst. De flesta meningarna kommer att vara helt fruktansvärda, och vid enstaka tillfällen kommer du att få en pärla.
Moralen
En del av problemet, förklarade Shane när jag pratade med henne, berodde på min lilla träningsdatauppsättning – 360 datapunkter är små potatisar jämfört med de miljoner som vanligtvis används för resultat av hög kvalitet. En del av det berodde också på textgenrnn - algoritmen, sa hon, är bara inte så bra på att konstruera meningar jämfört med alternativ. (Vet vi varför? Jag frågade Shane. Jag tror inte ens killen som gjorde textgenrnn riktigt vet, sa hon. Det kan till och med vara en bugg. Ah, skönheten med svarta lådans algoritmer.)
Men huvudorsaken är egentligen begränsningarna för att generera meningar med ett neuralt nät. Även om jag hade använt bättre data och en bättre algoritm, är utmaningen att uppnå koherens ytterst normal.
Mz. Tech
Detta är vettigt om du tänker på vad som händer under huven. Maskinlärande algoritmer är riktigt bra på att använda statistik för att hitta och tillämpa mönster i data. Men det handlar om det. Så i samband med att konstruera meningar, väljer du varje på varandra följande ord endast baserat på sannolikheten att det skulle dyka upp efter det föregående ordet. Det är som att försöka skriva ett e-postmeddelande med prediktiv text. Resultatet skulle vara fyllt av icke-sequiturs, växlar mellan singular och plural, och en hel del förvirring över delar av tal.
Så egentligen krävs det en hel del manuellt arbete för att få ett neuralt nätverk att spotta ur sig skitsnack som människor skulle anse som avlägset humoristiskt.
För vissa datamängder visar jag bara människor kanske en av hundra saker som den genererar, erkände Shane. Jag klarar mig riktigt bra om en av tio faktiskt är rolig och värd att visa. I många fall, fortsatte hon, tar det henne mer tid att kurera resultaten än att träna algoritmen.
Lärdom: neurala nätverk är inte så roliga. Det är människorna som är det.
Resultaten
Som en bonus, här är några av de bästa algoritmiskt genererade plotsammanfattningarna Will och jag kunde komma med, något rensade. Vi genererade också julfilmtitlar med hjälp av ordläge för god åtgärd.
Sammanfattningar
En familj till julterroristen och erbjuder första gången att vara ett charlichhold för en ny stad att slåss.
En berättelse om hem-liv far till julberättelsen.
Den tillbakadragna från julen.
En kvinna från kaos adopterade hem tror.
En prinsessa i närheten går förbi på julen.
En trädgårdsmästare detektiv men landet mördare magisk plötsligt jul den nära tomten.
En avlyssning lider och en kompis byter jul med sin och sparar jultid.
En familjefar och en speciell främling till jul.
En strandsatt på julafton till familjen New York före jul.
Helig.
The Scrooge-leder Bad av Santa, sedan Anima.
En man återvänder till sångerskan som tvingas återvända till sitt liv med ett par för att hjälpa hennes dotter till jul.
En jultomtens ängel från växten.
Ensam kurir bytidning hemma förstör julen jul julen prancern.
Barnvaktspojke försöker festa julen in för mer jul.
Titlar
Julbutiken
Tomte jul jul
Julmilen
Kämpa julen
Natten Claus
I Santa Manta Christmas Porie
Babee jul
En julstorK
Grange-julen
Santa Christmas Pastie Christmas
Julkapris
En julherre
Slickjulen
Mrack Me Christmas Satra
The Christmas Catond 2
Santa Bach jul
Julmålning
Jul Cast
En jul som kommer
Det är tomten
Fromilly