主页 > R快生活 >手腕上的人工智慧 >

手腕上的人工智慧

时间: 2020-07-11 浏览量:144

手腕上的人工智慧

除了替使用者即时回覆讯息、记录或追蹤个人健康状态,各大厂商也希望能将更多的功能融入如智慧型手錶等装置中,提升消费者使用体验。只是背后支持这些功能的机器学习系统,因为庞大的运算量和记忆空间需求,多仅能于云端运行。直到Google Expander团队于2017年底推出,部署于穿戴式装置上的作业系统Android Wear 2.0(现Wear OS),成功突破了这项限制。使用者只需轻触錶面,系统便可自动预测回覆内容传送给对方。不仅支援第三方通讯软体,也不需连接任何云端平台,在錶上便可独立运作。

轻量回覆模型

最初的构想源于2016年,当时研究团队开始思考是否能将Allo与Inbox(两者预计于2019年停止服务)上的自动回覆功能延伸应用到行动装置上。但基于硬体需求的限制而作罢,决定从头开始,重新设计出一套专为行动装置所设计、全新、轻量级的机器学习架构。

最简单的方法是建立一套自动查找系统:在装置上建立一套收录基本规则与常用对话的资料集,清楚定义「输入」与「输出」的对应关係。在接到讯息(输入)后,透过「查字典」的方式,选择适当的回应内容(输出)。这样的系统足以应付一些简单的任务,例如我们希望由一句话判断对方开心与否时,可以直接以人工标记的关键字,如「开心」、「喜欢」等资讯特徵做简单的预测;然而应用範围十分有限,尤其在一般生活对话中,所使用的字彙更多、更複杂。

而能够处理庞大、複杂字彙的神经网路,如近年来较热门的递归神经网路RNN(如LSTM等),若要部署到行动装置上,势必得将模型压缩以符合行动装置的硬体规格。只是如何压缩而不减模型实用性,两者间的平衡相当困难,也不符合成本效益。

投影学习模型

因此,研究团队转向其他更有效率的策略。首先,他们将语意类似的讯息组成群组,并以类似(专业术语为「nearby(邻近的)」)的位元向量表示。这样的转换过程称为「投影」,所採用的是改良过的「局部敏感哈希法」(Locality-Sensitive Hashing,LSH),可将数百万个独立字元降至一短且固定长度的位元向量,且无须储存任何输入讯息、词向量,甚至连训练模型也不需佔用记忆体空间;如此一来,系统便能迅速地将输入讯息投影至对应的位元向量,相较于其他转换表示法更加快速。

手腕上的人工智慧

图一、输入的讯息被投影为位元向量。具有相同语意的语句,如「Hey, how’s it going?」与「How’s it going, buddy?」被投影为同一位元向量;语意近似的句子,如「Howdy, everything going well?」则被投影为「邻近」的位元向量。两者只有两位元的差异。(图片来源:S. Ravi, 2017.)

完成投影转换后,系统会将输入讯息和对应的投影向量用来训练讯息投影模型(message projection model)。该模型的核心架构为团队所设计的半监督式图像学习(semi-supervised graph learning)框架,可以透过多种语意关係的组合,如:讯息─回应相互作用、单字─片语相似度、语意分群资讯等来训练更强大的模型,并做出更準确的判断,甚至可以模仿使用者的个人用语与说话风格等。

手腕上的AI

这种能直接于设备上独立运行的系统,可第一手接收、处理使用者的资讯,直接做出预测与回覆,省去将资料传输到云端或其他平台,运算后再接收的手续。

研究团队表示,其实在蓝图规画阶段,大家都抱持着姑且一试的心态,毕竟Android穿戴装置所搭载的运算资源和储存空间相对有限,最终竟能训练出这样一个实用又準确的智慧回覆模型,其实相当出乎意料。他们也表示会继续改进模型,最佳化运算效能,并训练模型能提供更多样化的回覆建议,带给消费者更佳的使用体验。

手腕上的人工智慧

图二、研究团队表示,他们将训练系统提供更多样化的回覆建议。(图片来源:S. Ravi, 2017.)

编译来源

S. Ravi, “On-Device Machine Intelligence ,” Google AI Blog, 2017.

(本文由教育部补助「AI报报─AI科普推广计画」执行团队编译)

上一篇: 下一篇:
相关推荐
爱狗A爱生活|便民电话服务|商家商品促销|网站地图 金龙国际官方网站_皇冠真人手机端app 澳门新濠7158网址_新濠天地2009 hooball客户端_蓝盾赌娱乐场 集结娱乐电子游艺网址_星力注册送分平台 网上乐百家_澳门ag摆脱 巴黎人blrapp_金鼎娱乐app网址 xd鑫鼎娱乐国际手机版_利来网上娱乐代理 百乐坊bbin_真人平台苹果版app下载 速8线路测速中心_博亚娱乐注册 sunbet888_电子线上网址