Szerdán az Apple közzétett három cikket, amelyben a Siri fejlesztőcsapata leírja, hogy milyen új módszerekkel tették a virtuális asszisztenst még természetesebben hangzóvá és gördülékenyebben használhatóvá, és hogyan tanították meg egyre pontosabb hangfelismerésre.

Az Apple Machine Learning Journalban, a cég néhány hete létrehozott, gépi tanulásról szóló online folyóiratában megjelent írások mindegyike Siri felasználói felületének egy-egy kiemelten fontos aspektusába kínál betekintést.

Az első cikk a beszédszintézisről (TTS, Text-to-Speech) szól, egészen pontosan arról, hogy a Siri hangját megvalósító program egy központi fontosságú részét lecserélték. A felvett emberi hangmintákból a megfelelő hangrészleteket, hangokat, szótagokat kiválogató és összeállító, úgynevezett unit selection (egységkiválasztó) algoritmusban iOS 10-től kezdve a hagyományos statisztikai eljárások helyett korszerűbb, mélytanuláson (deep learning) alapuló módszert alkalmaznak. A cikk végén szerepel, hogy egy A/B teszt alapján az iOS 10-es hangot az emberek jelentős része szubjektíven szebbnek, kellemesebbnek tartja, mint az iOS 9-ben szereplőt. A legnagyobb különbséget az orosz nyelvű női hang esetén figyelhetjük meg: itt a hallgatók több mint 80 százaléka részesítette előnyben Siri iOS 10-beli hangját.

(Kattints a képre, és görgess le a hangokhoz, tesztelheted, hogy milyen lesz az iOS 11 Sirije.)

A második írás az inverz szövegnormalizálás problémáját járja körül. Ennek lényege, hogy a Siri által megfogalmazott válaszokat hogyan lehet írásban minél szebben megformázni. A cikk a dátumok, mennyiségek és címek példáját hozza fel: a kérdező számára nyilván jobban olvasható, ha az írott válaszban “augusztus 26., 8:25” szerepel, mintha a fölöslegesen terjengős “augusztus huszonhatodika, nyolc óra huszonöt perc” szöveget jelenítené meg a készülék. Ezt a feladatot az Apple mérnökei egy úgynevezett címkézési problémaként fogalmazták meg, amelynek során minden egyes szövegelem (például teljes szavak, mértékegységek és pénznemek jelei, vagy rövidítések) kap egy, a szövegben betöltött szerepének, szemantikájának megfelelő címkét, mint például: “sorszám”, “tulajdonnév” vagy “szorzótényező”. Ennek segítségével ismét lehetővé válik a gépi tanulás alkalmazása. Az algoritmust megvalósító mesterséges neuronhálót ötmillió, előre felcímkézett válaszból álló halmazon taníttatták a fejlesztők, aminek eredményeként Sirinek az esetek 99,85 százalékában sikerült helyesen leírnia a generált beszédet.

A harmadik cikk Siri talán legérzékenyebb, legproblémásabb pontját érinti: a beszédfelismerést. Legyünk őszinték: a géptitkárnő beszélgetőpartnerei zavaróan sokszor találhatják magukat abban a kellemetlen helyzetben, hogy Siri részben vagy teljesen félreérti a mondandójukat. (Persze ennek megvan a napos oldala is: sok humor forrását jelentik a kicsavartan, többértelműen megfogalmazott, vagy az adott élethelyzetbe véletlenül, viccesen beleillő, félrecsúszott válaszok.) Ennek javítására is dolgoztak ki új, gépi tanulási módszereket az almás cég szakértői. Rájöttek, hogy a különböző nyelvek felismerésére betanított mesterséges neuronhálózatok nagy része (a belső, úgynevezett rejtett rétegek) szinte azonosak, a nyelvektől függetlenek. Úgy gondolták, hogy ennek az oka az, hogy a belsőbb rétegek olyan általános, magasabb szintű jellegzetességeket tanulnak meg felismerni, amelyek minden emberi nyelvben léteznek és hasonlítanak. Ennek a megfigyelésnek az eredményeképpen sikerrel tudtak újrahasznosítani már meglévő neuronháló-részeket új nyelvek felismerésére való, jelentősen gyorsabb és kevesebb adatot igénylő betanítására.

Bár a cikkek tudományos nyelvezetűek, mégis nagyon lényegre törően, tömören, jól érthetően megfogalmazva mutatják be a kihívásokat és a Siri fejlesztőcsapatának a felmerülő problémákra adott megoldásait. A szerzők nem alkalmaznak a feladatok és módszerek pontos leírásához szükségesnél bonyolultabb kifejezéseket, és javarészt klasszikus, közismert statisztikus módszerekre és fogalmakra (például Vitebri-keresés, Kullback–Leibler-divergencia) hivatkoznak. Bár e sorok írója csak alapszintű bioinformatikai képzésből származó statisztikai és valószínűségszámítási ismeretekkel rendelkezik, mégsem okozott számára problémát a fejlesztések lényegének megértése.

Függetlenül azonban attól, hogy kit mennyire foglalkoztat a mögöttes technológia, abban biztosak lehetünk, hogy Siri képességei sokat javultak az elmúlt években, és a jövőre nézve ez egyre inkább igaz lesz.