Synopsis : Technologie de l'information

Boussole verbale
Meilleure correction d'erreur basée sur la parole pour les outils de dictée />

CONTEXTE : Le multitâche extrême est la mode moderne, mais personne n'a assez de mains pour gérer un téléphone portable, un organiseur numérique, un volant et un café en même temps. En conséquence, les gens veulent un moyen mains libres d'interagir avec les ordinateurs. Bien que les systèmes de reconnaissance vocale soient plus précis que jamais, les utilisateurs typiques passent toujours plus de temps à corriger les erreurs qu'à dicter du texte ; la moitié de leur temps de correction est consacrée au déplacement d'un curseur sur les erreurs identifiées, par exemple, dans un e-mail dicté. Les scores de confiance - les estimations du logiciel sur la probabilité qu'il ait saisi le mot juste - peuvent être utilisés pour identifier les erreurs possibles. Maintenant, Jinjuan Feng et Andrew Sears de l'Université du Maryland, dans le comté de Baltimore, ont montré que les scores de confiance peuvent également être utilisés pour accélérer le processus de correction.

Cette histoire faisait partie de notre numéro de mars 2005

• Voir le reste du numéro
• S'abonner

MÉTHODES ET RÉSULTATS : Douze participants ont dicté des documents de 400 mots à l'aide d'un système de reconnaissance vocale. Il a interprété 17 pour cent des mots de manière incorrecte, un taux typique ; c'était le processus de correction qui était atypique. Le logiciel a utilisé des scores de confiance pour marquer les mots dans tout le texte comme ancres de navigation. Les utilisateurs pouvaient accéder rapidement à chaque ancre avec de courtes commandes vocales, puis déplacer un curseur mot par mot jusqu'à l'erreur. Les chercheurs ont mesuré le nombre de commandes de navigation utilisées par les participants, les taux d'échec des commandes de navigation et le temps passé à dicter et à naviguer. Les taux d'échec moyens signalés pour d'autres techniques sont d'environ 5 % pour la navigation basée sur la direction (déplacez-vous vers la droite) et de 10 à 20 % pour la navigation basée sur des mots (sélectionnez décembre). Dans un test de la technique de Feng et Sears, le taux d'échec n'était que de 3,2 %. Mieux encore, le temps passé par les utilisateurs à naviguer vers les erreurs a été réduit de près d'un cinquième. C'est significatif par rapport à d'autres techniques de correction d'erreurs et c'est prometteur, car ce travail suggère les moyens d'une amélioration supplémentaire.

POURQUOI C'EST IMPORTANT : Les boutons lilliputiens des PDA et autres merveilles de poche rétrécissent rapidement sous un pouce de taille constante. Le multitâche est à la hausse et de plus en plus de personnes handicapées physiques entrent sur le marché du travail. Ces deux tendances éloigneront les utilisateurs des systèmes informatiques dotés d'interfaces manuelles. La reconnaissance vocale, mais pour son taux d'erreur élevé et ses longs temps de correction, est une alternative évidente.

Ce travail montre clairement que l'utilisation des scores de confiance pour la navigation peut réduire les temps de correction des utilisateurs. Avec de nouvelles améliorations, la technique promet d'améliorer la convivialité de la correction d'erreurs mains libres et ainsi d'engendrer une vague de nouveaux gadgets et applications.

SOURCE : Feng, J. et A. Sears. 2004. Utilisation des scores de confiance pour améliorer la navigation vocale mains libres dans les systèmes de dictée continue. Transactions ACM sur l'interaction ordinateur-humain 11 : 329-356.

Corrections quantiques
Comment vérifier les erreurs dans un ordinateur quantique

CONTEXTE : Pour un étranger, la logique de l'informatique quantique peut sembler mystique. Alors qu'un bit standard représente les données dans un sens ou un autre (numérique 0 ou 1), un bit quantique stocke les données dans un sens et un autre (0 et 1 et toutes les possibilités entre les deux). Alors qu'un ordinateur standard doit analyser les solutions possibles une par une, un ordinateur quantique pourrait, en théorie, examiner toutes les solutions à la fois et choisir la bonne en une seule étape. Ceci est idéal pour les solutions qui reposent sur des essais et des erreurs, telles que la rupture des codes de cryptage.

Mais, comme certaines créatures mythiques maudites, une grande partie des informations contenues dans un système quantique disparaîtront si elles sont observées, car le processus de les regarder perturbe le système. Cela signifie qu'un utilisateur peut consulter la réponse à une question mais ne peut pas vérifier les calculs qui la sous-tendent. Un ordinateur quantique doit donc corriger les erreurs de manière fiable sans que personne ne les voie réellement. Maintenant, pour la première fois, John Chiaverini et ses collègues du National Institute of Standards and Technology (NIST) ont fait cela dans un système quantique qui pourrait être étendu.

MÉTHODES ET RÉSULTATS : Dans l'ordinateur quantique du NIST, les informations sont codées dans l'état quantique d'un seul atome. À l'aide d'un processus appelé intrication, le sort de cet atome parent est lié à celui de deux atomes compagnons, de sorte que les modifications de l'état du parent se reflètent dans les compagnons. En utilisant des ions béryllium (atomes chargés électriquement) pour transporter des informations quantiques, les chercheurs ont pu démêler, décoder et comparer les états des deux ions compagnons et ainsi déduire indirectement si une erreur s'était produite. Une impulsion laser pourrait alors corriger l'état quantique de l'ion d'origine sans l'observer réellement.

POURQUOI C'EST IMPORTANT : De nombreuses techniques de cryptage dépendent de la difficulté de factoriser de très grands nombres par essais et erreurs. Un ordinateur quantique pourrait, en théorie, vaincre tous ces systèmes de cryptage et promet d'être des ordres de grandeur plus puissants que les systèmes les plus avancés d'aujourd'hui. Ainsi, toute personne intéressée à garder des secrets numériques - des numéros de carte de crédit pour les transactions Web aux informations classifiées pour les gouvernements et les entreprises - se soucie de l'informatique quantique. Bien qu'un ordinateur quantique utile soit encore loin, très loin, les travaux du NIST ont montré comment lever l'une des malédictions les plus épouvantables de la mécanique quantique.

SOURCE : Chiaverini, J., et al. 2004. Réalisation de correction d'erreur quantique. La nature 432 : 602-605.

Analyser vos pensées
Les machines apprennent à analyser l'activité cérébrale />

CONTEXTE : Les ordinateurs peuvent-ils apprendre à lire dans l'esprit humain ? La détection des pensées peut dépasser leurs capacités, mais les ordinateurs peuvent être entraînés à reconnaître certaines tâches mentales à partir d'analyses qui surveillent l'activité cérébrale. Une technique de balayage populaire, l'imagerie par résonance magnétique fonctionnelle (IRMf), aide déjà à l'étude de l'apprentissage, de la mémoire, des émotions, des troubles neuronaux et des médicaments psychiatriques. À l'aide de statistiques et d'analyses de données, les chercheurs peuvent identifier des modèles d'activité caractéristiques de certaines activités et états mentaux. Aujourd'hui, Tom Mitchell et ses collègues de l'Université Carnegie Mellon ont montré que les ordinateurs peuvent automatiser ce processus, au moins pour certaines tâches simples.

MÉTHODES ET RÉSULTATS : À l'aide des données d'IRMf de sujets engagés dans diverses tâches, l'équipe de la CMU a entraîné des ordinateurs à reconnaître quels modèles d'IRMf accompagnaient les états cognitifs pour différentes tâches. Au cours de ce processus, l'ordinateur a développé des modèles mathématiques pour distinguer les différents états cognitifs. Puis, à partir de nouvelles données d'IRMf, les ordinateurs ont prédit les états mentaux des sujets à partir des scanners cérébraux. Bien qu'imparfaits, les ordinateurs entraînés automatiquement ont surpassé de manière convaincante le hasard en distinguant si un sujet regardait des phrases ou des images, lisait des phrases ambiguës ou non ambiguës et lisait des mots associés à différentes catégories telles que des personnes, des outils ou des fruits.

POURQUOI C'EST IMPORTANT : Ce travail montre qu'un ordinateur peut utiliser les résultats d'un ensemble d'analyses cérébrales pour prédire ce qu'un cerveau faisait lors d'autres analyses. Cette capacité pourrait éventuellement conduire à une utilisation plus précise des IRM en médecine. Cela pourrait également accélérer l'analyse des données, en particulier lorsqu'un individu est étudié au fil du temps. Et, étant donné que les ordinateurs ont appris à reconnaître l'activité cérébrale à partir d'un seul intervalle court plutôt que d'un composite de plusieurs scans sur une période de temps plus longue, cela pourrait réduire le temps que chaque patient passe dans un appareil d'IRM, ce qui rend l'équipement coûteux plus facilement disponible.

Plus largement, ce travail est une application importante dans le domaine de l'apprentissage automatique. Avec relativement peu d'exemples de formation, les ordinateurs ont pu détecter des modèles significatifs dans des données contenant des milliers d'entrées, dont beaucoup sont non pertinentes ou inexactes. Alors que les scientifiques collectent des ensembles de données de plus en plus détaillés du cerveau et d'autres systèmes complexes, ces techniques offrent un moyen d'utiliser les informations plus efficacement.

SOURCE : Mitchell, T.M., et al. 2004. Apprendre à décoder les états cognitifs à partir d'images cérébrales. Apprentissage automatique 57 : 145-175.

cacher