chapter 13
DESCRIPTION
Chapter 13. ADVANCED INTELLIGENT SYSTEMS. Learning Objectives. ทำความเข้าใจเกี่ยวกับแนวความคิดของการเรียนรู้ของเครื่องจักร ( machine-learning) เรียนรู้ถึงแนวความคิดและการประยุกต์ใช้ของ case-based systems ทำความเข้าใจแนวความคิดและการประยุกต์ใช้ของ genetic algorithms - PowerPoint PPT PresentationTRANSCRIPT
2
Learning Objectives
ทำ��คว�มเข้�ใจเกี่ �ยวกี่�บแนวคว�มค�ดข้องกี่�รเร ยนร� ข้องเคร��องจ�กี่ร (machine-learning)
เร ยนร� ถึ�งแนวคว�มค�ดและกี่�รประย!กี่ต์#ใช้ข้อง case-based systems ทำ��คว�มเข้�ใจแนวคว�มค�ดและกี่�รประย!กี่ต์#ใช้ข้อง genetic
algorithms ทำ��คว�มเข้�ใจ fuzzy set theories และกี่�รประย!กี่ต์#ใช้ในกี่�รออกี่แบบ
intelligent systems ทำ��คว�มเข้�ใจแนวคว�มค�ดและกี่�รประย!กี่ต์#ใช้ข้อง natural language
processing (NLP) เร ยนร� เกี่ �ยวกี่�บแนวคว�มค�ด ข้อไดเปร ยบ และข้อจ��กี่�ดข้อง voice
technologies เร ยนร� เกี่ �ยวกี่�บ integrated intelligent support systems
3
Machine-Learning Techniques
น�ย�มและแนวคว�มค�ดข้อง Machine-learning Machine learning
กี่ระบวนกี่�รทำ �ซึ่��งคอมพิ�วเต์อร#เร ยนร� จ�กี่ประสบกี่�รณ์# (เช้*น กี่�รใช้โปรแกี่รมทำ �ส�ม�รถึเร ยนร� จ�กี่กี่รณ์ ต์*�ง ๆ จ�กี่อด ต์ (historical cases))
4
Machine-Learning Techniques
กี่�รเร ยนร� ข้องมน!ษย#เป.นกี่�รรวมกี่�นข้องกี่ระบวนกี่�รร� จ��ทำ �ซึ่�บซึ่อนหล�ย ๆ กี่ระบวนกี่�รเข้�ดวยกี่�น อ�นไดแกี่*: Induction (กี่�รยอมร�บเร��องทำ��ว ๆ ไป โดยเอ�เร��อง
เฉพิ�ะม�อ�ง) Deduction (กี่�รยอมร�บเร��องเฉพิ�ะใด ๆ โดยยกี่
เร��องทำ��ว ๆ ไปม�อ�ง) Analogy (กี่�รเทำ ยบเค ยง) กี่�รบวนกี่�รพิ�เศษอ��น ๆ ทำ �ส�มพิ�นธ์#กี่�บกี่�รส�งเกี่ต์!หร�อ
ต์�วอย*�งจ�กี่กี่�รว�เคร�ห#
5
Machine-Learning Techniques กี่�รเร ยนร� ส�มพิ�นธ์#กี่�บ intelligent system อย*�งไร
ระบบกี่�รเร ยนร� แสดงถึ�งพิฤต์�กี่รรมในกี่�รเร ยนร� ในเร��องทำ �สนใจ
AI ไม*ส�ม�รถึเร ยนร� ไดด เช้*นเด ยวกี่�บมน!ษย# หร�อ ในแนวทำ�งเด ยวกี่�บมน!ษย#
Machine learning ไม*ส�ม�รถึใช้ไดกี่�บแนวทำ�งคว�มค�ดสร�งสรรค# แมว*�ระบบเหล*�น�4นจะส�ม�รถึจ�ดกี่�รกี่�บกี่รณ์ ต์*�งๆ ทำ �ไม*เคยจ�ดกี่�รม�กี่*อนไดกี่5ต์�ม
ม�นย�งไม*ช้�ดเจนว*�ทำ��ไม learning systems จ�งประสบคว�มส��เร5หร�อลมเหลว
อ!ปสรรคทำ �เหม�อน ๆ กี่�นข้องกี่�รใช้แนวทำ�งข้อง AI ไปเพิ��อกี่�รเร ยนร� กี่5ค�อ ม�นด��เน�นกี่�รบนส�ญล�กี่ษณ์# (symbols) แทำนทำ �จะเป.นส�รสนเทำศเช้�งต์�วเลข้
6
Machine-Learning Techniques
ว�ธ์ กี่�รเร ยนร� ข้องเคร��องจ�กี่ร Supervised learning
ว�ธ์ กี่�รเร ยนสอน artificial neural networks โดยใช้กี่รณ์ ต์�วอย*�งป7อนเข้�ไปทำ �อ�นพิ!ต์ข้องโครงข้*�ยแลวม�นจะทำ��กี่�รปร�บค*�ถึ*วงน�4�หน�กี่เพิ��อทำ��ใหค*�คว�มผิ�ดพิล�ดทำ �เอ�ต์#พิ!ต์ข้องม�นลดลงใหเหล�อนอยทำ �ส!ด
Unsupervised learning
ว�ธ์ ในกี่�รสอน artificial neural networks โดยกี่�รป7อนอ�นพิ!ต์ใหโครงข้*�ยต์*อเน��องกี่�นไป แลวโครงข้*�ยจะจ�ดระเบ ยบต์�วเอง (self-organizing)
8
Machine-Learning Techniques
Inductive learning Case-based
reasoning Neural computing Genetic algorithms Natural language
processing (NLP) Cluster analysis Statistical methods
Explanation-based learning A machine learning approach that assumes that there is enough existing theory to rationalize why one instance is or is not a prototypical member of a class
Machine-learning methods and algorithms
9
Case-Based Reasoning (CBR)
Case-based reasoning (CBR) กี่รรรมว�ธ์ ทำ �ซึ่��งองค#คว�มมร� และ/หร�อกี่�รอน!ม�นไดม�จ�กี่กี่รณ์ ทำ �เกี่�ดข้�4นม�ในอด ต์ (historical cases) Analogical reasoning
กี่�รห� outcome ข้องป9ญห�โดยกี่�รใช้กี่�รเทำ ยบเค ยง เป.นนแวทำ�งส��หร�บห�ข้อสร!ปข้องป9ญห�โดยกี่�รใช้ประสบกี่�รณ์#ทำ �ผิ*�นม� (past experience)
Inductive learning แนวทำ�งกี่�รเร ยนร� ข้องเคร��องจ�กี่รโดยกี่�รสร!ปเป.นกี่ฎจ�กี่กี่�รอ�ศ�ยคว�มจร�งหร�อข้อม�ล)
10
Case-Based Reasoning (CBR)
แนวคว�มค�ดพิ�4นฐ�นและกี่ระบวนกี่�รข้อง CBR ม ส �กี่ระบวนกี่�ร ค�อ
1. Retrieve (น��ออกี่ม�)2. Reuse (ปร�บใช้)3. Revise (แกี่ไข้ใหเม�ะสม)4. Retain (เกี่5บ)
11
Case-Based Reasoning (CBR)
น�ย�มและแนวคว�มค�ดข้อง cases ใน CBR Ossified cases (harden cases)
Case ทำ �ถึ�กี่ว�เคร�ะห#แลวและไม*ม further value Paradigmatic cases
Case ทำ �ม ล�กี่ษณ์ะเป.น unique ซึ่��งส�ม�รถึทำ��กี่�รกี่*อใหเกี่�ดคว�มร� ใหม*ข้�4นม�ในอน�คต์ได
Stories Cases ทำ �ม ส�รสนเทำศและองค#ประกี่อบม�กี่ม�ย อ�จกี่*อใหเกี่�ดบทำเร ยนข้�4นม�จ�กี่ case เหล*�น 4
13
Case-Based Reasoning (CBR) ข้อด ข้องกี่�รใช้ CBR
กี่�รรวบรวมคว�มร� ไดร�บกี่�รปร�บปร!ง กี่�รพิ�ฒน�ระบบทำ��ไดเร5วข้�4น องค#คว�มร� และข้อม�ลถึ�กี่น��ม�ใช้ง�นม�กี่ข้�4น ไม*จ��เป.นต์องใช้ Complete formalized domain
knowledge ผิ�ช้��น�ญร� ส�กี่ด กี่ว*�ในกี่�รถึกี่แถึลงในเร��องทำ �เป.น concrete
cases กี่�รอธ์�บ�ยทำ��ไดง*�ยข้�4น กี่�รรวบรวม case ใหม* ๆ ง*�ยข้�4น กี่�รเร ยนร� เกี่�ดข้�4นทำ�4งทำ�งด�นทำ �ม คว�มส��เร5จและลมเหลว
15
Case-Based Reasoning (CBR)
กี่�รใช้ง�น เร��องทำ �เกี่ �ยวข้อง และกี่�รประย!กี่ต์#ใช้ข้อง CBR กี่�รประย!กี่ต์#ใช้
CBR in electronic commerce WWW and information search Planning and control Design Reuse Diagnosis Reasoning
16
Case-Based Reasoning (CBR)
เร��องเกี่ �ยวกี่�บกี่�รประย!กี่ต์#ใช้ส��หร�บผิ�ออกี่แบบ อะไรค�อส��งทำ �สร�ง case หน��ง ๆ ข้�4นม�? เร�จะใส case
เข้�ไปในหน*วยคว�มจ��อย*�งไร? กี่ฏเกี่ณ์ฑ์#กี่�รปร�บต์�วแบบอ�ต์โนม�ต์� (automatic case-
adaptation rules) จะเป.นเร��องทำ �ม คว�มซึ่�บซึ่อนม�กี่ จะจ�ดร�ปแบบหน*วยคว�มจ��อย*�งไร? อะไรค�อ indexing
rules? ค!ณ์ภ�พิข้องผิลล�พิธ์#จะข้�4นกี่�บ index ทำ �น��ม�ใช้เป.นอย*�ง
ม�กี่ ฟั9งกี่#ช้�นข้องหน*วยคว�มจ��จะเกี่ �ยวข้องกี่�บกี่�รด�งส�รสนเทำ
สออกี่ไปใช้ง�นอย*�งไร ? จะด��เน�นกี่�รคนห� case อย*�งม ประส�ทำธ์�ภ�พิไดอย*�งไร
(เช้*น knowledge navigation)?
17
Case-Based Reasoning (CBR)
เร�จะจ�ดระเบ ยบ case ทำ�4งหล�ยไดอย*�งไร? เร�จะออกี่แบบ distributed storage ข้อง case ทำ�4งหล�ย
ไดอย*�งไร? เร�จะปร�บปร!งค��ต์อบเด�ม ๆ ทำ �ม อย�*แลวเข้�กี่�บป9ญห�ใหม* ๆ ได
อย*�งไร? เร�ส�ม�รถึทำ �จะทำ��กี่�รปร�บปร!งหน*วยคว�มจ��ง*�ย ๆ ส��หร�บ efficient querying โดยข้�4นกี่�บ context ไดหร�อไม*? อะไรค�อต์�วว�ดทำ �เหม�อน ๆ กี่�นและส�ม�รถึใช้ไปแกี่ไข้ rule ต์*�ง ๆ ได?
เร�จะส�ม�รถึ factor errors ออกี่จ�กี่ original cases ไดอย*�งไร?
เร�ส�ม�รถึจะเร ยนร� จ�กี่คว�มผิ�ดพิล�ดข้องเร�ไดอย*�งไร? น��นค�อเร�จะซึ่*อมแซึ่มและปร�บปร!ง case base ใหทำ�นสม�ยไดอย*�งไร?
18
Case-Based Reasoning (CBR)
Case base อ�จต์องกี่�รข้ย�ยออกี่ในเช้�งเกี่ �ยวข้องกี่�บ model ในข้อบเข้ต์ใดข้อบเข้ต์หน��ง ซึ่��งกี่�รว�เคร�ะห#ต์*�ง ๆ ในข้อบเข้ต์น�4น ๆ เกี่�ดคว�มล*�ช้�
เร�จะรวม CBR เข้�กี่�บ knowledge representations และ inferencing mechanisms อ��น ๆ ไดอย*�งไร?
จะม กี่รรมว�ธ์ ทำ�� pattern-matching ทำ �ด กี่ว*�ทำ �เร�ใช้ในป9จจ!บ�นไดอย*�งไร?
จะม retrieval system อ��น ๆ อ�นเป.นทำ�งเล�อกี่ทำ � match กี่�บ CBR schema หร�อไม*?
19
Case-Based Reasoning (CBR) แฟักี่เต์อร#ทำ �ทำ��ให CBR system ประสบคว�มส��เร5จ
1 .ช้*วยคนห�เป7�ประสงค#ทำ�งธ์!รกี่�จทำ �เฉพิ�ะเจ�ะจง2. ช้*วยใหเข้�ใจ end users และ customers3. ทำ��กี่�รออกี่แบบระบบไดอย*�งเหม�ะสม4. ช้*วยว�งแผินกี่ระบวนกี่�รจ�ดกี่�รคว�มร� ทำ �กี่��ล�งเกี่�ดข้�4น5. ช้*วยใหบรรล! returns on investment (ROI)
และต์�วว�ดต์*�ง ๆ 6. ช้*วยว�งแผินและด��เน�นกี่�ร customer-access
strategy7. ข้ย�ยกี่�รสร�งคว�มร� และเข้�ถึ�งไดทำ��วทำ�4งองค#กี่ร
20
Genetic Algorithm Fundamentals Genetic
algorithms (GAs) โปรแกี่รมทำ �เร ยนร� กี่�รว�ว�ฒน�กี่�รในล�กี่ษณ์ะเด ยวกี่�บแนวทำ�งว�ว�ฒน�กี่�รข้องส��งม ช้ ว�ต์
21
Genetic Algorithm Fundamentals Genetic algorithm process and terminology
Chromosomeค��ต์อบทำ �ค�ดหว�งทำ �จะไดจ�กี่ genetic algorithm
Reproductionกี่�รสร�งส�ยพิ�นธ์!#ใหม* (new generations) ซึ่��งเป.นค��ต์อบทำ �ถึ�กี่ปร�บปร!งโดยกี่�รใช้ genetic algorithm
22
Genetic Algorithm Fundamentals Crossover (การสลั�บสายพั�นธ์�)
กี่�รรวมส*วนต์*�ง ๆ ข้อง two superior solutions โดยใช้ genetic algorithm เพิ��อสร�งค��ต์อบทำ �ด กี่ว*�เด�ม
23
Mutation (การกลัายพั�นธ์ �)กี่�รด��เน�นกี่�รทำ�งพิ�นธ์!กี่รรมทำ �กี่*อใหเกี่�ด random change ใน potential solution
26
Genetic Algorithm Fundamentals
ต์�วแปรทำ �ต์องกี่��หนดใหกี่�บ genetic algorithm Number of initial solutions to generate Number of offspring to generate Number of parents and offspring to
keep for the next generation Mutation probability (very low) Probability distribution of crossover
point occurrence
27
Genetic Algorithm Fundamentals
ข้อจ��กี่�ดข้อง genetic algorithms ไม*ใช้*ทำ!กี่ ๆ ป9ญห�จะส�ม�รถึกี่��หนดออกี่ม�โดยใช้
คณ์�ต์ศ�สต์ร#ต์�มทำ � genetic algorithms ต์องกี่�รได กี่�รพิ�ฒน� genetic algorithm และ กี่�รต์ คว�ม
ผิลล�พิธ์#ทำ �ได ต์องกี่�รผิ�ช้��น�ญกี่�รซึ่��งเป.นทำ�4งกี่�รเข้ ยนโปรแกี่รมและม ทำ�กี่ษะทำ�งด�นสถึ�ต์�/คณ์�ต์ศ�สต์ร#ต์รงต์�มทำ � genetic algorithm technology ต์องกี่�รใช้
ในบ�งสถึ�นกี่�รณ์# “genes” จ�กี่ few comparatively highly fit (but not optimal) individuals may come to dominate the population, ทำ��ใหม�นเกี่�ดกี่�ร converge ไปส�* local maximum
28
Genetic Algorithm Fundamentals
genetic algorithms ทำ�4งหมดจะข้�4นกี่�บ random number generators ทำ �สร�งผิลล�พิธ์#ทำ �แต์กี่ต์*�งกี่�นออกี่ไปในแต์*ละคร�4งทำ �ร �น model
กี่�รกี่��หนดต์�วแปรทำ �ด ซึ่��งใช้ง�นไดเหม�ะสมกี่�บป9ญห�ทำ �เฉพิ�ะเจ�ะจงเป.นเร��องทำ �ย!*งย�กี่
กี่�รเล�อกี่กี่รรมว�ธ์ ซึ่��งกี่*อใหเกี่�ดกี่�รว�ว�ฒน�กี่�ร ระบบต์องผิ*�นกี่�รค�ดและทำ��กี่�รประเม�นอย*�งรอบคอบ
29
Developing Genetic Algorithm Applications
Dynamic process control
Induction of optimization of rules
Discovery of new connectivity topologies (e.g., neural computing connections, i.e., neural network design)
Simulation of biological models of behavior and evolution
Complex design of engineering structures
Pattern recognition Scheduling Transportation and
routing Layout and circuit
design Telecommunication Graph-based problems
Applications of GAs include:
30
Fuzzy Logic Fundamentals
Fuzzy logic แนวทำ�งคว�มเป.นเหต์!เป.นผิลทำ �สอดคลองกี่�นทำ�งต์รรกี่ะทำ �ส�ม�รถึร�บม�อกี่�บส�รสนเทำศทำ �ไม*แน*นอนหร�อแยกี่เป.นส*วน ๆ; ค!ณ์ล�กี่ษณ์ะกี่�รค�ดข้องมน!ษย#และ –ข้อง expert system หล�ย ๆ ระบบ
Fuzzy sets แนวทำ�งกี่�รใช้ทำฤษฏ เซึ่5ต์ในกี่�รกี่��หนดว*�กี่ล!*มข้องสม�ช้�กี่ใดม คว�มพิอด นอยกี่ว*�กี่�รม ว�ต์ถึ!ประสงค#ทำ �ช้�ดแจงภ�ยในหร�อภ�ยนอกี่กี่ล!*ม
32
Fuzzy Logic Fundamentals
กี่�รประย!กี่ต์#ใช้ Fuzzy logic ในกี่�รผิล�ต์และกี่�รจ�ดกี่�ร กี่�รเล�อกี่ซึ่�4อห!น (เช้*น Japanese Nikkei stock
exchange) กี่�รด�งข้อม�ลม�ใช้ (เพิร�ะว*� fuzzy logic ส�ม�รถึคนห�
ข้อม�ลไดเร5ว) กี่�รต์รวจสอบกี่ระปAองเบ ยร#เพิ��อด�ข้อบกี่พิร*องในกี่�รพิ�มพิ# กี่�รจ�บค�*ไมต์ กี่อล#ฟักี่�บวงสว�งข้องล�กี่ค� กี่�รประเม�นคว�มเส �ยง กี่�รควบค!มปร�ม�ณ์ข้องออกี่ซึ่�เจนในเต์�เผิ�ซึ่ เมนต์# กี่�รเพิ��มคว�มแม*นย��และคว�มเร5วในกี่�รประย!กี่ต์#ทำ�งด�น
ควบค!มค!ณ์ภ�พิในโรงง�นอ!ต์ส�หกี่รรม กี่�รเร ยงป9ญห� (Sorting problems) ใน
multidimensional spaces
33
Fuzzy Logic Fundamentals
ทำ��ใหต์�วแบบต์*�ง ๆ ทำ �เกี่ ยวกี่�บกี่�รเข้�ค�วด ข้�4น (เช้*น แถึวคอย (waiting lines))
ประย!กี่ต์#ใช้กี่�บกี่�รสน�บสน!นกี่�รต์�ดส�นใจทำ�งด�นบร�ห�ร
กี่�รเล�อกี่โครงกี่�ร (Project selection) กี่�รควบค!มสภ�พิแวดลอมในอ�ค�ร กี่�รควบค!มกี่�รเคล��อนทำ �ข้องรถึไฟั กี่�รผิล�ต์แผิ*นกี่ระด�ษโดยอ�ต์โนม�ต์� วงโคจรข้องกี่ระสวยอวกี่�ศ กี่�รควบค!มอ!ณ์หภ�ม�ข้องทำ �ห�วฝั9กี่บ�ว
34
Natural Language Processing (NLP)
การประมวลัผลัโดยใช้�ภาษาธ์รรมช้าติ� (Natural language processing (NLP)) กี่�รใช้ต์�วประมวลผิลภ�ษ�ธ์รรมช้�ต์�เพิ��อเช้��อมต์*อกี่�บระบบทำ �ใช้คอมพิ�วเต์อร#เป.นฐ�น
NLP ม สองประเภทำ ค�อ กี่�รเข้�ใจภ�ษ�ธ์รรมช้�ต์� (Natural language
understanding) กี่�รสร�งภ�ษ�ธ์รรมช้�ต์� (Natural language
generation)
35
Natural Language Processing (NLP)
ป9ญห�บ�งประกี่�รทำ �ทำ��ให NLP ม คว�มย!*งย�กี่ กี่�รต์รวจจ�บข้อบเข้ต์ข้องค�� น�ยข้องค��ม คว�มกี่��กี่วม กี่�รส�งเคร�ะห#ม คว�มคล!มเคร�อ อ�นพิ!ต์ไม*สมบ�รณ์# หร�อ อย�*นอกี่กี่ฏเกี่ณ์ฑ์# จ�งหวะค��พิ�ดและแบบแผินกี่�รพิ�ด
36
Natural Language Processing (NLP)
เทำคโนโลย ข้อง NLP ในป9จจ!บ�น กี่�รคนห�และกี่�รด�งส�รสนเทำศม�ใช้ง�น คนป7อนข้อคว�ม ค�� หร�อ ประโยคหน��งเข้�ไปคนห�
ในอ�นเต์อร#เน5ต์หร�อฐ�นข้อม�ล แลวม กี่�รใช้ NLP สร�งค��ต์อบโต์ทำ �เป.นไปไดข้�4นม�
37
Natural Language Processing (NLP)
กี่�รประย!กี่ต์#ใช้ NLP กี่�รเช้��อมต์*อระหว*�ง มน!ษย#กี่�บคอมพิ�วเต์อร#
Abstracting and summarizing text กี่�รว�เคร�ะห#หล�กี่ภ�ษ� (Analyzing grammar) กี่�รเข้�ใจค��พิ�ด (Understanding speech)
เป.นส*วนหน�ข้อง software package อ��น ๆ เช้*น กี่�ร query ฐ�นข้อม�ลซึ่��งยอมใหผิ�ใช้ใช้ applications programs ดวยภ�ษ�ทำ �ใช้ทำ!กี่ ๆ ว�น Text mining FAQs และ query answering
38
Natural Language Processing (NLP)
เคร��องแปลภ�ษ� (Machine translation) ทำ��กี่�รแปลเน�4อห�จ�กี่ภ�ษ�หน��งไปเป.นอ กี่ภ�ษ�
หน��ง หล�กี่เกี่ณ์ฑ์#ทำ �ใช้ประเม�น machine translation
1 .คว�มฉล�ด (Intelligibility) 2 .คว�มถึ�กี่ต์อง (Accuracy) 3 .คว�มเร5ว (Speed)
39
Voice Technologies
เทำคโนโลย ข้องเส ยงส�ม�รถึแบ*งไดเป.นส�มแบบกี่ว�ง ๆ ค�อ: กี่�รร� จ��เส ยง (หร�อค��พิ�ด ) (Voice (or speech)
recognition) กี่�รเข้�ใจเส ยง (หร�อค��พิ�ด ) (Voice (or speech)
understanding) Text-to-voice (หร�อ กี่�รส�งเคร�ะห#เส ยง (or
voice synthesis))
40
Voice Technologies
Voice (speech) recognition กี่�รแปลเส ยงมน!ษย#ไปเป.นค�� ๆ และประโยคซึ่��งคอมพิ�วเต์อร#เข้�ใจได
Speech understanding ด�นหน��งข้องกี่�รว�จ�ยทำ �เกี่ �ยวข้องกี่�บ AI เจต์น�กี่5เพิ��อใหคอมพิ�วเต์อร#ร� จ��ค��หร�อข้อคว�มอ�นเป.นค��พิ�ดข้องมน!ษย#
41
Voice Technologies ข้อไดเปร ยบข้อง voice technologies
• ง*�ยต์*อกี่�รเข้�ถึ�ง (Ease of access)• ม คว�มเร5ว• ไม*ต์องใช้ม�อป7อนข้อม�ล (Manual freedom)• Remote access• ม คว�มแม*นย�� • ส��อส�รไดแมข้ณ์ะข้�บรถึ • ทำ��กี่�รเล�อกี่ไดอย*�งรวดเร5ว (Quick selection)• ม คว�มปลอดภ�ย (Security)• ไดประโยช้น#ทำ�งด�นต์นทำ!น (Cost benefit)
42
Voice Technologies
ข้อจ��กี่�ดข้อง speech recognition และ speech understanding ไม*ส�ม�รถึร� จ��ประโยคย�ว ๆ หร�อ ใช้เวล�ย�วน�น
เกี่�นไปกี่ว*�จะพิ�ดจบจ�งไดใจคว�มหร�อเข้�ใจ ต์นทำ!นส�ง ค��พิ�ดทำ �ใช้อ�จต์องใช้ร*วมกี่�บแป7นพิ�มพิ# กี่*อใหเกี่�ด
คว�มล*�ช้�ในกี่�รส��อส�ร
43
Voice Technologies
Voice synthesis เทำคโนโลย ทำ �คอมพิ�วเต์อร#เปล �ยนข้อคว�มใหเป.นเส ยงพิ�ด (text-to-speech) ระบบ text-to-speech ประกี่อบไปดวยสองส*วนค�อ:
ส*วนหน�ทำ �ร �บอ�นพิ!ต์ในร�ปแบบข้องต์�วอ�กี่ษรแลวเปล �ยนเป.นเอ�ต์#พิ!ต์ในร�ปแบบ symbolic linguistic representation
ส*วนหล�งทำ �ร�บ symbolic linguistic representation เข้�ม�แลวเปล �ยนใหเป.นเอ�ต์#พิ!ต์ในร�ปแบบร�ปคล��นเส ยงทำ �ส�งเคร�ะห#ข้�4นม�
44
Voice Technologies
Voice technology applications Call center Contact of customer care center Computer/telephone integration (CTI) Interactive voice response (IVR) Voice portal Voice over IP (VoIP)
46
Developing Integrated Advanced Systems
Fuzzy neural networks Fuzzification
A process that converts an accurate number into a fuzzy description, such as converting from an exact age into young or old
DefuzzificationCreating a crisp solution from a fuzzy logic solution
49
Developing Integrated Advanced Systems
Genetic algorithms and neural networks The genetic learning method can perform rule
discovery in large databases, with the rules fed into a conventional ES or some other intelligent system
To integrate genetic algorithms with neural network models use a genetic algorithm to search for potential weights associated with network connections
A good genetic learning method can significantly reduce the time and effort needed to find the optimal neural network model