Neuronové sítě pro porozumění řeči

Abstract

Neuronové sítě jsou dnes dominantním nástrojem pro mnoho úloh v oblasti strojového učení a umělé inteligence. Avšak pro dosažení vysoké přesnosti řešení dané úlohy je potřeba velké množství anotovaných dat pro trénování sítě, což může být časově náročné a drahé. Tato bakalářská práce se zaměřuje na využití lidské interakce při trénování neuronových sítí (tzv. human-in-the-loop přístup) s cílem umožnit neuronové síti se učit nové věci v reálném čase a rychle a flexibilně reagovat na nové situace. Výsledná metoda umožňuje adaptivní dotrénování libovolných vzorků a tříd v reálném čase na neuronové síti pro klasifikaci záměru. Tento proces je uskutečněn prostřednictvím interaktivního hlasového dialogu a Sentence Transformeru. Síť pro klasifikaci záměru byla vytvořena pomocí transfer learningu pro efektivnější trénování a zlepšení schopnosti generalizace. Celý systém je navržen tak, aby byl snadno použitelný a mohl být nasazen na zařízení s omezenými výpočetními zdroji, jako je Raspberry Pi.