Det seneste arbejde med AI-maskiner er at udvide det nye inden for datamatisk humor.
Humor er et unikt menneske kvalitet. De fleste mennesker kan genkende sjove sætninger, hændelser, billeder, videoer og så videre. Men det er ikke altid let at sige, hvorfor disse ting er humoristisk.
Så det er nemt at forestille sig, at humor vil være en af de sidste bastioner, der adskiller mennesker fra maskiner. Computere, den tænkning, der går, kan muligvis udvikle en sans for humor, indtil de kan forstå nuancerne i vores rige sociale og kulturelle sammenhænge. Og selv de mest magtfulde AI maskiner er helt sikkert en lang vej fra at.
At tænkning kan snart ændre sig. I dag, Arjun Chandrasekaran fra Virginia Tech og venner siger, at de har trænet en maskine-læring algoritme til at genkende humoristiske scener og selv at skabe dem. De siger, at deres maskine kan præcist forudsige, hvornår en scene er sjovt, og hvornår det ikke er, selv om det intet ved om den sociale kontekst, hvad der er at se.
Psykologer har en relativt dårlig forståelse af mekanismerne bag humor. De fleste teorier om humor tyder på, at de vigtigste komponenter er kvaliteter som unexpectedness, misforhold, smerte, og så videre. Når en eller alle af disse elementer er til stede i sætninger, billeder og videoer, chancerne for at hæve et smil er steget.
Chandrasekaran og co begrænse deres undersøgelse til billeder. Og for at holde tingene enkle, at de begrænser sig til billeder, der er oprettet med en clip art-programmet. Denne indeholder 20 “papir dukke” menneskelige modeller af forskellige aldre, køn, og løb med bevægelige arme og ben og otte forskellige udtryk. Den indeholder også dyr 31 i forskellige rejser og omkring 100 indendørs og udendørs objekter, såsom døre, vinduer, borde, sol, skyer, træer, og så videre.
En vigtig del af enhver maskine-learning proces er at skabe en database, der indeholder gode eksempler på de ting, den algoritme, der har at lære. Dette er ikke nogen let opgave, især når det kommer til noget så subjektivt som humor.
Holdet tager fat på dette ved at stille arbejdstagere på Amazons Mechanical Turk-tjenesten til at oprette sjove scener ved hjælp af clip-art-programmet, sammen med en kort sætning, der beskriver, hvorfor de tror, at de scener er sjove. De spurgte også, at disse mennesker—turkers, som de kaldes—at skabe unfunny scener.
På denne måde, holdet samlet i en database på 6.400 billeder, hvoraf halvdelen var sjove og halvdelen unfunny. De kalibrerede databasen ved at spørge andre turkers for at vurdere den funniness af hver scene, og fundet, at de fleste faldt i deres forventede kategorier, selv om et par unfunny scener, som viste sig at være utilsigtet sjove og vice versa.
Efter yderligere analyse, viste det sig, at de scener vurderet mest sjove var, der normalt er forbundet med dyr eller mennesker, at gøre noget usædvanligt.
Der fik holdet til at tænke på måder til at ændre funniness af et billede. En måde at gøre dette på er at erstatte den genstand eller person til at gøre noget usædvanligt med et andet objekt eller en person. Så spurgte de turkers til at erstatte objekter med andre genstande, der var så ens som muligt til den første genstand, men det gjorde den scene unfunny. “Dette hjælper os til at forstå, finkornet semantik, der forårsager en bestemt objekt kategori for at bidrage til humor”, siger de.
På denne måde ændres hver af de 3.000 sjove billeder i fem forskellige måder at oprette en database på 15.000 unfunny kolleger med sjove billeder.
Med denne database under deres bælte, Chandrasekaran og co begyndte den opgave at træne en maskine-læring algoritme til at spotte forskellen mellem sjov og unfunny billeder (holder tilbage 20 procent af databasen for at teste det på et senere tidspunkt).
De gav maskinen to opgaver. Den første var til at forudsige funniness af en scene, og den anden var at ændre funniness af en scene ved udskiftning af et objekt i det.
Resultaterne gør det til interessant læsning. I almindelighed, den algoritme, der udfører ganske godt med at forudsige funniness af scene—helt sikkert bedre end en tilfældig gætte.
Opgaven med at ændre funniness af en scene består af to dele. Den første er at genkende elementer af den scene, der bidrager til den humor og den anden er at vælge en udskiftning objekt, der reducerer funniness.
I den første opgave, den algoritme, der gør nogle interessante fremskridt. “Vi kan se, at den model, der lærer, at der generelt, animere objekter, som mennesker og dyr er mere sandsynlige kilder til humor i forhold til objekter og derfor har en tendens til at erstatte disse objekter,” siger Chandrasekaran og co.
Den algoritme, der gør fremskridt i den anden opgave. “Det fjerner humor i de fleste scener ved at vælge at udskifte genstande, der bidrager til humor med andre genstande, der blander sig i baggrunden,” siger team. For eksempel, den algoritme, der kan erstatte den usædvanlige objekt i en indendørs scene med en potteplante, der passer godt, eller en butterfly i udendørs scener.”
Og de teknikker, der fungerer godt. “I den menneskelige evalueringer, scener unfunny af vores [algoritme] blev fundet at være mindre sjovt end den oprindelige morsom scene 95 procent af den tid,” siger Chandrasekaran og co.
Maskinen gjorde det mindre godt i at gøre scener sjovere, men det er helt klart noget at arbejde på i fremtiden.
Naturligvis et vigtigt spørgsmål er, hvad maskinen er ved at lære at gøre. I dette arbejde, funniness kan være en proxy for noget helt andet. Faktisk, hvis Chandrasekaran og co ‘ s papir blev omskrevet med hver forekomst af ordet “funniness” erstattes med ordet “oddness” eller “misforhold” eller “unexpectedness,” de resultater, der ville være ikke mindre gyldig.
Ikke desto mindre har holdet en interessant strategi, der kunne føre til nogle spændende applikationer. Evnen til at bedømme humor i en scene, der kunne hjælpe forskere med at udvikle bedre foto redigering redskaber, værktøjer, der vælger sjove billeder til indlæg på sociale medier, eller endda smart kameraer, der kan vælge en bedre øjeblikke til at tage humoristiske billeder.
Det er også en del af et nyt felt af beregningsmæssige humor—hjælp machine intelligence til at få os til at grine. Måske en dag, maskiner kan endda dele den joke.
Ref: arxiv.org/abs/1512.04407 Vi Er Humor Væsener: Forståelse og Forudsigelse af Visuel Humor