Det siste arbeidet med AI-maskiner er å utvide det nye feltet av beregningsorientert humor.
Humor er et unikt menneskelig kvalitet. De fleste mennesker kan gjenkjenne morsomme setninger, hendelser, bilder, videoer og så videre. Men det er ikke alltid lett å si hvorfor disse tingene er humoristisk.
Så det er lett å forestille seg at humor vil være en av de siste bastioner som skiller mennesker fra maskiner. Datamaskiner, tenkning går, ikke har mulighet til å utvikle en følelse av humor før de kan ta tak i nyanser av våre rike sosiale og kulturelle sammenhenger. Og selv den kraftigste AI maskiner er sikkert en lang vei fra det.
At tenkning snart må endres. I dag, Arjun Chandrasekaran fra Virginia Tech og kamerater sier at de har trent en maskin-læring algoritmen for å gjenkjenne humoristiske scener og til og med til å lage dem. De sier sin maskin kan forutsi nøyaktig når en scene er morsomt og når det ikke er, selv om det vet ingenting om den sosiale konteksten av hva det er å se.
Psykologer har en relativt dårlig forståelse av mekanismene bak humor. De fleste teorier om humor tyder på at de viktigste komponentene er kvaliteter som unexpectedness, uoverensstemmelse, smerte, og så videre. Når én av eller alle disse elementene er tilstede i setninger, bilder og videoer, er det store sjanser for å heve et smil er økt.
Chandrasekaran og co begrense sin studie til bilder. Og for å holde ting enkelt, de begrense seg til bilder som er opprettet med en clip art-programmet. Denne inneholder 20 “paper doll” menneskelige modeller for ulike aldersgrupper, kjønn, og raser med bevegelige armer og ben, og åtte forskjellige uttrykk. Den inneholder også 31 dyr i ulike positurer og rundt 100 innendørs og utendørs gjenstander, slik som dører, vinduer, tabeller, sol, skyer, trær, og så videre.
En viktig del av enhver maskin-læring er å opprette en database som inneholder gode eksempler på ting algoritmen har å lære. Dette er ingen enkel oppgave, spesielt når det kommer til noe så subjektivt som humor.
Laget takler dette ved å spørre ansatte på Amazon Mechanical Turk service, for å skape morsomme scener med clip art-programmet, sammen med en kort setning som beskriver hvorfor de tror de er morsomme scener. De spurte også disse menneskene—turkers, som de kalles—for å opprette unfunny scener.
På denne måten teamet samlet i en database over 6,400 bilder, halvparten av disse var morsomme og halvparten unfunny. De kalibrerte databasen ved å spørre andre turkers til å rangere funniness av hver scene, og funnet at de fleste falt i deres hadde til hensikt å kategoriene, selv om et par unfunny scener viste seg å være utilsiktet morsom og vice versa.
Etter nærmere analyse viste det seg at den scener vurdert mest morsomme var som regel forbundet med dyr eller mennesker for å gjøre noe uvanlig.
At du blir bedt om teamet til å tenke på måter å endre funniness av et bilde. En måte å gjøre dette på er å erstatte objektet eller personen gjør noe uvanlig med et annet objekt eller en person. Så spurte de turkers å bytte gjenstander med andre objekter, som var så lik som mulig den første mål, men at laget scenen unfunny. “Dette hjelper oss til å forstå finkornet semantikk som fører til et bestemt objekt kategori for å bidra til humor,” sier de.
På denne måten, de forandret hver av de 3000 morsomme bilder i fem forskjellige måter å opprette en database på 15.000 unfunny motstykker til morsomme bilder.
Med denne databasen under sitt belte, Chandrasekaran og co begynte oppgaven med å trene en maskin-læring algoritme til spot forskjellen mellom morsomt og unfunny bilder (holde tilbake 20 prosent av databasen til å teste det på senere).
De ga maskinen to oppgaver. Det første var å forutsi funniness av en scene, og den andre var å endre funniness av en scene ved å bytte ut et objekt i det.
Resultatene gir interessant lesing. I den generelle algoritme som utfører ganske godt i å forutsi funniness av scene—sikkert bedre enn tilfeldig gjetting.
Oppgaven med å endre funniness av en scene består av to deler. Den første er å gjenkjenne elementer i scenen som bidrar til humor og den andre er å velge en erstatning en gjenstand som reduserer funniness.
I den første oppgaven, algoritmen gjør noen interessante fremgang. “Vi observerer at modellen får vite at, generelt, animere objekter som mennesker og dyr er mer sannsynlig kilder av humor i forhold til livløse objekter, og derfor har en tendens til å erstatte disse objektene,” sier Chandrasekaran og co.
Algoritmen gjør fremskritt i den andre oppgaven også. “Det eliminerer humor i de fleste scener ved å velge å erstatte objekter å bidra til humor med andre objekter som passer inn i bakgrunnen vel,” sier teamet. For eksempel, algoritmen kan erstatte uvanlig objekt i en innendørs scene med en potteplante som passer godt, eller en sommerfugl i utendørs scener.”
Og de teknikker som fungerer godt. “I menneskelige vurderinger, scener laget unfunny av våre [algoritme] ble funnet å være mindre morsomme enn den opprinnelige morsom scene 95 prosent av tiden,” sier Chandrasekaran og co.
Maskinen gjorde mindre godt i å lage scener morsommere, men det er helt klart noe å jobbe på i fremtiden.
Selvfølgelig er det et viktig spørsmål er hva maskinen er læring å gjøre. I dette arbeidet, funniness kan være en proxy for noe helt annet. Faktisk, hvis Chandrasekaran og co ‘ s papir ble omskrevet med alle forekomster av ordet “funniness” erstattes med ordet “oddness” eller “misforholdet” eller “unexpectedness,” resultatene ville være ikke mindre gyldig.
Likevel, team har en interessant tilnærming som kan føre til noen fascinerende applikasjoner. Evnen til å bedømme humor i en scene kan hjelpe forskerne å utvikle bedre bilderedigering verktøy, verktøy som velger morsomme bilder å legge ut på sosiale medier, eller til og med smarte kameraer som kan plukke bedre øyeblikk å ta humoristiske bilder.
Det er også en del av et nytt felt av beregningsorientert humor—ved hjelp av maskin intelligens å gjøre oss til å le. Kanskje en dag, maskiner kan også dele spøk.
Ref: arxiv.org/abs/1512.04407 : Vi Er Humor Vesener: Forstå og Forutsi Visuell Humor