Jelentős fejlődésen ment keresztül a Google Gboard virtuális billentyűzet kézírás-felismerő funkciója: a korábbinál gyorsabb MI-támogatással 20-40 százalékkal kevesebbet hibázik azoknál a gépi tanuló modelleknél, amelyeket most levált az újabb rendszer. A fejlesztők a Google AI Blogjának bejegyzésében számolnak be az eredményekről: ennek alapján a gépi tanuló rendszerek fejlődése az új architektúrák és tanítási módszertanok révén lehetővé tette, hogy felülvizsgálják eredeti modelljüket.

A latin betűs nyelvekre alkalmazva már az év elejétől bevezették a következő megoldást, jelenleg pedig azon dolgoznak, hogy megfelelő modelleket rendelhessenek hozzá a Gboard, pontosabban a Google Handwriting Input összes támogatott nyelvéhez – ezek száma a Gboard for Android esetében már a százas határt is átlépte. A fejlesztők a hibaszázalék látványos csökkentése kapcsán arra is kitérnek, hogy a pontosság javítása önmagában nem lenne elég, ha nem párosulna az alkalamzás sebességének növekedésével.

Folyamatos fejlesztések jönnek a Gboardon

A lehető legalacsonyabb késleltetési idő biztosítására így a TensorFlow keretrendszerben tanított modellek helyett már TensorFlow Lite modelleket használnak. A kézírás-felismerő stack helyben, a felhasználó készülékén fut, és egy teljes értékű TensorFlow implementációhoz képest nem csak az interferencia ideje csökken, de a lényegesen kisebb APK-val a Gboard által igénybe vett tárhelykapacitás is értelemszerűen kisebb lesz.
 

forrás: ai.googleblog.com

Maga a Google Handwriting Input egyébként már 2015 óta elérhető, a Gboard pedig 2018 közepétől támogatja egyaránt a kézírás- és billentyűzet-alapú bevitelt, vagyis a gépelés helyett "rajzolni" is lehet a szöveget a képernyőre. (Itt tényleg kézírásról van szó, ami időnként valóban praktikus lehet, de nem keverendő össze a gesztusokkal támogatott gépeléssel.) Az alkalmazás adatlapja szerint a Google Handwriting Input karbantartási módban van, és az új nyelvek mellett a továbbfejlesztett kézírás-felismerő funkciók is csak a Gboard alatt jönnek ki.

Hasnlóságot keres és valószínűséget számol

A bevitelkor rögzített vonalszekvenciák időbélyeggel is jelölt pontokat határoznak meg – itt a bejegyzés szerint újdonságnak számít, hogy már nem csak a kimenet, hanem a bevitel is Bézier-görbékre épül, amelyek egyebek mellett konzisztens teljesítményt biztosítanak az érintőkijelzők eltérő pontosságától és mintavételi rátájától függetlenül. A görbéket olyan polinomok írják le, amelyeket a kezdő- és végpontok mellett a köztes kontrollpontok határoznak meg, így a példában szereplő "GO" szót is összesen 186 ilyen pont jellemzi.
 

forrás: ai.googleblog.com

A szekvenciákat feldolgozó visszacsatolt neurális hálózatok, amelyeket az írott karakterek (köztük akár a szmájlik) felismerésére tanítanak, hatékonyan azonosítják a párhuzamosságokat, és nem csak magas fokú predikciós teljesítményre képesek, de a kapcsolatok számának alacsonyan tartásával a fájlok méretét sem engedik elszabadulni. Az eredményeket a rögzített görbékből és az ábécé betűiből álló mátrixból származtatják, miután olyan súlyozókat is figyelembe vesznek, mint amilyen mondjuk az adott karakterszekvenciák gyakorisága az éppen alkalmazott nyelvben.

A rendszer működéséről részletesebb (és persze sokkal szakszerűbb) ismertető a Google AI Blog bejegyzésében olvasható.