Matemaattisten mallien ja syväoppimisen käyttö puheentunnistuksessa
Suominen, Ilkka (2025-11-07)
Matemaattisten mallien ja syväoppimisen käyttö puheentunnistuksessa
(07.11.2025)
Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.
avoin
Julkaisun pysyvä osoite on:
https://urn.fi/URN:NBN:fi-fe20251110106689
https://urn.fi/URN:NBN:fi-fe20251110106689
Tiivistelmä
Puheentunnistus on tekoälyn sovelluskohde, jonka tarkoituksena on muuttaa ihmisen tuottama puhe tietokoneen ymmärtämään muotoon ja tunnistaa siitä kielellisesti merkityksellisiä rakenteita mahdollisimman virheettömästi. Tämän saavuttamiseksi tarvitaan fonetiikan, signaalinkäsittelyn ja koneoppimisen käsitteiden yhdistämistä. Puheentunnistus voidaan toteuttaa tietoteknisesti käyttämällä joko perinteisiä matemaattisia malleja kuten piilotettuja Markovin malleja tai syväoppimismalleja, joiden suosio on kasvanut 2000-luvulta alkaen aina tähän päivään asti. Kummankin tyypin malleissa kielen semanttisten piirteiden esittämiseen käytetään sanavektoreita.
Syväoppimisen merkittävin ero perinteisiin malleihin verrattuna on käytettyjen verkkokerrosten määrässä, joka on syväoppimisverkoissa huomattavasti suurempi kuin perinteisten matemaattisten mallien käyttämissä verkoissa. Puheentunnistuksessa perinteisillä matemaattisilla malleilla ja syväoppimisella on kummallakin omat hyvät puolensa riippuen käyttökohteen monimutkaisuudesta. Syväoppimismallit ovat suuremman verkkokerrosten määrän vuoksi vähemmän riippuvaisia ominaisuuksien luokittelusta, kun taas perinteisillä malleilla niiden suorituskyky perustuu siihen, että ominaisuudet pystytään luokittelemaan tarkasti. Syväoppimismallit ovat täten parempia hyödyntämään ohjaamatointa oppimista. Syväoppimismallien etuna on myös se, että tekoälyn viimeaikainen kehitys on tapahtunut sellaisilla alueilla, jotka ovat läheisesti yhteydessä syväoppimiseen.
Vaikka syväoppimismallit ovat yleisesti ottaen perinteisiä malleja tehokkaampia, joissain tutkimuksissa on todettu, että perinteisten mallien ja syväoppimismallien rakenteita yhdistelevät ns. hybridimallit ovat suorituskyvyltään tietyissä puheentunnistuksen sovelluksissa parempia kuin kumpikaan edellisistä malleista yksin. Hybridimallien vahvuuksiksi mainittiin pienemmän virhemäärän lisäksi myös parempi suorituskyky ja laskennallisella kuormittavuudella mitattuna kevyempi mallinnuskyky.
Syväoppimisen merkittävin ero perinteisiin malleihin verrattuna on käytettyjen verkkokerrosten määrässä, joka on syväoppimisverkoissa huomattavasti suurempi kuin perinteisten matemaattisten mallien käyttämissä verkoissa. Puheentunnistuksessa perinteisillä matemaattisilla malleilla ja syväoppimisella on kummallakin omat hyvät puolensa riippuen käyttökohteen monimutkaisuudesta. Syväoppimismallit ovat suuremman verkkokerrosten määrän vuoksi vähemmän riippuvaisia ominaisuuksien luokittelusta, kun taas perinteisillä malleilla niiden suorituskyky perustuu siihen, että ominaisuudet pystytään luokittelemaan tarkasti. Syväoppimismallit ovat täten parempia hyödyntämään ohjaamatointa oppimista. Syväoppimismallien etuna on myös se, että tekoälyn viimeaikainen kehitys on tapahtunut sellaisilla alueilla, jotka ovat läheisesti yhteydessä syväoppimiseen.
Vaikka syväoppimismallit ovat yleisesti ottaen perinteisiä malleja tehokkaampia, joissain tutkimuksissa on todettu, että perinteisten mallien ja syväoppimismallien rakenteita yhdistelevät ns. hybridimallit ovat suorituskyvyltään tietyissä puheentunnistuksen sovelluksissa parempia kuin kumpikaan edellisistä malleista yksin. Hybridimallien vahvuuksiksi mainittiin pienemmän virhemäärän lisäksi myös parempi suorituskyky ja laskennallisella kuormittavuudella mitattuna kevyempi mallinnuskyky.