IBM päihittää Microsoftin puheentunnistuksen tarkkuudessa

Viime vuonna Microsoft teki melko vaikuttavan läpimurron puheentunnistuksessa. Yhtiö väitti, että sen puheentunnistustekniikka saavutti "ihmispariteetti" vain 5.9 prosentilla WER:stä (Word Error Rate). Ja nyt IBM on saavuttanut vieläkin alhaisemman WER-arvon puheentunnistusteknologiallaan. Yritys väittää saavuttaneensa 5.5 prosentin sanavirheprosentin, mikä ylitti Microsoftin 5.9 prosentin ennätyksen 0.4 prosentilla.

Microsoft aiemmin päihitti IBM:n 6.9 % WER-ennätyksen saavuttamalla 6.3 %:n virheprosentin jo syyskuussa 2016. Ei siis todennäköisesti kestä kauan, ennen kuin Microsoft osuu takaisin IBM:n puolelle.

Mielenkiintoista on, että IBM väittää, että yritys ei ole vielä saavuttanut ihmisten pariteettia. Toisin kuin Microsoft, IBM väittää, että ihmispariteetti on 5.1 %:n WER-arvo, jota ei vielä ole saavutettu millään puheentunnistustekniikalla. IBM:n johtava tutkija George Saon sanoi:

”Ihmisten pariteetin saavuttaminen – mikä tarkoittaa virhetasoa, joka on sama kuin kahden ihmisen puhuminen – on pitkään ollut alan perimmäinen tavoite. Toiset alan edustajat jahtaavat tätä virstanpylvästä rinnallamme, ja jotkut ovat hiljattain väittäneet saavuttavansa 5.9 prosentin vastaavan ihmispariteettia…mutta emme ole vielä pomppaamassa samppanjaa. Osana prosessiamme tämän päivän virstanpylvään saavuttamiseksi päätimme, että ihmisten pariteetti on itse asiassa pienempi kuin mitä kukaan on vielä saavuttanut – 5.1 prosenttia.

IBM sanoi blogikirjoituksessaan, että yritys pystyi saavuttamaan Microsoftia pienemmän virhesuhteen yhdistämällä LSTM- (Long Short Term Memory) ja WaveNet-kielimallit.