211service.com
Vi prøvde å lære en AI å skrive julefilmplott. Hilarity fulgte. Etter hvert.
Å bruke et nevralt nettverk for å lage latterlige plotlinjer krever mye arbeid – og avslører utfordringene med å generere menneskelig språk. 21. desember 2018
En falsk filmplakat med 'It Christmas'. Mr. Tech
Kanskje mer enn noen andre, forsker Janelle Shane populariserte AI-humor. Du har kanskje sett arbeidet hennes. Under Halloween i år, hun samarbeidet med New York Times for å generere kostymenavn med et nevralt nettverk. Resultatene – og illustrasjonene – er ganske fantastiske: Sexy Minecraft Person og Vampire Chick Shark, for å nevne noen.
Shane har laget en kunst ut av AI-generert komedie på den herlige bloggen hennes AI Weirdness . Hun har matet nevrale nettverk med alt fra cocktail oppskrifter og pai navn til skrekkfilmtitler og Disney sangtekster . Resultatene de gir er alltid morsomme.
Den inspirerte senior AI-redaktøren Will Knight og jeg tok fatt på en utfordring for å lage et komisk mesterverk i stil med Shane. Så vi matet plottsammendrag av 360 julefilmer, takket være Wikipedia , inn i en maskinlæringsalgoritme for å se om vi kunne få den til å spytte ut den neste store julefilmen. Det er nok å si at jeg nå føler med forskere som beskriver trening av nevrale nett som mer en kunst enn en vitenskap. Som jeg også oppdaget, er det faktisk ganske vanskelig å få dem til å være morsomme.
Følg prosessen vår nedenfor:
Prosessen
Algoritmen vi brukte kalles tekstgenrnn , den samme Shane brukte i sitt samarbeid med Times. Textgenrnn har to moduser: du kan enten bruke bokstaver til å generere ord i stil med andre ord, eller bruke ord til å generere setninger i stil med andre setninger.
Hver modus kommer med de samme innstillingene, som du kan stille inn i forskjellige forsøk for å lokke frem gode resultater. Jeg fokuserte først og fremst på tre av innstillingene: antall lag , antall epoker , og temperatur .
Vi prøvde også å generere julefilmtitler. Kunstavdelingen vår hadde mye moro med disse. Mr. Tech
Tillat meg å forklare. Lag , her, refererer til kompleksiteten til det nevrale nettverket: jo flere lag det har, jo mer kompliserte data kan det håndtere. Antallet av epoker er antall ganger den får se på treningsdataene før den spytter ut de endelige resultatene. Og temperatur er som en kreativitetsinnstilling: jo lavere temperatur, jo mer vil nettverket velge vanlige ord i treningsdatasettet kontra de som sjelden vises.
Selvfølgelig visste jeg ingenting om dette mens jeg tuslet rundt. I stedet lastet jeg opp filmplottene mine i en tekstfil og begynte blindt å justere knottene. Her er noen eksempler på det jeg begynte å se, med høye kreativitetsinnstillinger og et økende antall epoker:
Epoke 4
Mary må venner fra magic putting christmas stop nathan endeavors the.
Gnir alvorlig en resort bet alver brydde seg om den en i dag tallen lyssky med jul avduking hente døde california venter er jordsvin etter baksiden av den kloke vaktmester julen traumatiserte den til å oppdage populær til samfunnet hans.
En overleve før show i byen de.
Epoke 6
Og gutt sønn arbeider hvis problemer født religiøse kan en.
Max mccallister evie to who true to her christmas the in partner question.
Foreldreløse og Mccallister leilighetstyven mest ferie.
Epoke 8
Forstadseier bortelaget kort ond til ved at hun det slemme forsøket slem inn av rømme livet lærer nabolaget var deres hus omstendigheter besøke deg til.
WWII finne retriever til å til vennene for.
Et morpar en en tar pasifist tre billig familie forteller koselige gaver klone til tannløs.
Hvis du leser disse og tenker, De er uforståelige og ikke morsomme , da er du, venn, og jeg av samme mening.
Først antok jeg at jeg gjorde noe galt; Jeg hadde ikke helt knekt kunsten å trene det nevrale nettverket riktig. Men etter dusinvis av forsøk på forskjellige innstillinger, kom jeg til slutt til den konklusjonen at dette er så bra som det kan bli. De fleste setningene vil være helt forferdelige, og en sjelden gang vil du få en perle.
Moralen
En del av problemet, forklarte Shane da jeg snakket med henne, skyldtes det lille treningsdatasettet mitt – 360 datapunkter er små poteter sammenlignet med millionene som vanligvis brukes for resultater av høy kvalitet. En del av det var også på grunn av tekstgenrnn - algoritmen, sa hun, er bare ikke så god til å konstruere setninger sammenlignet med alternativer. (Vet vi hvorfor? Jeg spurte Shane. Jeg tror ikke engang fyren som laget tekstgenrnn egentlig vet, sa hun. Det kan til og med være en feil. Ah, skjønnheten med svarte boks-algoritmer.)
Men hovedårsaken er egentlig begrensningene ved å generere setninger med et nevralt nett. Selv om jeg hadde brukt bedre data og en bedre algoritme, er utfordringen med å oppnå sammenheng svært normal.
Mz. Tech
Dette er fornuftig hvis du tenker på hva som skjer under panseret. Maskinlæringsalgoritmer er veldig gode til å bruke statistikk for å finne og bruke mønstre i data. Men det handler om det. Så i sammenheng med å konstruere setninger, velger du hvert påfølgende ord bare basert på sannsynligheten for at det vil vises etter det forrige ordet. Det er som å prøve å skrive en e-post med prediktiv tekst. Resultatet ville være gjennomsyret av ikke-sequiturs, vekslinger mellom entall og flertall, og en hel del forvirring over deler av tale.
Så egentlig, det krever mye manuelt arbeid for å få et nevralt nettverk til å spytte ut tull som mennesker ville betraktet som eksternt humoristisk.
For noen datasett viser jeg bare folk kanskje én av hundre ting den genererer, innrømmet Shane. Jeg har det veldig bra hvis én av ti faktisk er morsom og verdt å vise. I mange tilfeller, fortsatte hun, tar det henne mer tid å kurere resultatene enn å trene algoritmen.
Lærdom: nevrale nettverk er ikke så morsomme. Det er menneskene som er det.
Resultatene
Som en bonus, her er noen av de beste algoritmisk genererte plottoppsummeringene Will og jeg klarte å komme med, litt renset. Vi har også generert julefilmtitler ved å bruke ordmodus for god ordens skyld.
Synopser
En familie av juleterroristen og tilbyr den første gangen å være et kjæremål for en ny by å kjempe.
En historie om hjemme-liv far til julehistorien.
Den tilbaketrukkede fra jul.
En kvinne fra kaos adoptert hjem tror.
En prinsesse i nærheten krysser forbi i julen.
En gartnerdetektiv men landsmorder magisk plutselig jul den nære alven.
En avlytting lider og en venn bytter jul med hans og sparer juletid.
En familiefar og en spesiell fremmedgjort til jul.
En strandet på julaften til New York-familien før jul.
Hellig.
The Scrooge-leder Bad av Santa, siden Anima.
En mann vender tilbake til sangeren som blir tvunget til å gi livet tilbake med et par for å hjelpe datteren hennes til jul.
En engel av julenissens feste fra planten.
Ensom kurer landsbyavis hjemme ødelegg jul jul julen prancer.
Barnevaktgutt prøver å feste julen inn for mer jul.
Titler
Julebutikken
Julenissen jul jul
Julemila
Kjempe julen
Natten Claus
I Santa Manta Christmas Porie
Babee jul
En julestorK
Grange-julen
Julenissen Christmas Pastie Christmas
Julekaper
En juleherre
Slikkejulen
Mrack Me Christmas Satra
The Christmas Catond 2
Santa Bach jul
Julemaleri
Julebesetning
En jul som kommer
Det er julenissen
Fromilly