-
HINTERGRUND
DER ERFINDUNG
-
Die Erfindung betrifft ein Verfahren
zum Betreiben einer Mehrstations-Sprechanlage bzw. eines Mehrstationen-Kommunikationssystems,
die/das mit einer Erkennung für
menschliche Sprache versehen ist. Das US Patent 5,471,521 beschreibt
ein System, bei dem ein erster Computer einen hereinkommenden Telefonanruf
abwickelt, während
ein zweiter Computer die gewünschte
technische Bearbeitung durchführt.
Verschiedene Serverklassen können
vorhanden sein. Der jetzige Erfinder hat bei Massenkommunikationssystemen,
die Platz für
viele verteilte Abonnenten bzw. Teilnehmer bieten, einen Bedarf festgestellt,
verfügbare
Einrichtungen in einer effizienten Weise zuzuweisen, während die
verschiedenen Ebenen der Komplexität bei der Sprachverarbeitung
und der häufige
Wechsel von Verarbeitungsdynamiken zwischen verschiedenen solchen
Ebenen kurzfristig erkannt werden. Weiter sollte das System für eine hohe
Zuverlässigkeit
sorgen und daher imstande sein, seine Topologie automatisch neu
zu konfigurieren.
-
ZUSAMMENFASSUNG
DER ERFINDUNG
-
Folglich ist es unter anderem ein
Ziel der vorliegenden Erfindung, verteilte Sprachverarbeitungsverfahren
in einer solchen Weise zu verbessern, dass rechnerintensive Aufgaben
auf einer dynamischen Basis einer augenblicklich am Besten geeigneten
Einrichtung zugewiesen werden, so dass der Gesamt-Verarbeitungsdurchsatz
optimiert und eine örtliche Überlastung
in einem hohen Grad vermieden würde,
und solches nur für
ein begrenztes Maß an zusätzlichen
Kosten. Also ist die Erfindung gemäß einem ihrer Aspekte gekennzeichnet,
wie im kennzeichnenden Teil des Anspruchs 1 angegeben.
-
Die Erfindung betrifft auch ein System,
das angeordnet ist, um ein Verfahren durchzuführen, wie im Anspruch 1 beansprucht.
Die Erfindung betrifft auch eine Teilsystem-Anlage bzw. Einrichtung,
die angeordnet ist, um in einem Verfahrenszusammenhang zu arbeiten,
wie im Anspruch 1 beansprucht, und/oder als Teil eines Systems,
wie im Anspruch 2 beansprucht. Weitere vorteilhafte Aspekte der
Erfindung sind in den abhängigen
Ansprüchen
angegeben.
-
KURZE BESCHREIBUNG
DER ZEICHNUNG
-
Diese und weitere Aspekte und Vorteile
der Erfindung werden nachfolgend mit Bezugnahme auf die Offenbarung
von bevorzugten Ausführungsformen
und insbesondere mit Bezugnahme auf die beigefügten Figuren ausführlicher
erörtert,
welche zeigen:
-
1:
ein Systemschaubild der vorliegenden Erfindung;
-
2:
ein Blockschaubild einer Requesterstation;
-
3:
ein Schaubild der wechselseitigen Aktivitäten des Systems;
-
4:
eine Verknüpfung
von Stationen und Serverstationen;
-
5:
eine Makler- oder Vermittlervorrichtung für ein verteiltes Netz.
-
AUSFÜHRLICHE
BESCHREIBUNG VON BEVORZUGTEN AUSFÜHRUNGSFORMEN
-
1 ist
ein Systemschaubild der vorliegenden Erfindung. In dem Schaubild
ist ein physikalisches bzw. reales Netz 22 in Form eines
Rings dargestellt worden. Jedoch ist die Organisation des Netzes
im Allgemeinen für
die Erfindung nicht relevant. Auch sind Netzprotokolle ignoriert
worden. Bei der Ausführungsform
gibt es viele Benutzerstationen, von denen nur die Nummern #24–32 dargestellt
worden sind. Die Benutzerstationen eignen sich dazu, persönliche Sprache
bzw. Personensprache von Benutzern zu empfangen, und falls erforderlich,
auch zur Ausgabe von maschinenerzeugter Sprache oder anderen Arten
von simulierter menschlicher Sprache, wie zum Beispiel von einer
Bandaufzeichnung. Eine Benutzerstation kann ein unbemannter Zugang
in ein Telefonnetz sein. Alternativ kann die Systemausgabe in Form
einer Darstellung von Zeichen erfolgen. In der Praxis kann die Gesamtzahl
von Stationen bis in den Millionenbereich reichen, von denen sich
in jedem beliebigen Augenblick mehrere Tausende in einem tatsächlichen
Dialog im Betrieb befinden können.
Der Dialog kann zu einem Informationssystem gehören, bei dem es der Benutzer
unternimmt, auf eine große
Datenbank 20 zuzugreifen. Ein anderes Einsatzgebiet kann
einen Auftragsdienst für
Gegenstände,
wie Zugfahrkarten, oder ein Massenbefragungssystem betreffen, bei
dem das System Fragen stellt und Antworten auf ihren kognitiven
Inhalt prüft. Der
Dialog kann von beiden Seiten Informationen betreffen, die für die andere
Seite einen ungewissen Inhalt oder eine ungewissen Struktur besitzen,
und wobei das System auf der Grundlage des Ergebnisses des Dialogs
eine relevante Auswahl vornehmen wird.
-
Die analoge Sprache wird nun im zutreffenden
Benutzergerät
oder in der zutreffenden Empfängerstation
empfangen und in einen Strom von digitalen Codes umgewandelt, die
eine einfache Übertragung
auf dem Netz 22 erlauben. Alternativ können die Stationen bzw. Endgeräte direkt
digitale kodierte Sprache empfangen, z. B. aus einem ISDN-Telefonnetz.
-
Die Verarbeitung der empfangenen
Sprache kann nun eine Analyse auf mehreren verschiedenen Ebenen
erforderlich machen. Zum Zweck der Offenbarung sind bei der Ausführungsform
nur zwei verschiedene Gruppen von Servern dargestellt worden. Zunächst sind
Spracherkennungsstationen 36–40 angeordnet,
um Ketten von digitalen Codes zu empfangen und um Wortmodelle, Sprachmodelle
und möglicherweise
weitere Modelle zu benutzen, um den Strom von Sprache auf eine Zielfolge
von Wörtern,
Lauteinheiten bzw. Phonemen oder anderen Elementen abzubilden. Schließlich sind
Sprachverständnis-Teilsysteme
42–46
angeordnet, um die so erkannte Kette von Wörtern usw. zu empfangen, und um
ein oder mehrere Dialogmodelle zu verwenden, um den Strom von erkannten
Wörtern
auf verkettete Informationen abzubilden, die einen solchen Inhalt aufweisen,
dass sie beim aktuellen Fortschreiten des Dialogs relevant sind
bzw. eine Bedeutung besitzen. Alternativ kann das System irgendeine
Art von "Fehler"-Anzeige geben und die Person des Benutzers auffordern,
die Taktik zu ändern,
zum Beispiel eine vorhergehende Äußerung zu
wiederholen oder umzuformulieren. Vermutlich wird die Person des
Benutzers schließlich
irgendwelche vernünftigen
Sprachinformationen vorgelegt haben, auf die das System 20 irgendeine
Ausgabe präsentieren
kann, die im Zusammenhang des Dialogs passend wäre. Die Ausgabe kann eine Antwort
auf eine Feststellung der Person des Benutzers, eine Lösung für ein Problem,
eine plausible Meldung, wie zum Beispiel eine, die einem Benutzer
anzeigt, was tatsächlich
vom System verstanden worden ist, oder eine weitere nachfragende Feststellung
sein. Im Prinzip sind noch weitere Arten von Antwort denkbar.
-
Bei dem oben Gesagten wird die Zuweisung der
verschiedenen Aufgaben an die Elemente der verteilten Einrichtung
vom System als Ganzes und in einer verteilten Weise vorgenommen,
wobei die Benutzeranwendungen in dieser Hinsicht passiv sind, abgesehen
davon, dass sie signalisieren, dass auf einer bestimmten Komplexitäts- oder
Funktionalitätsebene
eine gewisse Unterstützung
notwendig ist. Nachdem der fraglichen Anwendung eine bestimmte Verarbeitungseinrichtung
zugewiesen worden ist, kann die Benutzerstation die zu verarbeitenden
Informationen weiterleiten.
-
2 ist
ein Blockschaubild einer Requesterstation 60, die eng mit
einer bestimmten Benutzerstation oder Eingangsstation verknüpft bzw.
verbunden sein kann. Die Person des Benutzers ist durch einen bidirektionalen
Sprachkanal 50 mit dem System verbunden. Die Sprache wird
von einem Spracheingabe-Teilsystem 52 und von einem Sprachausgabe-Teilsystem 24 bidirektional
umgewandelt. Die umgewandelten Sprachinformationen werden zu einem Spracherkennungsserver 62 weitergeleitet.
Die erkannte Sprache wird zur örtlichen
Station 60 zurückgeschickt
und anschließend
vor Ort in einem Sprachverständnismodul 56 verarbeitet.
Die so verstandene Sprache wird zu einem Block 58 geschickt,
der die eigentliche Anwendung darstellt, und der dann die Ausgabeleitung
der Verbindung 50 steuern kann. Man hat gefunden, dass
die Spracherkennung häufig
verhältnismäßig rechnerintensiv
ist, verglichen mit den meisten anderen Verarbeitungselementen,
wie Sprachverständnis,
so dass die Dynamik des Dialogs die Verwendung eines schnellen aber
entfernten Spracherkennungsteilsystems 62 gegenüber einem örtlichen
Sprachverständnismodul 56 begünstigt.
In 1 ist auch das Sprachverständnis als
komplex genug angesehen worden, um ebenfalls eine entfernte Ausführung desselben
zu rechtfertigen. Eine solche kann durch die Komplexität der zugrunde
liegenden Informationsaustauscheinrichtung, durch den Grad der Gewissheit,
der gefordert wird, um zu prüfen,
ob die Sprache in der Tat richtig verstanden worden ist, durch gewisse
Sicherheitsaspekte der Netzübertragung,
die vor unbefugtem Eindringen sicher sein muss, sowie möglicherweise
andere Aspekte verursacht werden, die sämtlich die Verwendung von massiven
Rechnereinrichtungen notwendig machen würden. In 2 ist der Spracherkennungsserver ein
Beispiel eines solchen Dienstes. In der Praxis kann ein Servergerät mehrere
Spracherkennungsbeispiele beherbergen und daher imstande sein, eine
Dienstleistung für
mehrere Klienten gleichzeitig zu liefern, die sämtlich unter der Echtzeitvorgabe
arbeiten. Da die Benutzer nur über
einen Bruchteil der gesamten Dialogzeit reden, kann außerdem ein Erkennungsserverbeispiel
unter mehreren Klienten aufgeteilt werden. Eine Echtzeitreaktion
auf eine Äußerung eines
Benutzers kann eine subjektiven menschlichen Erwartungen entsprechende
Verzögerung
aufweisen, die ohne weiteres in der Größenordnung einer Zehntelsekunde
liegen kann. Außerdem kann
das dargestellte Klientensystem dazu bestimmt sein, den Ein-Aus-Verkehr
abzuwickeln, wie Sprachdaten zu mehreren Telefonleitungen, Datenbankzugriffe
und das Anwendungsprogramm.
-
3 ist
ein Schaubild wechselseitiger Aktivitäten des Systems basierend auf
einem zweiseitigen Dialog. Die untere Zeile zeigt an, dass das System
bei der Feststellung eines einsetzenden Dialogs, wie zum Beispiel
dem Abnehmen eines Telefonhörers
durch einen Benutzer, eine Begrüßungsansage ausgibt,
und möglicherweise
eine erste Frage oder Aufforderung. Die obere Zeile zeigt an, dass
die Person des Benutzers dann mit einer ersten Frage oder mit einer
ersten Antwort in einer Sprache kommen kann. Als nächstes zeigt
die untere Zeile an, dass das System als Reaktion darauf dem Benutzer
eine weitere Aussage, Frage oder ein anderes Sprachelement darlegt.
Dies kann von einer weiteren Äußerung vom
Benutzer auf der oberen Zeile gefolgt sein. Schließlich wird
das System eine abschließende Menge
an Informationen darbieten oder die Anfrage des Benutzers bestätigen. Dann
verabschiedet es sich von der Person des Benutzers. Solange das System
Sprache ausgibt, kann die Erkennungseinrichtung in Bezug auf den
fraglichen Dialog untätig bleiben;
dies kann auch auf Pausen in der vom Benutzer erzeugten Sprache
zutreffen. Außerdem
kann der Empfang einer durch einen Menschen erzeugten Äußerung bewirken,
dass die augenblickliche maschinenerzeugte Sprache unterbrochen
wird.
-
4 zeigt
eine Verknüpfung
bzw. Verbindung von Benutzerstationen, wie 92, und Serverstationen,
wie 94, die durch Wählschalter 96, 98 mit
einem Netz 100 verbunden sind. Wenn eine Spracherkennungseinrichtung
in einer Netzumgebung untergebracht ist, kann sie zwischen verschiedenen
Dialogen aufgeteilt werden, zum Beispiel um die Computerleistung
während
Pausen in einem anderen Dialog zu nutzen. Mit einem solchen Szenario
kann die Anzahl von Spracherkennungseinrichtungen, die als Hardware
oder Software verwirklicht sind, sehr viel kleiner sein, als die
tatsächliche
Anzahl von gleichzeitig aktiven Dialogen, ohne die Vorgabe einer
Erkennung in Echtzeit zu verletzen. Die Spracherkennungseinrichtung
wird einem Anwendungsdialog auf der Grundlage einer jeweiligen Äußerung zugewiesen,
jedoch im Allgemeinen nicht dauerhaft einem bestimmten Dialog zugewiesen.
Der Sprachdatenstrom wird zu einer verfügbaren Spracherkennungseinrichtung
gelenkt. Die Erkennungseinrichtung aktiviert dann einen geeigneten
Erkennungszusammenhang, wie ein Sprachenmodell und Sprachenlexikon, und
zwar jedes Mal, wenn diesem bestimmten Server eine neue Äußerung zugewiesen
wird. In einer Umgebung mit mehreren Spracherkennungsservern und mehreren
Klientensystemen kann jede Äußerung auf einem
unterschiedlichen Server ausgewertet werden, und jeder Spracherkennungsserver
kann aufeinanderfolgende Äußerungen
aus mehreren verschiedenen Klientensystemen und/oder Dialogen empfangen.
In Abhängigkeit
von der Rechnerleistung der Server können sie mehrere parallele
Spracherkennungsverfahren anbieten, wobei sie unter der Echtzeitvorgabe
arbeiten. Auch können
Klienten mehrere parallele Dialoge bedienen. In diesem Szenario
bietet die Lenkung auf der Grundlage von Äußerungen die größte Flexibilität bei der
Ausnutzung der verfügbaren
Rechnereinrichtungen.
-
5 zeigt
eine verteilte Makler- bzw. Vermittlungs-Organisation im Bezug zu einem Netz 110. In
Informationssystemen, die durch einen Sprachdialog in einer natürlichen
Sprache gesteuert werden, können
die Spracherkennungseinrichtungen auf Serversystemen 116, 118 zusammengefasst
werden, die über
das Netz mit den Anwendungs-Klientensystemen 112, 114 verbunden
sind. Die Netzorganisation weist in jedem der vier dargestellten
Systeme einen jeweiligen örtlichen
Netzmakler bzw. Netzvermittler auf, welche die Verantwortlichen
für die
Koordinierung der Requester und der Ressourcen sind. Wenn ein bestimmter
Dialog auf einem bestimmten Klientensystem eine Spracherkennungseinrichtung
benötigt,
weil ein Sprecher mit einer Äußerung begonnen hat, übernimmt
es der fragliche Makler, eine verfügbare Spracherkennungseinrichtung
zu finden, die auf einem beliebigen Serversystem im Netz angeordnet sein
kann. Der Makler wird dann den Sprachdatenstrom zu dieser bestimmten
Spracherkennungseinheit lenken und wird die resultierende Wortkurve
bzw. Wortkennlinie zur Dialoganwendung auf dem Klientensystem zurückleiten.
-
Um die Geräteabhängigkeit und manuelle Konfigurierungsanstrengungen
zu verringern, ist der Netzmakler eine völlig dezentralisierte Struktur.
Er verwendet einen automatischen dynamischen Konfigurationsmechanismus,
der sich an jegliche augenblicklich existierende Konfiguration von
Klienten- und Serversystemen anpassen kann. Zusätzliche Serverund Klientenstationen
können
zu der Umgebung hinzugefügt
werden, ohne die Notwendigkeit, die zuvor existierenden Systeme
zu stören
oder irgendwelche Veränderungen
daran vorzunehmen. Hinzukommende Klienten können sofort die verfügbaren Server nutzen,
und hinzukommende Server werden sofort von den Klienten zur Nutzung
berücksichtigt.
Wenn ein Klienten- oder Serversystem ausfällt oder abgeschaltet wird,
dann werden nur die von diesem bestimmten Gerät abgewickelten Dialoge betroffen sein.
Der Rest der Konfiguration wird sich automatisch neu konfigurieren,
um ohne die Komponente zu arbeiten, die entfernt worden ist.
-
Der Netzmakler besteht aus zwei Arten
von Einheiten, von denen sich eine auf der Seite der Klienten und
eine auf der Seite des Spracherkennungsservers befindet. Da jede
solche Einheit mit mehreren Einheiten ihrer Gegenseite Umgang hat,
gibt es zwischen Maklereinheiten eine Viele-mit-Vielen-Beziehung.
Jeder Netzmakler kann mehrere Dialoge oder Spracherkennungseinrichtungen
verwalten.
-
Die Spracherkennungseinrichtungen
sind auf Serversystemen zusammengestellt, die über das Netz mit den Anwendungs-Klientensystemen
verbunden sind. Der Netzmakler ist die Einheit, die für die Koordinierung
der Requester und Ressourcen verantwortlich ist. Wenn für einen
Dialog auf einem Klientensystem Bedarf an einer Spracherkennungseinrichtung
besteht, wird es der Makler übernehmen, eine
verfügbare
Spracherkennungseinrichtung auf einem beliebigen im Netz vorhandenen
Serversystem zu finden. Ein einfaches statistisches Verfahren wird
verwendet, um eine geeignete Ressource zuzuweisen. Das Verfahren
zur Lastverteilung stellt sicher, dass die Echtzeitvorgabe zur Spracherkennung eingehalten
wird, das heißt
einem Erkennungsserversystem sollten nicht mehr gleichzeitige Äußerungen
zugewiesen werden, als in Echtzeit ausgewertet werden könnten. Die
Gefahr von widersprüchlichen Zuordnungen
von mehreren Klienten wird durch ein Zufallsauswahlverfahren minimiert.
Unterschiedliche Anforderungen an Prozessorressourcen von mehreren
verschiedenen Äußerungen
werden ohne das Erfordernis von Abschätzungsrechnungen ebenfalls durch
die Lastverteilung abgewickelt. Das Verfahren hat die folgenden
Vorteile:
-
- – Leicht
zu realisieren
- – In
der Lage, zu verwalten, wie auf der Grundlage von Informationen über verteilte
Ressourcen, wie beispielsweise der Verfügbarkeit von Erkennungseinrichtungen
und ihren jeweiligen Fähigkeiten
und zugehörigen
Zusammenhängen,
wie Sprachenmodellen, Lexika, usw.
- – Das
Auswahlverfahren ist einfach. Die Klienten können eine Tabelle von verfügbaren Ressourcen von
sämtlichen
Servern verwenden und müssen nicht
jeden Server getrennt besuchen, um eine verfügbare Erkennungseinrichtung
zu finden. Die Zuweisung wird somit schnell ausgeführt, um
die Echtzeitvorgaben zu erfüllen.
- – Gleichzeitige
Zugriffe von mehreren Klienten auf denselben Server werden durch
einen Verwalter auf dem fraglichen Server gelöst. Der Verwalter entscheidet,
welche Klienten mit den verfügbaren
Erkennungseinrichtungen verbunden werden.
- – Auf
den Servern sind reservierte Erkennungseinrichtungen konfiguriert,
die in Verstopfungssituationen zugewiesen werden können, selbst
wenn diese Zuweisungen das Echtzeit-Verarbeitungsvermögen dieses speziellen Servers
verletzen würden.
Der Lastverteilungsalgorithmus stellt sicher, dass reservierte Ressourcen
dann nur in Ausnahmesituationen zugewiesen werden, wenn entweder
keine andere zur Echtzeit-Verarbeitung
fähige
Erkennungseinrichtung im Netz verfügbar ist, oder wenn eine gleichzeitige
Anforderung für
die letzte zur Echtzeit-Verarbeitung fähige Ressource eines Servers
vorliegt.
-
Ein besonderer Vorteil der entfernten
und verteilten Verarbeitung gemäß der Erfindung
besteht darin, dass ein solches System beinahe idiotensicher ist,
weil keinerlei Anstrengung notwendig ist, um die Konfiguration einzustellen.