Коллектив Авторов - Цифровой журнал «Компьютерра» № 22 Страница 7

Для создания нового видео из нескольких загруженных роликов, их миниатюры нужно перетащить на рабочую поверхность. Для того чтобы поменять их порядок, достаточно передвинуть их мышкой. Потом ненужные фрагменты каждого клипа можно удалить, нажав на значок ножниц (появится специальный инструмент). К сожалению, в рабочем окне просмотра видео демонстрируется почему-то в самом низком разрешении, поменять которое невозможно. Ещё один недостаток заключается в том, что нельзя вырезать ненужные фрагменты из середины видео.

После «склеивания» длина ролика всё равно не должна превышать те самые десять минут, в противном случае будет выведено предупреждение о том, что данная операция невозможна.

Пока разработчики не предусмотрели наложения каких-либо эффектов в процессе перехода от одного фрагмента к другому, но, наверно, это лишь вопрос времени. Зато клипы можно сопроводить фоновой музыкой из библиотеки AudioSwap, которая содержит десятки тысяч треков самых различных стилей и направлений. Нужное произведение можно найти с помощью поискового модуля или по жанровому рубрикатору.

В принципе, AudioSwap – не новая функция, раньше она была доступна для фонового озвучивания роликов. Изначально эта библиотеку разработали, чтобы пользователи могли заменять защищенное законом об авторском праве звуковое сопровождение разрешённой альтернативой.

Для одного видео в онлайновом редакторе YouTube позволено выбрать только один трек, а не несколько. Было бы неплохо также интегрировать с новым инструментом и другую полезную функцию YouTube – CaptionTube, которая добавляет к видео текстовые надписи и титры. Таким образом можно было бы на одной странице и в одной программе получить всё необходимое.

И вот, файл готов. Его можно сразу же опубликовать на YouTube, нажав соответствующую кнопку и указав название. Поскольку речь идет о создании нового клипа, исходные материалы также сохраняются на сервере и остаются доступными для просмотра и дальнейшей работы с ними.

К оглавлению

Промзона: Посудомойка из 2050-го

Николай Маслухин

Опубликовано 22 июня 2010 года

"Компьютерра" продолжает серию публикаций, посвященных концептам бытовой техники, представленным в рамках конкурса Electrolux Design Lab 2010. Чистящая лупа и пластичная кухня, датированные 2050 годом, уже рассматривались в нашей рубрике (к слову, оба этих концепта вышли в полуфинал и будут бороться за право участия в финале конкурса).

Сегодняшний концепт — это высокотехнологичная посудомоечная машина, призванная не только сэкономить время хозяев, но и не дать погибнуть домашним растениям.

Итак, 2050 год по версии дизайнера Ахи Анди Мошена, будет мрачноватым. Еду мы будем готовить из содержимого пищевых капсул, а свободного времени у нас вообще не останется. К тому времени такое домашнее развлечение, как перемыть всю посуду под душевный разговор, исчезнет напрочь, и тарелки мы будем чистить в специальных контейнерах.

Поскольку с экологией у нас тоже будет плохо, посудомоечная машинка станет работать от солнечных батарей и перерабатывать пищевой мусор в удобрения. Кроме того, устройство обещает быть легким и автономным, что позволит брать его с собой на пикник (если само понятие пикника к тому времени останется в употреблении).

К оглавлению

Промзона: Настенная корзина для белья

Николай Маслухин

Опубликовано 23 июня 2010 года

У большинства россиян ванная комната небольшая, много одежды и мало времени на стирку – чаще раза в неделю не получается. Каждый день возникает вопрос: куда складывать грязную одежду в ожидании этого дня?

Дизайнер Хелен Штайнер придумала корзину-полип, позволяющую белью не путаться под ногами.

Она представляет собой составные ёмкости, крепящиеся на стену в произвольном, удобном для хозяйки порядке. Белье помещается в эти соты через небольшие отверстия, после чего, ко времени стирки, вся верхняя часть снимается и удобно переносится к стиральной машине. Поскольку таких сот может быть несколько, белье удобно сортировать на цветное-нецветное (каждый, кто хоть раз извлекал из стиральной машины бледно-розовое нечто, когда-то бывшее белоснежной футболкой, должен это оценить).

Помимо вышеперечисленных плюсов (не нужно держать большую корзину на полу в ванной, можно сразу сортировать одежду по цветам, оригинальное оформления интерьера), идея имеет один существенный минус – грязная одежда может испачкать обои, с которыми соприкасается во время хранения. Поэтому желательно, чтобы настенные покрытия в месте крепления были моющимися.

К оглавлению

Суперкомпьютер IBM Watson: элементарно, Ватсон

Олег Нечай

Опубликовано 23 июня 2010 года

У хорошо известного нашим читателям Анатолия Вассермана, многократного победителя интеллектуальной телевикторины «Своя игра», появился опасный конкурент – суперкомпьютер IBM Watson, специально разработанный для участия в этой игре, которая в оригинальном американском варианте носит название Jeopardy.

Казалось бы, нет никаких проблем в том, чтобы заставить компьютер находить в памяти ответы на поставленные вопросы. Однако не всё так просто. Во-первых, особенность игры Jeopardy – «обратные вопросы», как в кроссвордах: игрок должен ответить, какое слово соответствует хитроумному определению или заданным условиям. При этом придумывается далеко не словарное определение, в котором нередко переплетаются прямые и переносные значения понятий, а ответ требует развитого ассоциативного мышления и широкого кругозора. Во-вторых, вопросы задаются обычным человеческим языком, поэтому машина должна уметь трансформировать его в понятный для себя. В-третьих, как и у игроков, возможности машины ограничены тем, что уже заложено в её памяти, поиск в интернете невозможен. И, наконец, в четвёртых, ответы принимаются в течение нескольких секунд, так что правильное решение должно быть найдено максимально быстро.

История Watson началась в 2006 году, когда Дэвид Феруччи, старший менеджер отделения IBM по семантическому анализу, занялся тестированием одного из самых мощных суперкомпьютеров компании, занимавшего одну из верхних строчек 500 самых производительных машин мира. Феруччи решил попробовать, насколько эффективно машина будет справляться с задачами, поставленными «естественным языком», и предложил ей ответить на 500 вопросов, заданных в уже состоявшихся программах Jeopardy! Результаты оказались катастрофическими: по сравнению с живыми игроками, машина недостаточно быстро «нажимала на кнопку» (то есть была готова к ответу), а в случае, когда она всё-таки могла конкурировать с людьми, количество правильных ответов не превышало 15%.

Феруччи заинтересовался причинами такого поведения суперкомпьютера и в итоге в 2007 году смог убедить руководство IBM дать ему команду из 15 человек и от 3 до 5 лет на создание эффективной автоматической системы, способной отвечать на неформализованные вопросы. Такая система пригодилась бы всевозможным колл-центрам, справочным и любым другим службам, обслуживающим клиентов. У IBM уже был успешный опыт создания машины, способной поспорить с интеллектом человека – речь идёт о суперкомпьютере Deep Blue, который в 1997 году победил чемпиона мира по шахматам Гарри Каспарова. Эта победа сделала большую рекламу IBM, но коммерческого применения подобной установке найти так и не удалось. В случае же с системой автоматических ответов на вопросы коммерческий потенциал вполне очевиден.

Принципиальное отличие Watson от Deep Blue заключается в том, что если шахматный автомат имеет дело со строго логическими правилами игры, то машина, распознающая «естественную речь», сталкивается в куда более сложными правилами языка и многочисленными искажениями и отклонениями от них. Но самая большая сложность заключается в том, что люди, сами того не осознавая, общаются в рамках своего культурного и социального контекста. В разговорной речи полно намёков, аллюзий и коннотаций, отсылок к неким общим для конкретной общественной среды фактам, понятиям и явлениям. В их числе и религиозные представления, и политические убеждения, и всевозможные произведения искусства – от книг и картин до кинофильмов и компьютерных игр.

Для эффективной обработки подобной информации используются статистические алгоритмы, позволяющие путём анализа самых разнообразных документов устанавливать связь разных понятий друг с другом. Проще говоря, она определяет, какие слова чаще всего употребляются вместе. К примеру, «Кремль» чаще связан со словами «Россия», «Москва», чуть реже с «Казань», «Нижний Новгород», ещё реже – с «собор», «икона»" и т.п. Хотя эти алгоритмы известны давным-давно, полноценно применять их стало возможно лишь в последнее десятилетие – после кардинального роста производительности вычислительной техники и снижения стоимости накопителей для хранения огромных массивов данных.