5 nemme skridt til at forstå et DNN og dets fordele for dine kunder
Hos Oticon har vi dedikeret os til at gøre en livsændrende forskel for mennesker med høretab. En af måderne, vi gør det på, er gennem udvikling og brug af banebrydende teknologi. Derfor har vi arbejdet med et DNN, et såkaldt ”Deep Neural Network”, til vores nyeste høreapparat, Oticon More™.
Denne form for teknologi er ny inden for audiologi, og du kan muligvis have spørgsmål til det. I dette blogindlæg giver vi en simpel forklaring af DNN og dets fordele, samt hvordan du kan forklare det for dine kunder.
Du er måske ikke bekendt med et DNN – eller ’Deep Neural Network’ – i navnets forstand, men du har formentligt brugt det uden at vide det. Det er blevet brugt til en række hverdagsopgaver, som fx automatiseret oversættelse. Det er endda blevet brugt til medicinsk diagnosticering; University of California, Los Angeles (UCLA) trænede et DNN til at opdage kræftceller! Nu bruger vi det til lydprocessering og balancering i Oticon More. Men hvad er egentlig et DNN, og hvordan fungerer det?
Den grundlæggende idé bag DNN er, at det lærer gennem reptetitive handlinger fra et udvalg af eksempler på, fx 1.000 billeder af forskellige hunde, i stedet for menneskeskabte regler som ”en hund har en sort snude og flagrende ører”. På denne måde lærer et DNN ligesom en menneskehjerne gør – nemlig gennem øvelse og ved at begå fejl.
Sådan fungerer det:
- En computer modtager et stykke information, fx et billede eller en lyd. Lad os i dette eksempel sige, at den modtager lyden af en trompet. Ulig dig og mig, så vil en computer ikke kende denne lyd.
- Computeren sender denne lyd videre gennem sit DNN, der kigger på, hvad den indeholder, og sorterer elementer fra – fx en lys eller dyb tone.
- Når lyden når til vejs ende i denne proces, fastslår DNN, om lyden repræsenterer en trompet eller ej.
- Computeren får tilbagemelding om dette svar – et ja eller et nej – som den derefter bruger til at styrke sin beslutningstagning.
- Denne proces gentages igen og igen med mange forskellige trompetlyde, indtil computeren formår at genkende dem øjeblikkeligt – ligesom en hjerne ville gøre.
Traditionelle høreapparater støtter sig til teoretisker modeller og strengt definerede regler for bedst muligt at fremhæve tale og reducere baggrundsstøj. Men det kan medføre ufleksibilitet i skiftende miljøer, siden de ikke fanger alle lydnuancer og kan begå fejl. Efter at have trænet et DNN med 12 millioner lydbilleder fra det virkelige liv, fx familiesammenkomster, restauranter, travle gader og offentlig transport, integrerede vi det i vores nye høreapparat, Oticon More. Høreapparatet kan så anvende de intelligente egenskaber fra et DNN til at efterligne måden, hjernen arbejder på, når den prioriterer og balancerer lyd.
Fordelene ved DNN, og hvordan du forklarer det for dine kunder
Det giver brugeren adgang til et komplet og præcist balanceret lydbillede – DNN er blevet trænet til at behandle en masse forskellige lydbilleder for at kunne give brugeren adgang til alle relevante lyde på en mere klare og balanceret måde.
Faktisk viser vores undersøgelser, at lydbilledet bliver 60 % mere klart for brugeren.
Klarere lyd hjælper brugere med at følge med i en samtale – Denne klarere lydinformation forbedrer hjernens evne til at spore de vigtigste lyde og samtidig være modtagelig for andre lydkilder, fx at følge med i en samtale med en ven på en travl restaurant.
Det hjælper med at levere en god neural kode, som hjernen behøver for at fungere optimalt – signalprocessering som med et DNN efterligner måden, hjernen lærer på. Det støtter hørecentret ved at give hjernen det, den behøver for at fungere optimalt – hvilket også er med til at holde den sund.
Læs mere om, hvordan lyd er med til at holde hjernen sund.
Se, hvad vores testpersoner siger om Oticon More
Fra genopdagelsen af glemte lyde til ikke længere at føle sig begrænset i støjfylde situationer, så kan den revolutionerende anvendelse af DNN i Oticon More gøre en livsændrende forskel for dine kunder.
Læs mere om Oticon More her.
Hvis du vil lære mere om DNN, så læs også vores side om teknologi.
_________________________________________
[1] Bahram Jalali, Claire Lifan Chen, and Ata Mahjoubfar, University of California, Los Angeles (UCLA)
https://www.mathworks.com/company/newsletters/articles/cancer-diagnostics-with-deep-learning-and-photonic-time-stretch.html
[2] Santurette, S., Juul Jensen, J., Ng, E.H.N. , Man, K.L.B (2020) Oticon More(TM) Clinical Evidence. Oticon Whitepaper