Также я обнаружил, как важно придавать дополнительный вес клавишам, которые подсвечиваются в пользовательском интерфейсе. Во время дерби с клавиатурой мы узнали, что изображение клавиш, появляющееся под вашими пальцами, когда вы их касаетесь, это способ для клавиатуры показать, что она видит. Это именно тот вид обратной связи, который может связать людей и программное обеспечение. Буквы, всплывающие на клавиатуре, создают диалог между устройством и тем, кто находится с другой стороны экрана. Всплывающие буквы выполняют роль дополнительного канала передачи информации, как кивки головой, «угу» и «мммммм», которые мы вставляем во время разговора, когда слушаем других людей. Поток всплывающих букв позволяет человеку узнать, что клавиатура следует за вами, что она «слушает».
Информация об отдельных касаниях также важна для отслеживания, поэтому я разработал систему оценки каждого касания, но потребовалось немного времени, чтобы увидеть, что побуквенная оценка дает результаты не лучше, чем обращение к частоте использования. Как я узнал об этом? Я использовал свою программу в жизни. Я делал демоверсии для своих коллег из Purple, и они давали отзывы. Тем не менее второй уровень оценки в алгоритме автоисправления теоретически казался шагом вперед.
Далее я попробовал более комплексный подход к оценке, основанный на целом слове. Вместо того чтобы иметь дело с каждым касанием как с отдельным событием, достойным своей собственной оценки, я сгруппировал все касания вместе. Я представил, как ряд нажатий на клавиши, необходимый, чтобы написать слово, будет выглядеть на рисунке в виде геометрического чертежа или созвездия, отображающего касания клавиш.
Чтобы как-то использовать эту идею, я представил безупречные схемы, которые мог бы создать идеально аккуратный пользователь, если дать ему в руки Wallaby. Я вообразил, как прошу этого идеального пользователя пройти по всему словарю, чтобы впечатать весь набор безошибочных, безупречно центрированных схем. Получившаяся в результате коллекция созвездий состояла бы из точек, расположенных ровно в центре каждой клавиши, каждой буквы для каждого слова в словаре.
У меня в голове автоисправление превратилось в процесс создания схем, возникающих в результате нажатия пользователем на клавиши, и поиска в словаре наиболее близко совпадающей схемы из идеального набора. Другими словами, берется созвездие, полученное от того, кто набирает текст, неизбежно содержащее удары не по центру клавиш и, возможно, какие-то клавиши, нажатые по ошибке. И тогда алгоритмический блок начинает искать созвездие клавиатуры, наиболее похожее на то, которое создал идеальный наборщик. Словарное слово, отвечающее этому образцовому созвездию, и будет тем самым, которое собирался написать пользователь. Ну, по крайней мере, в теории.
Чтобы проверить это на практике, мне нужно было найти способ сравнивать схемы нажатий на клавиши друг с другом. Как и раньше, когда я бегло знакомился с математическими текстами, я не мог понять смысл методов аппроксимации данных или сравнения графиков, которые были похожи на то, что я искал. Я не мог понять формулы и объяснения. Это не укладывалось у меня в голове, и нужно было придумать что-то попроще.
Я представил, насколько мне надо «подвинуть» каждую из точек на рисунке схемы набора, чтобы она выглядела в точности так же, как идеальный образец из словаря. Для каждого сравнения схем я добавил все «сдвиги». Самым близким совпадением было то, которое требовало меньше всего подвижек. К счастью для меня, расчет всех «сдвигов» можно было сделать, опираясь на элементарную школьную математику. Это было как наложение сетки на карту города и подсчет улиц и проспектов, которые мне нужно пройти, чтобы добраться из одного места в другое, — то, что иногда называют манхэттенским расстоянием, или расстоянием городских кварталов[33].
