Un laboratorio universitario de California (EE.UU) ha elevado al 97 % la eficacia de su sistema de decodificación por máquina que plasma las señales cerebrales en texto escrito, con frecuencias de habla naturales.
Las tasas de error tan bajas como el 3% se deben a la distribución de 250 electrodos sobre un tramo de la corteza cerebral en cuatro personas y un mejorado sistema de aprendizaje automático, reportan los investigadores en un artículo publicado este lunes.
Los participantes del experimento fueron pacientes con epilepsia que usan los implantes eléctricos para controlar las convulsiones que se producen por su enfermedad. El equipo de la Universidad de California en San Francisco aprovechó ese sistema de control para llevar a cabo un experimento paralelo, que consistía en la lectura varias veces de un conjunto de 30 a 50 oraciones y el procesamiento del electrocorticograma por la Inteligencia Artificial.
El artículo recoge varios ejemplos de los errores cometidos en la previsión o lectura del habla, lo que los autores atribuyen a un efecto secundario del vocabulario limitado que habían introducido en la IA. Así, la máquina decodificó la frase «el museo contrata a músicos todas las mañanas caras» en lugar de «el museo contrata a músicos todas las noches» y «parte del pastel fue una galleta» en lugar de «parte del pastel fue comida por el perro».
Solo en algunos casos los errores no tenían relación semántica ni fonética alguna con lo que se decía. El ejemplo extremo en este sentido fue el texto leído «ella llevaba un mono de lana cálido y velloso», que se interpretó como «el oasis era un espejismo».
Pese a esos raros errores, el logro puede ser un nuevo punto de referencia para el desarrollo posterior de los sistemas de decodificación de la actividad cerebral y de transcripción del habla humana. El mismo laboratorio reportó el año pasado haber alcanzado una precisión de entre el 61 y el 75 % para el formato pregunta-respuesta con un ritmo de habla lento. Ahora los autores esperan poder mejorar aún más la decodificación mediante el entrenamiento de la red neuronal con datos de múltiples participantes.
