Foto de Fondo creado por kjpargeter - www.freepik.es
Investigadores de la Universidad de California en San Francisco han desarrollado un sistema de Inteligencia Artificial (IA) que traduce a textos los pensamientos humanos.
La IA analiza la actividad cerebral y decodifica las señales neuronales para trasladar a textos escritos lo que una persona está pensando.
Con un nivel de éxito del 97%, el sistema puede descifrar hasta 250 palabras en tiempo real de un conjunto de entre 30 y 50 oraciones gramaticales.
Imitando la traducción automática
Los autores de esta investigación explican en un artículo publicado en Nature Neuroscience que han aplicado una técnica similar a la traducción automática.
La traducción automática es una rama de la lingüística computacional que se vale de un programa informático para traducir texto o palabras de un idioma natural a otro.
Este sistema analiza oraciones gramaticales para obtener el significado completo de una frase y luego atribuir a cada palabra la traducción que le corresponde en ese contexto.
Red neuronal recurrente
Los investigadores sustituyeron el procesamiento de texto que realiza el sistema de traducción automática por el procesamiento de la actividad neuronal.
Para ello se apoyaron en una red neuronal recurrente (Recurrent Neural Networks o RNN), capaz de leer y de aprender textos y de generar un texto parecido al original.
Los investigadores entrenaron a una RNN a codificar secuencias de la actividad neuronal relacionada con determinadas oraciones gramaticales.
A continuación, enseñaron a otra RNN a decodificar esas señales neuronales, palabra por palabra, pare obtener una representación escrita de la oración original.
En ningún momento fue necesario que esta segunda RNN escuchara las oraciones, ya que nunca le fueron formuladas a través de la voz. Esta RNN solo pudo analizar el pensamiento (actividad neuronal) asociado con cada oración.
Metodología
Toda la investigación se desarrolló con cuatro pacientes con epilepsia que tenían implantes cerebrales para controlar las convulsiones típicas de esta enfermedad.
A estos participantes se les pidió que leyeran y repitieran varias oraciones en voz alta, con la finalidad de registrar la actividad neuronal asociada a estas frases.
Los datos obtenidos de esta actividad cerebral se introdujeron en una RNN, que analizó los patrones de actividad neuronal correspondientes a lo que iban leyendo los pacientes.
Una segunda RNN utilizó esa información para, al igual que hace el sistema de traducción automática, descubrir el significado de cada oración a partir de la actividad neuronal.
Resultados y aplicaciones
Los resultados iniciales de esta investigación son prometedores, si bien todavía bastante limitados: están muy lejos todavía de lo que ha conseguido el sistema de traducción automática.
Aunque la precisión obtenida es bastante alta, con un margen de error de solo el 3%, lo cierto es que la IA solo ha gestionado 250 palabras, cuando el vocabulario corriente del inglés hablado es de 20.000 palabras.
Es posible que, a medida que aumente el vocabulario, la precisión disminuya, ya que necesitará incorporar nuevos patrones neuronales para interpretar correctamente los pensamientos.
Eso significa que el sistema deberá desarrollarse mucho más para aspirar a aplicaciones prácticas, como convertirse en una prótesis para pacientes que han perdido la capacidad de hablar.
La IA analiza la actividad cerebral y decodifica las señales neuronales para trasladar a textos escritos lo que una persona está pensando.
Con un nivel de éxito del 97%, el sistema puede descifrar hasta 250 palabras en tiempo real de un conjunto de entre 30 y 50 oraciones gramaticales.
Imitando la traducción automática
Los autores de esta investigación explican en un artículo publicado en Nature Neuroscience que han aplicado una técnica similar a la traducción automática.
La traducción automática es una rama de la lingüística computacional que se vale de un programa informático para traducir texto o palabras de un idioma natural a otro.
Este sistema analiza oraciones gramaticales para obtener el significado completo de una frase y luego atribuir a cada palabra la traducción que le corresponde en ese contexto.
Red neuronal recurrente
Los investigadores sustituyeron el procesamiento de texto que realiza el sistema de traducción automática por el procesamiento de la actividad neuronal.
Para ello se apoyaron en una red neuronal recurrente (Recurrent Neural Networks o RNN), capaz de leer y de aprender textos y de generar un texto parecido al original.
Los investigadores entrenaron a una RNN a codificar secuencias de la actividad neuronal relacionada con determinadas oraciones gramaticales.
A continuación, enseñaron a otra RNN a decodificar esas señales neuronales, palabra por palabra, pare obtener una representación escrita de la oración original.
En ningún momento fue necesario que esta segunda RNN escuchara las oraciones, ya que nunca le fueron formuladas a través de la voz. Esta RNN solo pudo analizar el pensamiento (actividad neuronal) asociado con cada oración.
Metodología
Toda la investigación se desarrolló con cuatro pacientes con epilepsia que tenían implantes cerebrales para controlar las convulsiones típicas de esta enfermedad.
A estos participantes se les pidió que leyeran y repitieran varias oraciones en voz alta, con la finalidad de registrar la actividad neuronal asociada a estas frases.
Los datos obtenidos de esta actividad cerebral se introdujeron en una RNN, que analizó los patrones de actividad neuronal correspondientes a lo que iban leyendo los pacientes.
Una segunda RNN utilizó esa información para, al igual que hace el sistema de traducción automática, descubrir el significado de cada oración a partir de la actividad neuronal.
Resultados y aplicaciones
Los resultados iniciales de esta investigación son prometedores, si bien todavía bastante limitados: están muy lejos todavía de lo que ha conseguido el sistema de traducción automática.
Aunque la precisión obtenida es bastante alta, con un margen de error de solo el 3%, lo cierto es que la IA solo ha gestionado 250 palabras, cuando el vocabulario corriente del inglés hablado es de 20.000 palabras.
Es posible que, a medida que aumente el vocabulario, la precisión disminuya, ya que necesitará incorporar nuevos patrones neuronales para interpretar correctamente los pensamientos.
Eso significa que el sistema deberá desarrollarse mucho más para aspirar a aplicaciones prácticas, como convertirse en una prótesis para pacientes que han perdido la capacidad de hablar.
Contexto
La investigación realizada por los investigadores de la Universidad de California representa sin embargo un desarrollo significativo en el campo de los interfaces cerebro-ordenador.
Por ejemplo, la Royal Society de Londres aseguró el año pasado que las interfaces neuronales que unen los cerebros humanos a los ordenadores dotados de inteligencia artificial permitirán a las personas leer los pensamientos de otras personas.
La nueva investigación añade un elemento nuevo a este campo: la posibilidad de que esos pensamientos puedan ser reflejados en un texto escrito, toda una revolución potencial para el tratamiento de algunas enfermedades neurodegenerativas.
La investigación realizada por los investigadores de la Universidad de California representa sin embargo un desarrollo significativo en el campo de los interfaces cerebro-ordenador.
Por ejemplo, la Royal Society de Londres aseguró el año pasado que las interfaces neuronales que unen los cerebros humanos a los ordenadores dotados de inteligencia artificial permitirán a las personas leer los pensamientos de otras personas.
La nueva investigación añade un elemento nuevo a este campo: la posibilidad de que esos pensamientos puedan ser reflejados en un texto escrito, toda una revolución potencial para el tratamiento de algunas enfermedades neurodegenerativas.
Referencia
Machine translation of cortical activity to text with an encoder–decoder framework. Joseph G. Makin et al. Nature Neuroscience volume 23, pages 575–582(2020). DOI:https://doi.org/10.1038/s41593-020-0608-8
Machine translation of cortical activity to text with an encoder–decoder framework. Joseph G. Makin et al. Nature Neuroscience volume 23, pages 575–582(2020). DOI:https://doi.org/10.1038/s41593-020-0608-8