Cómo la IA permite a un hombre paralizado escribir
Índice
- Introducción
- Los desafíos de interpretar las señales cerebrales
- 2.1. Recolección de datos de entrenamiento
- 2.2. Reconocimiento de unidades de texto individuales
- Redes neuronales artificiales recurrentes
- 3.1. El funcionamiento de las redes neuronales artificiales recurrentes
- Mejorando el rendimiento del modelo de predicción de palabras
- 4.1. Limitaciones del modelo de palabras
- Aprovechando la naturaleza secuencial del lenguaje
- Conclusión
🧠 Cómo las señales cerebrales se convierten en texto escrito
En algún momento alrededor del 2003, un joven de 20 años sufrió una terrible lesión en el cuello que resultó en un accidente cerebrovascular en el tronco cerebral. Este accidente cerebrovascular dejó al joven incapaz de caminar, controlar sus brazos o hablar de manera inteligible. A pesar de su parálisis física, tenía pleno control de su mente. Podía pensar pero su cuerpo y voz ya no podían obedecer sus comandos.
Hoy en día, la inteligencia artificial ha avanzado lo suficiente como para permitir que los científicos hablen y escuchen los cerebros. Aunque todavía hay mucho que no entendemos acerca del cerebro, sabemos que las neuronas consumen y emiten señales eléctricas. Nuestros cuerpos son capaces de interpretar estas señales eléctricas que producen las neuronas. Si nuestros sistemas nerviosos pueden entender el significado de estas señales, entonces deberíamos ser capaces de diseñar algoritmos de aprendizaje automático que hagan lo mismo.
Dos proyectos recientes han logrado convertir las señales eléctricas del cerebro en texto escrito. En estos estudios, individuos paralizados tenían un conjunto de electrodos colocados directamente sobre la superficie de su cerebro y los investigadores conectaban estas señales al ordenador mediante un cable de datos. A través de algoritmos de inteligencia artificial, se aprendió a interpretar las señales eléctricas del cerebro y a producir palabras e incluso frases completas.
En uno de los estudios, un hombre paralizado Imaginó mover su brazo y su mano como si estuviese escribiendo caracteres en un papel. Esto permitió al participante producir caracteres tan rápido como una persona promedio y con una tasa de error de solo el seis por ciento.
En el otro estudio, un hombre imaginó hablar palabras y frases utilizando un vocabulario limitado de 50 palabras. Las palabras elegidas se interpretaron con una tasa de error del 26 por ciento, lo que se acerca a la usabilidad.
Ambos estudios se enfrentaron a un desafío común: cómo recopilar datos de entrenamiento. Los algoritmos de aprendizaje automático necesitan ejemplos de señales cerebrales que resulten de una persona imaginando palabras o carácteres específicos. Debido a que las bibliotecas de grabaciones de señales cerebrales son difíciles de conseguir y no está claro si las señales cerebrales de una persona serían útiles para interpretar las señales de otra persona, cada equipo tuvo que recopilar sus propios datos. Cada participante vio palabras o caracteres en una pantalla de computadora y, al recibir una señal de "inicio", intentaron producir ese fragmento de texto.
Un gran desafío del aprendizaje automático moderno es la necesidad de grandes cantidades de datos para entrenar los algoritmos. Mientras que un humano puede aprender un nuevo concepto con solo unos pocos ejemplos, los algoritmos de aprendizaje automático generalmente necesitan cientos, miles o incluso millones de ejemplos. Por supuesto, no es factible tener a una persona repitiendo una misma palabra miles de veces. En cambio, durante varias sesiones a lo largo de meses, cada equipo recopiló alrededor de 100 intentos de producción de cada palabra o carácter, así como varios cientos de intentos de producir oraciones completas.
Una vez recopilados los datos de entrenamiento, se utilizó la red neuronal artificial recurrente para interpretar las señales cerebrales y producir texto escrito. La red neuronal recurrente interpreta las señales que varían en el tiempo, ya que se espera que las señales eléctricas que comandan al cerebro para hablar o escribir también varíen a lo largo del tiempo. Los equipos científicos ajustaron los parámetros de sus redes neuronales para que el output final coincida con el valor Correcto.
Aunque los resultados hasta ahora son impresionantes, el desafío sigue siendo mejorar la precisión del modelo de predicción de palabras. Este modelo tuvo una exactitud del 47 por ciento, lo que significa que más de la mitad de las palabras en las oraciones fueron mal transcritas. En futuras investigaciones, los equipos buscarán mejorar el rendimiento aprovechando la naturaleza secuencial del lenguaje.
En conclusión, el mundo de la inteligencia artificial avanza rápidamente y ahora es capaz de interpretar las señales cerebrales y convertirlas en texto escrito. Aunque todavía hay muchos desafíos por superar, estas innovaciones abren la puerta a nuevas posibilidades para personas con discapacidades físicas.