Sinopsis: Tecnología de la información

Brújula verbal
Mejor corrección de errores basada en voz para herramientas de dictado />

CONTEXTO: La multitarea extrema es la moda moderna, pero ninguna persona tiene suficientes manos para manejar un teléfono celular, un organizador digital, un volante y un café al mismo tiempo. En consecuencia, la gente quiere una forma de manos libres para interactuar con las computadoras. Aunque los sistemas de reconocimiento de voz son más precisos que nunca, los usuarios típicos todavía dedican más tiempo a corregir errores que a dictar texto; la mitad de su tiempo de corrección se dedica simplemente a mover un cursor a los errores identificados en, digamos, un correo electrónico dictado. Las puntuaciones de confianza, las estimaciones del software de la probabilidad de que haya captado la palabra correcta, se pueden utilizar para identificar posibles errores. Ahora, Jinjuan Feng y Andrew Sears de la Universidad de Maryland, condado de Baltimore, han demostrado que las puntuaciones de confianza también se pueden utilizar para acelerar el proceso de corrección.

Esta historia fue parte de nuestro número de marzo de 2005

• Ver el resto del número
• Suscribir

MÉTODOS Y RESULTADOS: Doce participantes dictaron documentos de 400 palabras utilizando un sistema de reconocimiento de voz. Interpretó el 17 por ciento de las palabras incorrectamente, una tasa típica; fue el proceso de corrección lo que fue atípico. El software utilizó puntuaciones de confianza para etiquetar palabras en todo el texto como anclajes de navegación. Los usuarios pueden saltar rápidamente a cada ancla con comandos de voz cortos y luego mover un cursor palabra por palabra hasta el error. Los investigadores midieron la cantidad de comandos de navegación que usaron los participantes, las tasas de falla de los comandos de navegación y el tiempo dedicado a dictar y navegar. Las tasas de falla promedio informadas para otras técnicas son de aproximadamente el 5 por ciento para la navegación basada en la dirección (mover a la derecha) y del 10 al 20 por ciento para la navegación basada en palabras (seleccione diciembre). En una prueba de la técnica de Feng y Sears, la tasa de falla fue solo del 3.2 por ciento. Aún mejor, el tiempo que los usuarios dedicaron a buscar errores se redujo en casi una quinta parte. Esto es significativo en comparación con otras técnicas de corrección de errores y es prometedor, porque este trabajo sugiere los medios para seguir mejorando.

POR QUÉ ES IMPORTANTE: Los botones liliputienses de los PDA y otras maravillas del tamaño de bolsillo se encogen rápidamente bajo un pulgar de tamaño constante. La multitarea va en aumento y más personas con discapacidades físicas están ingresando a la fuerza laboral. Ambas tendencias alejarán a los usuarios de los sistemas informáticos con interfaces manuales. El reconocimiento de voz, pero por su alta tasa de error y largos tiempos de corrección, es una alternativa obvia.

Este trabajo muestra claramente que el uso de puntuaciones de confianza para la navegación puede reducir los tiempos de corrección de los usuarios. Con más mejoras, la técnica promete aumentar la usabilidad de la corrección de errores con manos libres y generar así una oleada de nuevos dispositivos y aplicaciones.

FUENTE: Feng, J. y A. Sears. 2004. Uso de puntajes de confianza para mejorar la navegación basada en voz manos libres en sistemas de dictado continuo. Transacciones ACM sobre la interacción computadora-humano 11:329-356.

Correcciones cuánticas
Cómo comprobar errores en una computadora cuántica

CONTEXTO: Para un forastero, la lógica de la computación cuántica puede parecer mística. Mientras que un bit estándar representa datos como una forma o otro (0 o 1 digital), un bit cuántico almacena datos como una forma y otro (0 y 1 y todas las posibilidades intermedias). Mientras que una computadora estándar debe analizar las posibles soluciones una a la vez, una computadora cuántica podría, en teoría, examinar todas las soluciones a la vez y elegir la correcta en un solo paso. Esto es ideal para soluciones que se basan en prueba y error, como descifrar códigos de cifrado.

Pero, como una criatura mítica maldita, gran parte de la información contenida en un sistema cuántico se desvanecerá si se observa, porque el proceso de mirarlo perturba el sistema. Eso significa que un usuario puede ver la respuesta a una pregunta, pero no puede verificar los cálculos detrás de ella. Por lo tanto, una computadora cuántica necesita corregir errores de manera confiable sin que nadie los vea. Ahora, por primera vez, John Chiaverini y sus colegas del Instituto Nacional de Estándares y Tecnología (NIST) han hecho esto en un sistema cuántico que podría ampliarse.

MÉTODOS Y RESULTADOS: En la computadora cuántica del NIST, la información se codifica en el estado cuántico de un solo átomo. Mediante un proceso llamado entrelazamiento, el destino de este átomo padre se vincula con el de dos átomos compañeros, de modo que los cambios en la condición del padre se reflejan en los compañeros. Usando iones de berilio (átomos con carga eléctrica) para transportar información cuántica, los investigadores pudieron desenredar, decodificar y comparar los estados de los dos iones compañeros y así deducir indirectamente si se había producido un error. Un pulso de láser podría corregir el estado cuántico del ion original sin observarlo realmente.

POR QUÉ ES IMPORTANTE: Muchas técnicas de cifrado dependen de la dificultad de factorizar números muy grandes mediante prueba y error. Una computadora cuántica podría, en teoría, derrotar a todos estos sistemas de encriptación y promete ser órdenes de magnitud más poderosas que los sistemas más avanzados de la actualidad. Por lo tanto, cualquier persona interesada en guardar secretos digitales, desde números de tarjetas de crédito para transacciones web hasta información clasificada para gobiernos y corporaciones, se preocupa por la computación cuántica. Aunque una computadora cuántica útil todavía está muy, muy lejos, el trabajo en NIST ha demostrado cómo eliminar una de las maldiciones más abrumadoras de la mecánica cuántica.

FUENTE: Chiaverini, J., et al. 2004. Realización de corrección de errores cuánticos. Naturaleza 432:602-605.

Escaneando tus pensamientos
Las máquinas aprenden a analizar la actividad cerebral />

CONTEXTO: ¿Pueden las computadoras aprender a leer la mente humana? La detección de pensamientos puede estar más allá de sus capacidades, pero las computadoras pueden estar capacitadas para reconocer ciertas tareas mentales a partir de escáneres que monitorean la actividad cerebral. Una técnica de exploración popular, la resonancia magnética funcional (fMRI), ya ayuda al estudio del aprendizaje, la memoria, las emociones, los trastornos neurales y los fármacos psiquiátricos. Usando estadísticas y análisis de datos, los investigadores pueden identificar patrones de actividad como característicos de ciertas actividades y estados mentales. Ahora, Tom Mitchell y sus colegas de la Universidad Carnegie Mellon han demostrado que las computadoras pueden automatizar este proceso, al menos para algunas tareas simples.

MÉTODOS Y RESULTADOS: Utilizando datos de fMRI de sujetos involucrados en varias tareas, el equipo de CMU entrenó computadoras para reconocer qué patrones de fMRI acompañaban a los estados cognitivos para diferentes tareas. Durante este proceso, la computadora desarrolló modelos matemáticos para distinguir entre diferentes estados cognitivos. Luego, dados los nuevos datos de resonancia magnética funcional, las computadoras predijeron los estados mentales de los sujetos a partir de los escáneres cerebrales. Aunque imperfectas, las computadoras entrenadas automáticamente superaron de manera convincente al azar al discriminar si un sujeto estaba mirando oraciones o imágenes, leyendo oraciones ambiguas o no ambiguas y leyendo palabras asociadas con diferentes categorías como personas, herramientas o frutas.

POR QUÉ ES IMPORTANTE: Este trabajo muestra que una computadora puede usar los resultados de un conjunto de exploraciones cerebrales para predecir lo que estaba haciendo un cerebro durante otras exploraciones. Esta capacidad podría eventualmente conducir a un uso más preciso de las resonancias magnéticas en medicina. También podría acelerar el análisis de datos, especialmente cuando se está estudiando a una persona a lo largo del tiempo. Y, dado que las computadoras aprendieron a reconocer la actividad cerebral de un solo intervalo corto en lugar de una combinación de varias exploraciones durante un período de tiempo más largo, podría reducir el tiempo que cada paciente pasa en una máquina de resonancia magnética, haciendo que los equipos costosos estén más fácilmente disponibles.

En términos más generales, este trabajo es una aplicación importante en el campo del aprendizaje automático. Con relativamente pocos ejemplos de entrenamiento, las computadoras pudieron detectar patrones significativos en datos que contenían miles de entradas, muchas de ellas irrelevantes o inexactas. A medida que los científicos recopilan conjuntos de datos cada vez más detallados del cerebro y otros sistemas complejos, estas técnicas ofrecen una forma de utilizar la información de manera más eficaz.

FUENTE: Mitchell, T. M., et al. 2004. Aprendiendo a decodificar estados cognitivos a partir de imágenes cerebrales. Aprendizaje automático 57:145-175.

esconder