Un equipo de científicos de la Universidad Tecnológica de Kaunas (KTU), en Lituania, ha reportado que la inteligencia artificial puede reconocer esquemas repetitivos en los sonidos que producen los animales. Esto se logra mediante el estudio de grabaciones, datos de conducta y el contexto del entorno.
El profesor Rytis Maskeliūnas, perteneciente a la Facultad de Informática de la KTU, explicó que esta tecnología procesa volúmenes de audio que serían imposibles de analizar manualmente. Su valor radica en conectar señales recurrentes con comportamientos y situaciones específicas.
El estudio, difundido en medios especializados, aborda interrogantes que van más allá de reconocer un sonido aislado. Los investigadores buscan determinar cuándo ocurre una señal, a quién parece estar dirigida y qué circunstancias la rodean.
Los ladridos pueden contener rasgos ligados al estado emocional
El equipo de la KTU recopiló sonidos de pastores alemanes y los clasificó, con la ayuda de expertos en comportamiento animal, en categorías como felicidad, enfado, llanto y soledad. Luego separaron las grabaciones según sus componentes de frecuencia y tiempo para extraer características acústicas.
Mediante técnicas de aprendizaje automático, los investigadores verificaron si dichas características permitían distinguir los estados definidos.
“Pudimos identificar ladridos de enfado con bastante fiabilidad”, afirmó el investigador.
Sin embargo, aclaró que este resultado no demuestra que se conozca el significado completo de cada vocalización ni la información que un perro intenta transmitir.
La conclusión principal es que la voz de un animal posee una estructura que el oído humano podría pasar por alto. Una señal acústica puede estar vinculada al estado del individuo, pero reconocer esa relación no convierte automáticamente el sonido en un mensaje descifrado.
Los modelos especializados procesan secuencias y contexto
Maskeliūnas señaló que un estudio actual podría analizar miles de millones de ladridos sin establecer previamente categorías emocionales. En lugar de ordenar al sistema que busque indicios de alegría o miedo, un modelo podría identificar por sí solo estructuras que se repiten.
Entre estas herramientas destaca un modelo acústico entrenado con más de 6.000 horas de grabaciones de ladridos de perros. Según el especialista, superó a modelos de uso general en algunas tareas de reconocimiento de sonidos caninos.
Estos sistemas pueden examinar sonidos individuales, secuencias, repeticiones y su relación con otras emisiones. También integran datos visuales, conductuales y fisiológicos, es decir, información sobre movimientos, reacciones y procesos corporales del animal.
“El mayor avance no sería que la IA dijera que el perro está enfadado, sino que descubriera de forma independiente combinaciones de señales previamente desconocidas”, señaló el profesor.
También añadió que “la cuestión crucial es cómo podemos determinar con fiabilidad si un patrón identificado por la IA forma parte realmente de la comunicación animal o si se trata simplemente de una característica estadística de los datos”.
Los experimentos deben comprobar las hipótesis de la IA
Para atribuir un significado a una vocalización, los investigadores deben observar quién la emite, quién la recibe, qué ocurre en el entorno y cómo responde la fauna.
La tecnología “puede identificar patrones que los humanos no habían notado previamente y generar una hipótesis sobre el posible significado de una señal, pero las asociaciones estadísticas por sí solas no bastan para confirmar esa hipótesis de forma fiable”, según explicó el especialista.
El profesor indicó que la validación sería más sólida si una modificación de la situación, o la reproducción de la misma señal a otro individuo, provocara una reacción coherente con la predicción del modelo.
“En este caso, la IA es un poco como Sherlock Holmes: detecta una pista importante, pero el experimento biológico es el laboratorio forense donde aún tenemos que determinar si esa pista se ha interpretado correctamente”, comparó.
El análisis de la respuesta del receptor ocupa un lugar central en este enfoque. No basta con identificar indicios similares entre sí: es necesario determinar cómo los percibe otro ejemplar y qué conducta desencadenan.
La diferencia con los grandes modelos de lenguaje humano radica en la falta de un diccionario previo. Esos sistemas trabajan con palabras, gramática, sintaxis y significados ya conocidos por las personas; en la comunicación animal, todavía se desconoce si existe una estructura simbólica equivalente.
La calidad de los datos condiciona el avance de la investigación
Las especies con comunicación variada y documentada ofrecen mejores condiciones para estos estudios, como las ballenas, delfines, elefantes, algunos primates y ciertas aves, incluidos loros y cuervos.
Aun así, disponer de muchos audios no resuelve por sí solo el problema.
“La calidad de los datos importa más que la cantidad”, subrayó el investigador.
Un modelo con pocas horas de audio tendría dificultades para encontrar estructuras fiables, mientras que millones de grabaciones sin información contextual limitarían las conclusiones.
La IA también podría generar versiones sintéticas de una señal vinculada a una situación social y presentarlas a ejemplares en condiciones controladas. Si la respuesta coincidiera de forma reiterada con la provocada por el sonido natural, habría más fundamentos para interpretar parte de su función.
Maskeliūnas advirtió que una señal creada por un sistema puede parecer auténtica en términos acústicos sin tener el mismo significado para el animal. Por eso, los experimentos deben distinguir si responde al mensaje o a propiedades como el volumen y la frecuencia.
“Esto podría ayudarnos a evaluar de forma más objetiva cómo se sienten los animales en diferentes condiciones de alojamiento o transporte, mientras que en la naturaleza nos permitiría controlar el estado de las poblaciones sin interferir en sus vidas”, concluyó.
Fuente: Infobae