De eerste machine die hersengolven in zinnen vertaalde, werd gebouwd.

In hun onderzoek merken wetenschappers op dat er nu een groot aantal vergelijkbare apparaten zijn,

de meeste zijn echter inefficiënt: ze kunnen alleen fragmenten van gesproken woorden decoderen en hun nauwkeurigheid bedraagt ​​slechts een paar procent.

Machine Learning Specialist Dr. JosephMackin van de University of California (UCSF) en zijn collega's probeerden de nauwkeurigheid van dergelijke machines te verbeteren met behulp van kunstmatige intelligentie. Ze trainden algoritmen om hersenpatronen in realtime om te zetten in zinnen met een woordfoutenpercentage van slechts 3%.

Als onderdeel van de apparaattests, vier vrijwilligerslees zinnen hardop voor, terwijl elektroden hun hersenactiviteit registreerden. Daarna kwamen de gegevens het computersysteem binnen, dat grafieken creëerde van regelmatig voorkomende signalen in deze informatie.

Deze herhalende patronen zijn geassocieerd metrepetitieve kenmerken van spraak, zoals klinkers, medeklinkers of bevelen naar verschillende delen van de mond, merken wetenschappers op. Een ander deel van het systeem ontcijferde deze gegevens weer in zinnen.

Tot dusver kan kunstmatige intelligentie ontcijferenalleen spraak met een lengte van niet meer dan 30-50 zinnen met een laag aantal fouten. Met de interface van het apparaat kunt u echter al afzonderlijke woorden decoderen, en niet alleen zinnen - dit betekent dat het apparaat in de toekomst kan worden geleerd om woorden te herkennen die nog nooit in onderwijssystemen zijn gevonden.

Eerder beschreef HiTech in detail hoe het menselijk brein werkt en waarom kunstmatige intelligentie kan helpen bij de studie van dit orgaan.