El sistema emplea algoritmos y redes neuronales artificiales que siguen los mismos patrones de un espectador para identificar al villano de la historia, y hasta el momento ha logrado acertar en el 65 por ciento de las veces.
Ciudad de México, 20 de diciembre (ediario.es/SinEmbargo).- Parece que fue ayer cuando la serie CSI: Crime Scene Investigation, también conocida como CSI: Las Vegas, llegaba a las pantallas de nuestros televisores. Sin embargo, sucedió allá por el año 2000, con el mítico biólogo criminalista Gil Grissom al mando del equipo de investigación policial de la ciudad que nunca duerme.
Por sus cientos de capítulos —sin contar los episodios de sus tres secuelas— han pasado asesinos de todo tipo, desde una aficionada a las maquetas hasta uno obsesionado con la pintura. Después de tantos casos resueltos por Grissom y compañía, seguro que más de un seguidor de la serie era capaz de intuir quién era el malhechor antes de que fuera descubierto por los protagonistas.
Esta habilidad premonitoria no es solo cosa de humanos: un sistema de inteligencia artificial desarrollado en la Universidad de Edimburgo también es capaz de identificar al malo en los capítulos de CSI con bastante acierto. Al igual que los espectadores de carne y hueso, tiene en cuenta tanto la información proporcionada por las imágenes como por los sonidos, así como las transcripciones de los diálogos y las descripciones de las escenas (formatos que una máquina es capaz de entender).
Sus creadores no querían concebir un adicto virtual a las series, sino más bien un detective: han entrenado al algoritmo para que sea capaz de comprender el lenguaje natural y asimilar gran cantidad de datos para resolver un problema complejo de forma muy similar a un humano. Averiguando, en este caso, quién está detrás de un crimen.
UN ATRACÓN DE EPISODIOS
Según los investigadores, especializados en informática, cognición y lenguaje, eligieron CSI para su trabajo porque los capítulos siguen un esquema constante. Cada uno “plantea la misma pregunta básica [quién cometió el asesinato] y proporciona naturalmente la respuesta revelando la identidad del perpetrador”, explican en su estudio, publicado en ‘Transactions of the Association for Computational Linguistics’.
Para el entrenamiento seleccionaron 39 episodios de las cinco primeras temporadas de la serie y desgranaron los guiones para que el sistema pudiera analizarlos. Desarrollaron un modelo, basado en redes neuronales artificiales, que sigue los mismos patrones que un espectador a la hora de identificar al posible asesino: procesa los detalles del argumento y el elenco de personajes a medida que transcurre la historia y revisa constantemente la posible identidad del asesino.
Con toda esta información, el software dio en el clavo el 60 por ciento de las veces, mientras que los humanos que participaron en el experimento acertaron en un 85 por ciento de las ocasiones. Aunque el poder predictivo de las máquinas puede parecer más bien modesto en base a estas cifras, los resultados son positivos tratándose de una tarea tan difícil para una máquina y más que suficientes para asentar las bases de un sistema que otros investigadores pueden perfeccionar y utilizar en sus propios estudios.
Además, su trabajo puede inspirar nuevos proyectos sobre reconocimiento del lenguaje natural que utilicen la misma o diferentes series de temática criminal. Según los investigadores, sus guiones constituyen un campo de pruebas ideal para entrenar a las máquinas inteligentes.
De acuerdo a Lea Frermann, coautora del trabajo, la única forma de mejorar el modelo es pensar en la información que le falta y que las personas sí tienen en cuenta en sus pronósticos y en cómo transmitírsela al ordenador. Porque proporcionarle datos que no aporten nada nuevo, aunque sea en gran volumen, no llevaría a obtener tasas de acierto más altas. El problema es que “los humanos tienen tanto conocimiento sobre el mundo que es muy difícil cifrarlo en una máquina de forma exhaustiva. Necesitamos equipar a los modelos con más conocimientos y antecedentes y un mecanismo de inferencia mucho mejor”, subraya la experta.
Pero la capacidad de deducción de las personas también tiene sus fallos. A pesar de identificar al criminal con más precisión que un ordenador, somos más cautos a la hora de formular nuestras sospechas. Al modelo de Frerman y compañía le bastan unas 190 frases del guion para comenzar a desconfiar de los personajes y a predecir la identidad del malhechor.
Los espectadores de carne y hueso tardan un poco más: los participantes en el estudio empezaban a hacer vaticinios después de escuchar unas 300 frases. También les cuesta más pillar las primeras menciones al asesino que a una máquina.
No obstante, el algoritmo tiene un punto débil: los casos donde no existe un criminal. Uno de los episodios que le mostraron trataba de un suicidio y, a diferencia de las personas, estuvo cuestionándose la identidad de un supuesto delincuente hasta el final. No supo ver que víctima y asesino podían ser la misma persona (o que, en realidad, no había como tal un asesino).
PREDICCIONES AL ESTILO DE MINORITY REPORT
Si bien el modelo desarrollado por estos científicos aún está en pañales, los equipos de investigación de los departamentos de Policía de diferentes ciudades ya cuentan con miembros tecnológicos dedicados a identificar delincuentes potenciales. Se trata de sistemas de inteligencia artificial que recurren al ‘big data’ para predecir actos criminales al más puro estilo Minority Report.
Los agentes de localidades como Nueva York, Chicago, Londres o Filadelfia utilizan distintas variantes de estas herramientas, casi siempre desarrolladas por terceros, ya sean startups o científicos. Una de ellos es PredPol, que no analiza datos personales, como tampoco lo hace HunchLab. Esta última se basa en información proporcionada por personas, meteorológica y sobre negocios de una zona para determinar si es necesario enviar a un contingente policial.
CrimeScan, otro de estos programas, creado por investigadores de la Universidad Carnegie Mellon, construye mapas donde muestra las localizaciones donde es más probable que se produzca algún crimen. Este tipo de ‘software’ puede tener en cuenta también el contenido de los perfiles de redes sociales de posibles delincuentes.
Con las necesarias mejores y adaptaciones, puede que los algoritmos desarrollados por Frermann y su equipo acaben también en departamentos de investigación criminal ayudando a resolver casos dignos de su serie de referencia. Dar caza a los asesinos también es cosa de Grissoms digitales.
