Cómo usa la inteligencia artificial los sonidos de los animales para detectar patrones de comunicación

Los investigadores de la Universidad Tecnológica de Kaunas (KTU), en Lituania, informaron que la inteligencia artificial puede detectar patrones en los sonidos de los animales mediante el análisis de grabaciones, datos de conducta y contexto ambiental.

El profesor Rytis Maskeliūnas, de la Facultad de Informática de la KTU, sostuvo que la tecnología procesa volúmenes de audio imposibles de examinar de forma manual. Su utilidad consiste en relacionar señales repetidas con comportamientos y situaciones específicas.

La investigación, divulgada en Phys.org, plantea preguntas que exceden la identificación de un sonido aislado. Los científicos buscan establecer cuándo se produce una señal, a quién parece dirigirse y qué circunstancias la acompañan.

Los ladridos pueden contener rasgos ligados al estado emocional

El equipo de la KTU reunió sonidos de pastores alemanes y los agrupó, con evaluaciones de especialistas en conducta animal, en categorías: felicidad, enfado, llanto y soledad. Después separó las grabaciones según sus componentes de frecuencia y tiempo para extraer rasgos acústicos.

Con técnicas de aprendizaje automático, los investigadores comprobaron si esas características permitían diferenciar los estados definidos. “Pudimos identificar ladridos de enfado con bastante fiabilidad”, afirmó el investigador. Sin embargo, remarcó que el resultado no prueba que se conozca el significado completo de cada vocalización ni la información que un perro procura transmitir.

La principal conclusión es que la voz de un animal posee una estructura que el oído humano puede pasar por alto. Una señal acústica puede estar vinculada con el estado del individuo, pero reconocer esa relación no transforma de inmediato el sonido en un mensaje traducido.

Los modelos especializados procesan secuencias y contexto

Maskeliūnas indicó que un estudio actual podría analizar miles o millones de ladridos sin fijar previamente categorías emocionales. En lugar de pedirle al sistema que busque indicios de alegría o miedo, un modelo podría localizar por su cuenta estructuras que se repiten.

Entre estas herramientas figura un modelo acústico entrenado con más de 6.000 horas de grabaciones de ladridos de perros. De acuerdo con 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 admiten datos visuales, conductuales y fisiológicos, es decir, información sobre movimientos, reacciones y procesos del cuerpo 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 sucede 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 explicó 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 las percibe otro ejemplar y qué conducta desencadenan.

La diferencia con los grandes modelos de lenguaje humano está 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 hay 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.