En el fondo, el problema radica en los datos recopilados por los radiotelescopios que escuchan el cielo en busca de una señal que puede no ser natural (o ” tecnofirma “). 1999, un programa de “ciencia ciudadana”, SETI@Home, reunió a cientos de miles de voluntarios que “donaron” tiempo de computadora para que el software revisara algunas de las enormes bases de datos generadas por estos radiotelescopios. Pero este trabajo tenía sus límites: la mayoría de las señales “anormales” detectadas procedían de nuestras propias tecnologías: satélites, teléfonos móviles, etc. — que, por lo tanto, necesitaban ser revisados uno por uno.
Sin embargo, la IA puede aprender, a través de prueba y error, a distinguir estas señales terrestres: este es el principio del aprendizaje automático (o aprendizaje automático). En el un artículo publicado el 30 de enero en la revista Astronomía de la Naturaleza, el matemático Peter Ma, de la Universidad de Toronto, describe con sus colegas la diferencia que tal algoritmo marcó en su trabajo: analizó 3 millones de “señales de interés” y catalogó la gran mayoría de ellas como de origen terrestre. Luego, los investigadores analizaron los 20 000 restantes y redujeron la lista a 8 candidatos “interesantes”.
Falsa esperanza: Ninguno de los 8 dijo nada cuando el radiotelescopio Robert C. Byrd Green Bank en West Virginia fue apuntado hacia ellos nuevamente. Pero el tiempo ahorrado fue enorme y los investigadores sugieren reutilice su método con otras bases de datos del mismo tipo.
En teoría, también sería posible programar un algoritmo de este tipo para volver a estas bases de datos en busca de una señal diferente a la buscada tradicionalmente, una baliza automática, por ejemplo. Pero, en última instancia, se necesitaría un ser humano para filtrar lo que la IA habría seleccionado: una cosa es extraer una “señal” del “ruido”, interpretarlo es otra.
Foto: Tom Coates/Flickr/Creative Commons
“Propensa a ataques de apatía. Evangelista de la cerveza. Café incurable. Experto en Internet”.