Filosofía de ingeniería: Raj Reddy, tecnología para los mil millones más pobres

Ideas clave

• Construye la interfaz que no exige saber leer. Reddy dedicó su carrera a enseñar a las máquinas a entender el habla humana – los primeros sistemas de habla continua, y luego Hearsay y Harpy – porque el habla es la única interfaz que no pide nada al usuario. No necesitas leer, ni escribir, ni tener un teclado para hablar. Para los aproximadamente 2.500 millones de personas en el mundo que no saben leer, la voz no es una comodidad; es la única puerta hacia el conocimiento del mundo.¹⁹
• Ganó el Premio Turing por hacer que la IA fuera real a gran escala. En 1994, Reddy compartió el Premio Turing A.M. de la ACM con Edward Feigenbaum “por ser pioneros en el diseño y la construcción de sistemas de inteligencia artificial a gran escala, demostrando la importancia práctica y el posible impacto comercial de la tecnología de inteligencia artificial”. Fue la primera persona de origen asiático en recibir el premio.¹²
• El modelo de pizarra es su contribución silenciosa y universal. Hearsay-II coordinaba fuentes de conocimiento independientes – acústica, fonética, léxica, sintáctica – dejando que cooperaran en un espacio de trabajo compartido, la “pizarra”. Esa arquitectura superó al habla y se convirtió en un patrón general para combinar muchas fuentes de evidencia en una sola respuesta, que es exactamente lo que sigue haciendo hoy una arquitectura de IA moderna.³⁴
• De una aldea sin luz eléctrica al primer doctorado en IA bajo McCarthy. Nacido en Katoor, Andhra Pradesh, en 1937, el primero de su familia en terminar la escuela, Reddy pasó de Guindy a Nueva Gales del Sur hasta un doctorado en Stanford en 1966 bajo la dirección de John McCarthy, y luego construyó los sistemas más ambiciosos del campo en Carnegie Mellon – y los apuntó de vuelta hacia personas como aquellas con las que creció.⁵⁶⁹

El principio

“Cualquier cosa que hagas con tu mente, la puedes hacer más rápido, mejor y más barato usando computadoras… Podríamos dirigir esa productividad adicional hacia áreas donde hay una gran necesidad social.” – Raj Reddy⁹

La mayor parte de la tecnología avanzada llega por goteo. Se construye para quienes ya pueden pagarla – los que saben leer, los que están conectados, los que tienen un dispositivo y un plan de datos – y solo alcanza a los demás años después, diluida, si es que llega. Reddy invirtió el objetivo. Su convicción era que la IA más avanzada debía apuntarse hacia las personas que el resto de la informática deja fuera: los que no saben leer, los pobres del campo, lo que los economistas del desarrollo llaman los mil millones más pobres. No como una obra de caridad atornillada a un producto terminado, sino como la restricción de diseño que viene primero.⁹

El principio tiene una consecuencia precisa para la ingeniería, y es el hilo que recorre todo lo que construyó: la interfaz no debe exigir nada que el usuario no tenga ya. Un teclado exige saber leer y un alfabeto latino. Una pantalla táctil exige un dispositivo y la alfabetización en iconos para navegarla. El habla no exige nada. Todo ser humano capaz de hablar ya tiene la interfaz completa instalada desde el nacimiento, en su propio idioma. Así que, si quieres poner el conocimiento del mundo al alcance de alguien que nunca aprendió a leer, no le enseñas a leer – le enseñas a la máquina a escuchar. Por eso un hombre que se preocupaba por las personas más pobres del planeta dedicó décadas al problema profundamente técnico del reconocimiento de habla continua. Las dos cosas son el mismo proyecto.¹⁹

Esto es lo que hace a Reddy inusual entre los gigantes de la IA. El prestigio del campo fluye hacia la capacidad – modelos más grandes, pruebas más difíciles, un juego sobrehumano. Reddy persiguió la capacidad con tanto empeño como cualquiera, construyendo sistemas lo bastante ambiciosos como para ganar el Premio Turing. Pero nunca separó qué tan potente de para quién es. La voz como el gran igualador; grandes sistemas de IA construidos para servir a las personas que están en la base de la pirámide. La tecnología debe alcanzar a las personas que quedaron fuera – y la manera de garantizarlo es convertir a esas personas en la especificación.

Contexto

Dabbala Rajagopal Reddy nació el 13 de junio de 1937 en Katoor, una aldea en lo que hoy es Andhra Pradesh, India. Fue el primero de su familia en ir a la universidad – el primero, en un sentido real, en salir siquiera de la órbita de la aldea.⁵⁶ Décadas después, al ser preguntado por aquella infancia, rechazó el marco de la carencia: “El cielo era de una claridad hermosa, y podía ver todas las estrellas. La gente me ha preguntado: ‘¿Dios mío, eras así de pobre?’. Pero yo nunca me sentí privado de nada en absoluto.”⁹ Esa frase importa para la ingeniería, porque el hombre que diseñó para los mil millones más pobres no estaba diseñando para una abstracción. Diseñaba para la gente de la que venía, y no la consideraba carente de nada salvo de acceso.

El camino de salida pasaba por la ingeniería. Cursó su licenciatura en el College of Engineering, Guindy (Universidad de Madrás) en 1958, luego una maestría en la Universidad de Nueva Gales del Sur, en Sídney, en 1960, trabajando para IBM en Australia antes de cruzar el Pacífico.⁵⁶ En Stanford obtuvo una maestría en 1964 y, en 1966, un doctorado en ciencias de la computación bajo la dirección de John McCarthy – el hombre que había acuñado el término “inteligencia artificial” una década antes. A Reddy se le describe ampliamente como la primera persona en obtener un doctorado en IA bajo McCarthy, lo que lo sitúa en el manantial mismo del campo.⁵⁶

Permaneció en Stanford como profesor (1966-69), y luego dio el paso que definió el resto de su vida: en 1969 se incorporó a la Universidad Carnegie Mellon, donde ha permanecido desde entonces.⁶ En CMU construyó los sistemas de habla que lo hicieron famoso, fundó el Instituto de Robótica en 1979 (el primer departamento de robótica en una universidad de Estados Unidos), fue decano de la Escuela de Ciencias de la Computación (1991-99) y se convirtió en Moza Bint Nasser University Professor de Ciencias de la Computación y Robótica.⁵⁶⁷ Stanford le dio el linaje más puro del campo. Carnegie Mellon le dio la libertad de construir sistemas grandes, desordenados y reales – y de gastar credibilidad por el valor de un Premio Turing en una población para la que nadie más en la IA estaba construyendo.

El trabajo

Reconocimiento de voz: Hearsay, el modelo de pizarra y Harpy

Empecemos por la parte difícil, porque es donde el principio se convierte en matemáticas. El habla humana es un flujo continuo de sonido sin separaciones limpias entre las palabras – los silencios que crees oír entre palabras son en su mayoría una ilusión que tu cerebro suministra. Peor aún, la misma señal acústica puede recortarse en palabras distintas. El ejemplo clásico es que “recognize speech” y “wreck a nice beach” suenan casi idénticas. Solo con el audio en bruto, ambas lecturas obtienen puntuaciones más o menos iguales; la máquina genuinamente no puede distinguir cuál quisiste decir. El widget de abajo te permite oír cómo se desploma esa ambigüedad.

La idea de Reddy, desarrollada con sus estudiantes en CMU a lo largo de la década de 1970 dentro del programa de Investigación en Comprensión del Habla de DARPA, fue que ninguna fuente de conocimiento por sí sola puede resolver esa ambigüedad, pero varias fuentes cooperando sí pueden. La acústica te dice qué sonidos están presentes. Un modelo fonético asigna sonidos a fonemas candidatos. Un léxico restringe qué secuencias de fonemas son palabras reales. Una gramática restringe qué secuencias de palabras son oraciones plausibles. Cada una, por sí sola, es poco fiable; juntas precisan la respuesta. La pregunta era cómo hacer que fuentes independientes y poco fiables cooperen.

Su respuesta fue el modelo de pizarra, materializado en Hearsay-II. Imagina un panel de especialistas alrededor de una pizarra compartida. Cada uno está atento a algo que entiende – un fonema, una palabra, una frase – y cuando puede aportar, publica una hipótesis en la pizarra con una puntuación de confianza. Otros especialistas leen la pizarra, construyen sobre lo que ven y publican sus propias hipótesis. Ningún especialista está al mando; ninguna tubería fija los obliga a un orden. La interpretación correcta emerge de muchas contribuciones parciales y probabilísticas que cooperan sobre un espacio de trabajo común. El subtítulo del artículo publicado lo dice exactamente: integrar el conocimiento para resolver la incertidumbre.³⁴ Hearsay-I, que lo precedió, fue el primer sistema capaz de reconocer habla continua; Hearsay-II le dio a esa capacidad su arquitectura perdurable.¹³

En paralelo a Hearsay corría Harpy (Bruce Lowerre y Reddy, ~1976), que hizo la apuesta opuesta y demostró ser igual de influyente. En lugar de fuentes independientes publicando en una pizarra compartida, Harpy compilaba todo el conocimiento – vocabulario, gramática, pronunciación – en una única red enorme de cada enunciado que el sistema pudiera llegar a oír, y luego recorría esa red con búsqueda en haz (beam search): en cada paso, conservar solo el puñado de caminos más prometedores y podar el resto, de modo que la búsqueda siga siendo manejable aunque el espacio sea inmenso.⁸ Harpy manejaba un vocabulario de 1.011 palabras y fue el primer sistema en entender habla continua con menos del diez por ciento de error en un tiempo casi real.⁸ La pizarra de Hearsay le dio a la IA una forma de combinar fuentes de conocimiento; la búsqueda en haz de Harpy le dio una forma de recorrer el espacio combinado de manera eficiente. Ambas ideas siguen siendo estructurales – la cooperación de la evidencia y la poda disciplinada de posibilidades están debajo del reconocimiento de voz que hay hoy en cada teléfono.

El Instituto de Robótica de CMU

En 1979, Reddy fundó el Instituto de Robótica en Carnegie Mellon y fue su primer director – el primer departamento de robótica en cualquier universidad de Estados Unidos.⁵⁶⁷ Es fácil leer esto como un capítulo aparte, un giro del habla a las máquinas. Se lee mejor como el mismo instinto ampliado. El reconocimiento de voz es el problema de una máquina que percibe e interpreta una señal desordenada, continua y del mundo real bajo una profunda incertidumbre. La robótica es ese problema con el resto del mundo físico añadido: visión, movimiento, manipulación, todo ello ruidoso, todo ello ambiguo, todo ello exigiendo que muchas fuentes de información imperfectas se fusionen en una sola decisión.

El instinto de la pizarra – muchas fuentes de conocimiento cooperando para resolver juntas la incertidumbre – es exactamente lo que un robot autónomo necesita para dar sentido a su entorno. Al construir una institución en lugar de solo un laboratorio, Reddy hizo algo que un único investigador no puede: creó un lugar donde la integración de la percepción, el aprendizaje y la acción podía perseguirse durante décadas por cientos de personas. El Instituto de Robótica se convirtió en uno de los centros más importantes del campo, y es una expresión estructural de la misma convicción que impulsa su trabajo con el habla – que los problemas interesantes son los de sistema completo, donde muchas partes deben cooperar para manejar un mundo que no llega previamente etiquetado.

El Premio Turing de 1994 y los sistemas de IA a gran escala

En 1994, Reddy y Edward Feigenbaum compartieron el Premio Turing A.M. de la ACM – el mayor honor de la informática – con una mención que vale la pena leer con atención: “por ser pioneros en el diseño y la construcción de sistemas de inteligencia artificial a gran escala, demostrando la importancia práctica y el posible impacto comercial de la tecnología de inteligencia artificial.”¹² Reddy fue la primera persona de origen asiático en recibir el Premio Turing.⁵

Detente en lo que premia la mención. No un teorema. No un único algoritmo. El diseño y la construcción de sistemas a gran escala, y la demostración de su importancia práctica. Feigenbaum había demostrado que la IA podía capturar y aplicar conocimiento experto en dominios reales; Reddy había demostrado que la IA podía percibir y entender el mundo humano real y desordenado del habla continua. Juntos llevaron a la IA de la demostración de laboratorio al sistema en funcionamiento – prueba de que estas ideas podían construirse a gran escala e importarían fuera de la academia.¹² Ese énfasis en lo construido, a gran escala, para uso real es el tenor entero de la carrera de Reddy. Nunca se conformó con un resultado que solo existiera en un artículo. El objetivo era siempre un sistema que alguien pudiera usar de verdad – que es, por supuesto, el mismo impulso que lo lleva hacia las personas que tienen menos.

Tecnología para los mil millones más pobres: el Million Book Project, RGUKT y la brecha digital

Aquí el principio sale plenamente a la luz. Tras haber merecido el mayor honor del campo por construir grandes sistemas de IA, Reddy dedicó la segunda mitad de su carrera a apuntar esa capacidad hacia las personas que la industria tecnológica olvida sistemáticamente. Copresidió el Comité Asesor del Presidente de Estados Unidos sobre Tecnología de la Información (PITAC) de 1999 a 2001, dando forma a las prioridades nacionales de investigación desde dentro del gobierno.⁵ Pero sus proyectos más característicos se construyeron para el mundo en desarrollo.

La Universal Digital Library / Million Book Project, que Reddy dirigió en Carnegie Mellon desde 2001, se propuso escanear un millón de libros y ponerlos disponibles gratuitamente en línea, con un enfoque deliberado en poblaciones multilingües y desatendidas – el conocimiento del mundo, digitalizado, para gente que nunca había tenido una biblioteca. Para diciembre de 2007 había escaneado más de 1,5 millones de libros en unos 20 idiomas, trabajando con socios en India, China y Egipto.¹⁰ La Universidad de Tecnologías del Conocimiento Rajiv Gandhi (RGUKT), que Reddy fue decisivo en crear y de la que fue rector fundador, se construyó específicamente “para atender las necesidades educativas de los jóvenes rurales talentosos y de bajos ingresos” de India – estudiantes como el niño de Katoor que, por casualidad, logró salir.⁵⁶ También fue presidente fundador del Instituto Internacional de Tecnología de la Información (IIIT) de Hyderabad, y recibió el Padma Bhushan, uno de los más altos honores civiles de India, en 2001.⁵

La lógica que conecta todo es la misma a la que vuelve una y otra vez: “Para los 2.500 millones de personas analfabetas del mundo, [Reddy] busca aplicar su tecnología de reconocimiento de voz para ayudarlas a acceder al conocimiento del mundo a través de internet.”¹ Ha abogado de forma explícita por apuntar la IA a los problemas más difíciles del mundo en desarrollo – la pobreza, la salud, la educación – en lugar de tratarlos como algo secundario a los productos comerciales.¹¹ El trabajo con el habla y el trabajo de desarrollo no son dos carreras. El sentido entero de enseñar a una máquina a entender el lenguaje hablado fue siempre este – una persona que no sabe leer, en una aldea sin luz eléctrica, haciéndole una pregunta a una máquina en su propia lengua y obteniendo la respuesta. La voz es el gran igualador porque es la interfaz que todo ser humano nace ya sabiendo usar.

El método

El método de Reddy es menos un eslogan que un conjunto de compromisos permanentes. Lee a través del trabajo con el habla, el instituto y los proyectos de desarrollo, y se repiten los mismos movimientos.

Convierte la restricción del usuario en la especificación del sistema. La decisión de diseño más profunda en la carrera de Reddy – perseguir el reconocimiento de voz durante décadas – se desprende directamente de un hecho sobre el usuario al que se dirigía: puede que no sepa leer. La interfaz no podía exigir nada, así que la máquina tenía que hacerlo todo. La lección general es encontrar la restricción más dura que enfrenta tu usuario menos atendido y dejar que ella gobierne la arquitectura, en lugar de diseñar para el usuario fácil y parchear lo demás. Esto es el producto mínimo digno leído desde la base de la pirámide hacia arriba.⁹

Cuando ninguna fuente es fiable, haz que muchas cooperen. El modelo de pizarra es un método, no solo un artefacto: deja de buscar el único oráculo que resuelve la incertidumbre y, en cambio, deja que fuentes de evidencia independientes y falibles publiquen en un espacio de trabajo compartido y converjan. Así es como Hearsay oía el habla; así es como un sistema moderno fusiona señales; así es, francamente, como funciona también una buena deliberación entre personas.³⁴

Construye sistemas, no demostraciones. La mención del Turing premia la construcción a gran escala. El estándar de Reddy nunca fue “¿funciona en el artículo?” sino “¿es un sistema que alguien pueda usar?”. Un resultado que no puede construirse ni desplegarse es, según su criterio, incompleto – la puerta de la evidencia aplicada a sistemas completos en lugar de a afirmaciones aisladas.²

Apunta la capacidad más avanzada hacia las personas menos atendidas. Este es el movimiento que hace que lo demás sea más que impresionante. La disciplina consiste en rechazar el gradiente por defecto – en el que la tecnología fluye hacia los ya atendidos – y apuntar deliberadamente la frontera hacia los mil millones más pobres. La capacidad sin un objetivo digno es un truco; la prueba de Steve de si el trabajo merece existir, respondida por para quién es.⁹

Rechaza el marco de la carencia. “Nunca me sentí privado de nada en absoluto.” Reddy diseña para los desatendidos sin condescendencia – los trata como personas a quienes les falta acceso, no capacidad. Ese respeto es en sí mismo un principio de diseño: construir la herramienta que los encuentre como iguales, en su propio idioma, en lugar de la cosa simplificada que supones que pueden manejar.⁹

Cadena de influencia

Quiénes lo formaron

John McCarthy. Reddy hizo su doctorado bajo la dirección del hombre que nombró el campo, en Stanford, en sus años fundacionales – llegando a la IA antes de que la IA hubiera resuelto qué era. Eso sitúa toda su cosmovisión en la fuente: aprendió la disciplina como algo que se construye, de la mano de las personas que la estaban inventando. (Influencia directa)

La aldea de la que venía. Katoor no es decorado de fondo. La decisión de dedicar una carrera de laureado con el Turing a los mil millones más pobres es ininteligible sin ella. El niño que fue el primero de su familia en terminar la escuela nunca dejó de diseñar para la gente que dejó atrás, y por eso su trabajo más técnico y su trabajo más humanitario son el mismo trabajo. (Influencia formativa)

El programa de Comprensión del Habla de DARPA. El empuje financiado, competitivo y guiado por plazos de la década de 1970 les dio a Reddy y a sus estudiantes la presión y los recursos para construir Hearsay y Harpy como sistemas reales y no como bocetos – el banco de pruebas donde se forjaron el modelo de pizarra y el reconocimiento de voz con búsqueda en haz. (Influencia directa)

A quiénes formó

El reconocimiento de voz moderno. Los sistemas de habla continua que Reddy y sus estudiantes construyeron en CMU establecieron las ideas – fuentes de conocimiento que cooperan, puntuación probabilística, búsqueda eficiente sobre enormes espacios de hipótesis – que funcionan, en forma evolucionada, debajo de cada asistente de voz y sistema de dictado de hoy. El trabajo alimenta directamente la accesibilidad como función de plataforma.

La arquitectura de pizarra, en todas partes. El patrón de fuentes de conocimiento independientes que cooperan sobre un espacio de trabajo compartido para resolver la incertidumbre superó al habla y se convirtió en un patrón general de diseño de IA, usado dondequiera que muchas señales parciales deban fusionarse en una sola respuesta.

Una generación de investigadores e instituciones. A través del Instituto de Robótica de CMU, la Escuela de Ciencias de la Computación, RGUKT e IIIT Hyderabad, Reddy formó no solo ideas, sino los lugares y las personas que las producen – en Estados Unidos y en India – lo cual es su propia clase de influencia, que se acumula a lo largo de décadas.

El hilo conductor

Reddy es donde el hilo de esta serie sobre para quién es la tecnología se encuentra con la maquinaria profunda de la IA. Grace Hopper hizo que la computadora hablara un lenguaje que los humanos pudieran leer, insistiendo en que la programación debía plegarse a las personas y no las personas a la máquina; Reddy es su imagen en el espejo – hizo que la computadora escuchara, para que las personas que no saben leer ni escribir pudieran aun así ser comprendidas. Tim Berners-Lee construyó una web pensada para todos, bajo el principio de que el acceso no debía depender del privilegio; Reddy empuja esa universalidad un escalón más abajo, hacia las personas que la propia web todavía excluye – las que no saben leer. Y donde Fei-Fei Li insiste en una IA centrada en el ser humano, Reddy es la prueba temprana de la doctrina: una IA diseñada, desde la primera restricción, en torno al ser humano que tiene menos. Hopper dice haz que la máquina hable como un humano; Berners-Lee dice haz que llegue a todos; Reddy dice haz que escuche a quienes nunca fueron alcanzados – y apunta el sistema más avanzado que puede construir hacia los mil millones más pobres. (Puente de la serie)

Lo que me llevo de esto

La lección que conservo de Reddy es que para quién construyes es una decisión de ingeniería, y debe venir primero. Es fácil tratar al usuario como un parámetro que ajustas al final – lanza la cosa potente, luego piensa en la accesibilidad, luego quizá localízala. Reddy lo hizo al revés. Tomó la restricción más dura que enfrentaba el usuario al que se dirigía – no sabe leer – y dejó que ese único hecho dictara el compromiso técnico más profundo de su carrera. La interfaz no podía exigir nada, así que pasó décadas enseñando a las máquinas a oír. Eso reordena cómo pienso en mi propio trabajo: no “¿qué puede hacer este sistema, y quién puede usarlo?”, sino “¿para quién es esto, y qué obliga eso a que el sistema sea?”. La especificación arranca en la base de la pirámide, no en la cima.

La segunda lección es más callada y trata de la ambición con un destino. Reddy persiguió la capacidad con tanto empeño como cualquier laureado del Turing – sistemas a gran escala, instituciones fundadas, décadas de investigación de frontera. Pero nunca dejó que qué tan potente flotara libre de a quién sirve. La cosa más avanzada que podía construir, apuntada deliberadamente hacia las personas que el resto de la industria olvida. Esa es la disciplina que quiero tomar prestada: rechazar el gradiente por defecto en el que la tecnología fluye cuesta arriba hacia los que ya están cómodos. Construye la cosa de frontera, y luego apúntala hacia abajo. Es la calidad es la única variable con una conciencia adherida – la pregunta no es solo “¿es excelente?”, sino “¿es excelente para las personas que más lo necesitaban?”. Reddy dedicó una carrera entera a demostrar que esas pueden ser la misma pregunta.

Preguntas frecuentes

¿Cuál es la filosofía de ingeniería de Raj Reddy?

Que la tecnología más avanzada debe apuntarse hacia las personas que el resto de la informática deja fuera, y que la manera de garantizarlo es convertir al usuario menos atendido en la especificación de diseño. Para Reddy eso significaba el habla: como los aproximadamente 2.500 millones de personas no alfabetizadas del mundo no pueden leer ni escribir, la única interfaz que no les exige nada es la voz humana. Por eso dedicó su carrera al problema profundamente técnico del reconocimiento de habla continua precisamente porque le importaban las personas más pobres – la ingeniería y la misión son el mismo proyecto.¹⁹

¿Por qué ganó Raj Reddy el Premio Turing?

En 1994, Reddy compartió el Premio Turing A.M. de la ACM con Edward Feigenbaum “por ser pioneros en el diseño y la construcción de sistemas de inteligencia artificial a gran escala, demostrando la importancia práctica y el posible impacto comercial de la tecnología de inteligencia artificial”.¹² El premio reconoce construir sistemas reales a gran escala en lugar de un único teorema – Reddy por la comprensión del habla, Feigenbaum por los sistemas expertos. Reddy fue la primera persona de origen asiático en recibir el premio.⁵

¿Qué es el modelo de pizarra en la IA?

El modelo de pizarra, materializado en el sistema de habla Hearsay-II de Reddy, es una arquitectura en la que varias “fuentes de conocimiento” independientes – acústica, fonética, léxica, sintáctica – cooperan publicando hipótesis, cada una con una puntuación de confianza, en un espacio de trabajo compartido llamado la pizarra.³⁴ Ninguna fuente por sí sola es lo bastante fiable como para resolver la ambigüedad del habla, pero juntas convergen en la interpretación más plausible. El patrón resultó ser general: se convirtió en una forma estándar, a lo largo de la IA, de fusionar muchas fuentes de evidencia parciales e inciertas en una sola respuesta.

¿Qué fueron Hearsay y Harpy?

Fueron los pioneros sistemas de habla continua que Reddy y sus estudiantes construyeron en Carnegie Mellon dentro del programa de Comprensión del Habla de DARPA de la década de 1970. Hearsay-I fue el primer sistema capaz de reconocer habla continua; Hearsay-II le dio a esa capacidad la perdurable arquitectura de pizarra de fuentes de conocimiento que cooperan.¹³ Harpy (Lowerre y Reddy, ~1976) compiló todo el conocimiento lingüístico en una gran red y la recorrió con búsqueda en haz (beam search) – conservando solo los caminos más prometedores en cada paso – manejando un vocabulario de 1.011 palabras y convirtiéndose en el primer sistema en entender habla continua con menos del diez por ciento de error en un tiempo casi real.⁸

Fuentes