Filosofia de engenharia: Raj Reddy, tecnologia para o bilhão da base

Principais conclusões

• Construa a interface que dispensa a alfabetização. Reddy passou a carreira ensinando máquinas a entender a fala humana – os primeiros sistemas de fala contínua, depois o Hearsay e o Harpy – porque a fala é a única interface que não exige nada do usuário. Você não precisa saber ler, digitar ou ter um teclado para falar. Para os cerca de 2,5 bilhões de pessoas no mundo que não sabem ler, a voz não é uma conveniência; é a única porta de entrada para o conhecimento do mundo.¹⁹
• Ele ganhou o Prêmio Turing por tornar a IA real em escala. Em 1994, Reddy dividiu o ACM A.M. Turing Award com Edward Feigenbaum “por ser pioneiro no projeto e na construção de sistemas de inteligência artificial em larga escala, demonstrando a importância prática e o potencial impacto comercial da tecnologia de inteligência artificial”. Ele foi a primeira pessoa de origem asiática a receber o prêmio.¹²
• O modelo de blackboard é sua contribuição silenciosa e universal. O Hearsay-II coordenava fontes de conhecimento independentes – acústica, fonética, lexical, sintática – deixando que cooperassem em um espaço de trabalho compartilhado, o “blackboard” (quadro-negro). Essa arquitetura extrapolou a fala e se tornou um padrão geral para combinar muitas fontes de evidência em uma única resposta, que é exatamente o que uma stack de IA moderna ainda faz.³⁴
• De uma aldeia sem luz elétrica ao primeiro PhD em IA sob orientação de McCarthy. Nascido em Katoor, Andhra Pradesh, em 1937, o primeiro da família a concluir os estudos, Reddy foi de Guindy a New South Wales até um PhD em Stanford em 1966 sob orientação de John McCarthy, e então construiu os sistemas mais ambiciosos da área na Carnegie Mellon – e os apontou de volta para pessoas como aquelas com quem cresceu.⁵⁶⁹

O princípio

“Qualquer coisa que você faça com a mente, você pode fazer de forma mais rápida, melhor e mais barata usando computadores… Poderíamos direcionar essa produtividade extra para áreas onde há uma grande necessidade social.” – Raj Reddy⁹

A maior parte da tecnologia avançada escorre de cima para baixo. Ela é construída para quem já pode pagá-la – os alfabetizados, os conectados, os que têm um dispositivo e um plano de dados – e só chega a todos os outros anos depois, diluída, se é que chega. Reddy inverteu o alvo. Sua convicção era que a IA mais avançada deveria mirar nas pessoas que o resto da computação deixa de fora: os não alfabetizados, os pobres das áreas rurais, o que os economistas do desenvolvimento chamam de bilhão da base. Não como caridade pregada num produto pronto, mas como a restrição de projeto que vem primeiro.⁹

O princípio tem uma consequência precisa para a engenharia, e é o fio que atravessa tudo o que ele construiu: a interface não pode exigir nada que o usuário já não tenha. Um teclado exige alfabetização e um alfabeto latino. Uma tela sensível ao toque exige um dispositivo e a familiaridade com ícones para navegar nele. A fala não exige nada. Todo ser humano capaz de falar já tem a interface completa instalada desde o nascimento, em sua própria língua. Então, se você quer colocar o conhecimento do mundo ao alcance de alguém que nunca aprendeu a ler, você não ensina essa pessoa a ler – você ensina a máquina a ouvir. É por isso que um homem que se importava com as pessoas mais pobres da Terra passou décadas no problema profundamente técnico do reconhecimento de fala contínua. Os dois são o mesmo projeto.¹⁹

É isso que torna Reddy incomum entre os gigantes da IA. O prestígio da área flui para a capacidade – modelos maiores, benchmarks mais difíceis, desempenho sobre-humano. Reddy perseguiu a capacidade com tanto afinco quanto qualquer um, construindo sistemas ambiciosos o suficiente para vencer o Prêmio Turing. Mas ele nunca separou o quão poderoso do para quem é. A voz como a grande niveladora; grandes sistemas de IA construídos para servir as pessoas na base da pirâmide. A tecnologia precisa alcançar as pessoas deixadas de fora – e a forma de garantir isso é fazer das pessoas deixadas de fora a especificação.

Contexto

Dabbala Rajagopal Reddy nasceu em 13 de junho de 1937 em Katoor, uma aldeia no que hoje é Andhra Pradesh, na Índia. Foi o primeiro da família a cursar a faculdade – o primeiro, num sentido importante, a sair da órbita da aldeia.⁵⁶ Décadas depois, perguntado sobre essa infância, ele recusou o enquadramento da privação: “O céu era lindamente claro, e eu conseguia ver todas as estrelas. As pessoas me perguntam: ‘Meu Deus, você era tão pobre assim?’ Mas eu nunca me senti privado de nada.”⁹ Essa frase importa para a engenharia, porque o homem que projetou para o bilhão da base não estava projetando para uma abstração. Ele estava projetando para as pessoas de onde veio, e não as via como carentes de coisa alguma a não ser de acesso.

O caminho para fora passou pela engenharia. Ele fez o bacharelado no College of Engineering, Guindy (Universidade de Madras) em 1958, depois um mestrado na Universidade de New South Wales em Sydney em 1960, trabalhando para a IBM na Austrália antes de cruzar o Pacífico.⁵⁶ Em Stanford obteve um mestrado em 1964 e, em 1966, um PhD em ciência da computação sob orientação de John McCarthy – o homem que havia cunhado o termo “inteligência artificial” uma década antes. Reddy é amplamente descrito como a primeira pessoa a obter um PhD em IA sob orientação de McCarthy, o que o coloca na nascente literal da área.⁵⁶

Ele permaneceu em Stanford como docente (1966-69), e então fez a mudança que definiu o resto de sua vida: em 1969 ingressou na Carnegie Mellon University, onde permanece desde então.⁶ Na CMU construiu os sistemas de fala que lhe deram nome, fundou o Robotics Institute em 1979 (o primeiro departamento de robótica de qualquer universidade dos EUA), atuou como reitor da School of Computer Science (1991-99) e tornou-se Moza Bint Nasser University Professor de Ciência da Computação e Robótica.⁵⁶⁷ Stanford lhe deu a linhagem mais pura da área. A Carnegie Mellon lhe deu a liberdade de construir sistemas grandes, confusos e reais – e de gastar a credibilidade de um Prêmio Turing com uma população para quem ninguém mais na IA estava construindo.

O trabalho

Reconhecimento de fala: Hearsay, o modelo de blackboard e o Harpy

Comece pela parte difícil, porque é onde o princípio se torna matemática. A fala humana é um fluxo contínuo de som sem intervalos limpos entre as palavras – os silêncios que você acha que ouve entre as palavras são, em sua maior parte, uma ilusão que o seu cérebro fornece. Pior: o mesmo sinal acústico pode ser recortado em palavras diferentes. O exemplo clássico é que “recognize speech” e “wreck a nice beach” soam quase idênticas. Apenas pelo áudio bruto, as duas leituras pontuam praticamente igual; a máquina genuinamente não consegue dizer qual delas você quis dizer. O widget abaixo permite que você ouça essa ambiguidade se desfazer.

A percepção de Reddy, desenvolvida com seus alunos na CMU ao longo da década de 1970 no âmbito do programa Speech Understanding Research da DARPA, foi a de que nenhuma fonte de conhecimento isolada consegue resolver essa ambiguidade, mas várias fontes cooperando entre si conseguem. A acústica diz quais sons estão presentes. Um modelo fonético mapeia sons para candidatos a fonemas. Um léxico restringe quais sequências de fonemas são palavras reais. Uma gramática restringe quais sequências de palavras são frases plausíveis. Cada uma é pouco confiável sozinha; juntas, elas fixam a resposta. A questão era como fazer fontes independentes e pouco confiáveis cooperarem.

A resposta dele foi o modelo de blackboard, concretizado no Hearsay-II. Imagine um painel de especialistas em torno de um quadro-negro compartilhado. Cada um fica atento a algo que entende – um fonema, uma palavra, uma frase – e, quando pode contribuir, escreve uma hipótese no quadro com uma pontuação de confiança. Outros especialistas leem o quadro, constroem sobre o que veem e escrevem suas próprias hipóteses. Nenhum especialista está no comando; nenhum pipeline fixo os força a uma ordem. A interpretação correta emerge de muitas contribuições parciais e probabilísticas cooperando sobre um espaço de trabalho comum. O subtítulo do artigo publicado diz exatamente isso: integrando conhecimento para resolver a incerteza.³⁴ O Hearsay-I, que veio antes, foi o primeiro sistema capaz de reconhecer fala contínua; o Hearsay-II deu a essa capacidade sua arquitetura duradoura.¹³

Em paralelo ao Hearsay rodava o Harpy (Bruce Lowerre e Reddy, por volta de 1976), que fez a aposta oposta e se mostrou igualmente influente. Em vez de fontes independentes escrevendo num quadro compartilhado, o Harpy compilava todo o conhecimento – vocabulário, gramática, pronúncia – em uma única rede enorme de todas as expressões que o sistema poderia possivelmente ouvir, e então buscava nessa rede com beam search: a cada passo, manter apenas o punhado de caminhos mais promissores e podar o resto, de modo que a busca permaneça tratável mesmo sendo o espaço vasto.⁸ O Harpy lidava com um vocabulário de 1.011 palavras e foi o primeiro sistema a entender fala contínua com menos de dez por cento de erro em tempo quase real.⁸ O blackboard do Hearsay deu à IA uma forma de combinar fontes de conhecimento; o beam search do Harpy lhe deu uma forma de buscar o espaço combinado de modo eficiente. As duas ideias ainda sustentam estruturas – a cooperação de evidências e a poda disciplinada de possibilidades estão por baixo do reconhecimento de fala em todo celular hoje.

O Robotics Institute da CMU

Em 1979, Reddy fundou o Robotics Institute na Carnegie Mellon e atuou como seu primeiro diretor – o primeiro departamento de robótica de qualquer universidade dos Estados Unidos.⁵⁶⁷ É fácil ler isso como um capítulo à parte, uma guinada da fala para as máquinas. É melhor lê-lo como o mesmo instinto ampliado. O reconhecimento de fala é o problema de uma máquina perceber e interpretar um sinal confuso, contínuo e do mundo real sob profunda incerteza. A robótica é esse mesmo problema com o resto do mundo físico acrescentado: visão, movimento, manipulação, tudo ruidoso, tudo ambíguo, tudo exigindo que muitas fontes imperfeitas de informação sejam fundidas em uma única decisão.

O instinto do blackboard – muitas fontes de conhecimento cooperando para resolver a incerteza em conjunto – é exatamente o que um robô autônomo precisa para dar sentido ao seu entorno. Ao construir uma instituição em vez de apenas um laboratório, Reddy fez algo que um pesquisador isolado não pode: criou um lugar onde a integração de percepção, aprendizado e ação pudesse ser perseguida por décadas por centenas de pessoas. O Robotics Institute tornou-se um dos centros mais importantes da área, e é uma expressão estrutural da mesma convicção que move seu trabalho com a fala – a de que os problemas interessantes são os do sistema como um todo, em que muitas partes precisam cooperar para lidar com um mundo que não chega previamente rotulado.

O Prêmio Turing de 1994 e os sistemas de IA em larga escala

Em 1994, Reddy e Edward Feigenbaum dividiram o ACM A.M. Turing Award – a maior honraria da computação – com uma citação que vale a pena ler com atenção: “por ser pioneiro no projeto e na construção de sistemas de inteligência artificial em larga escala, demonstrando a importância prática e o potencial impacto comercial da tecnologia de inteligência artificial.”¹² Reddy foi a primeira pessoa de origem asiática a receber o Prêmio Turing.⁵

Reflita sobre o que a citação premia. Não um teorema. Não um único algoritmo. O projeto e a construção de sistemas em larga escala e a demonstração de sua importância prática. Feigenbaum havia mostrado que a IA podia capturar e aplicar conhecimento especializado em domínios reais; Reddy havia mostrado que a IA podia perceber e entender o mundo humano real e confuso da fala contínua. Juntos, eles tiraram a IA da demonstração de laboratório e a levaram ao sistema em funcionamento – a prova de que essas ideias podiam ser construídas em escala e importariam fora da academia.¹² Essa ênfase no construído, em escala, para uso real é o tom inteiro da carreira de Reddy. Ele nunca se contentou com um resultado que só existisse no papel. O objetivo sempre foi um sistema que alguém pudesse de fato usar – que é, claro, o mesmo impulso que o leva na direção das pessoas que têm o mínimo.

Tecnologia para o bilhão da base: o Million Book Project, a RGUKT e a divisão digital

Aqui o princípio vem totalmente à tona. Tendo conquistado a maior honraria da área por construir grandes sistemas de IA, Reddy passou a segunda metade da carreira apontando essa capacidade para as pessoas que a indústria de tecnologia esquece rotineiramente. Ele copresidiu o President’s Information Technology Advisory Committee (PITAC) dos EUA de 1999 a 2001, moldando as prioridades nacionais de pesquisa de dentro do governo.⁵ Mas seus projetos mais característicos foram construídos para o mundo em desenvolvimento.

A Universal Digital Library / Million Book Project, que Reddy liderou na Carnegie Mellon a partir de 2001, propôs-se a digitalizar um milhão de livros e disponibilizá-los gratuitamente on-line, com um foco deliberado em populações multilíngues e desassistidas – o conhecimento do mundo, digitalizado, para pessoas que nunca tinham tido uma biblioteca. Em dezembro de 2007, já havia digitalizado mais de 1,5 milhão de livros em cerca de 20 idiomas, em parceria com instituições da Índia, China e Egito.¹⁰ A Rajiv Gandhi University of Knowledge Technologies (RGUKT), que Reddy foi fundamental em criar e da qual foi o chanceler fundador, foi construída especificamente “para atender às necessidades educacionais dos jovens rurais talentosos e de baixa renda” da Índia – estudantes como o menino de Katoor que por acaso conseguiu sair.⁵⁶ Ele também foi presidente fundador do International Institute of Information Technology (IIIT) Hyderabad e recebeu o Padma Bhushan, uma das mais altas honrarias civis da Índia, em 2001.⁵

A lógica que conecta tudo é aquela à qual ele sempre retorna: “Para os 2,5 bilhões de analfabetos no mundo, [Reddy] busca aplicar sua tecnologia de reconhecimento de fala para ajudá-los a acessar o conhecimento do mundo pela internet.”¹ Ele defendeu explicitamente apontar a IA para os problemas mais difíceis do mundo em desenvolvimento – pobreza, saúde, educação – em vez de tratá-los como uma reflexão tardia em relação a produtos comerciais.¹¹ O trabalho com a fala e o trabalho com o desenvolvimento não são duas carreiras. O propósito inteiro de ensinar uma máquina a entender a linguagem falada sempre foi este – uma pessoa que não sabe ler, em uma aldeia sem luz elétrica, fazendo a uma máquina uma pergunta em sua própria língua e obtendo a resposta. A voz é a grande niveladora porque é a interface que todo ser humano já nasce sabendo usar.

O método

O método de Reddy é menos um lema do que um conjunto de compromissos permanentes. Leia transversalmente o trabalho com a fala, o instituto e os projetos de desenvolvimento, e os mesmos movimentos se repetem.

Faça da restrição do usuário a especificação do sistema. A decisão de projeto mais profunda da carreira de Reddy – perseguir o reconhecimento de fala por décadas – decorre diretamente de um fato sobre o usuário pretendido: ele pode não saber ler. A interface não podia exigir nada, então a máquina tinha que fazer tudo. A lição geral é encontrar a restrição mais difícil que o seu usuário menos atendido enfrenta e deixá-la conduzir a arquitetura, em vez de projetar para o usuário fácil e remendar o resto. Este é o produto minimamente digno lido da base da pirâmide para cima.⁹

Quando nenhuma fonte isolada é confiável, faça muitas cooperarem. O modelo de blackboard é um método, não apenas um artefato: pare de caçar o único oráculo que resolve a incerteza e, em vez disso, deixe fontes de evidência independentes e falíveis escreverem num espaço de trabalho compartilhado e convergirem. Foi assim que o Hearsay ouviu a fala; é assim que um sistema moderno funde sinais; é, francamente, como a boa deliberação também funciona entre as pessoas.³⁴

Construa sistemas, não demonstrações. A citação do Turing premia a construção em escala. O padrão de Reddy nunca foi “funciona no papel?”, mas “é um sistema que alguém consegue usar?”. Um resultado que não pode ser construído e implantado é, segundo o critério dele, incompleto – a barreira de evidências aplicada a sistemas inteiros, e não a alegações isoladas.²

Aponte a capacidade mais avançada para as pessoas menos atendidas. Este é o movimento que torna o resto mais do que impressionante. A disciplina é recusar o gradiente padrão – em que a tecnologia flui para os já atendidos – e deliberadamente apontar a fronteira para o bilhão da base. Capacidade sem um alvo digno é uma proeza vazia; é o teste de Steve sobre se o trabalho merece existir, respondido por para quem ele é.⁹

Recuse o enquadramento da privação. “Eu nunca me senti privado de nada.” Reddy projeta para os desassistidos sem condescendência – ele os trata como pessoas a quem falta acesso, não capacidade. Esse respeito é, em si, um princípio de projeto: construa a ferramenta que os encontra como iguais, em sua própria língua, em vez da coisa simplificada que você presume que eles conseguem lidar.⁹

Cadeia de influência

Quem o moldou

John McCarthy. Reddy fez seu PhD sob orientação do homem que batizou a área, em Stanford, em seus anos de fundação – chegando à IA antes de a IA ter decidido o que era. Isso situa toda a sua visão de mundo na origem: ele aprendeu a disciplina como algo que se constrói, com as próprias pessoas que a estavam inventando. (Influência direta)

A aldeia de onde veio. Katoor não é cenário de fundo. A decisão de gastar uma carreira de laureado com o Turing com o bilhão da base é ininteligível sem ela. O menino que foi o primeiro da família a concluir os estudos nunca parou de projetar para as pessoas que deixou para trás, e é por isso que seu trabalho mais técnico e seu trabalho mais humanitário são o mesmo trabalho. (Influência formativa)

O programa Speech Understanding da DARPA. O empurrão financiado, competitivo e movido a prazos da década de 1970 deu a Reddy e a seus alunos a pressão e os recursos para construir o Hearsay e o Harpy como sistemas reais, e não como esboços – o campo de provas onde foram forjados o modelo de blackboard e o reconhecimento de fala por beam search. (Influência direta)

Quem ele moldou

O reconhecimento de fala moderno. Os sistemas de fala contínua que Reddy e seus alunos construíram na CMU estabeleceram as ideias – fontes de conhecimento cooperando, pontuação probabilística, busca eficiente em espaços enormes de hipóteses – que rodam, em forma evoluída, por baixo de todo assistente de voz e sistema de ditado de hoje. O trabalho alimenta diretamente a acessibilidade como recurso de plataforma.

A arquitetura de blackboard, em toda parte. O padrão de fontes de conhecimento independentes cooperando em um espaço de trabalho compartilhado para resolver a incerteza extrapolou a fala e se tornou um padrão geral de projeto em IA, usado sempre que muitos sinais parciais precisam ser fundidos em uma única resposta.

Uma geração de pesquisadores e instituições. Por meio do Robotics Institute da CMU, da School of Computer Science, da RGUKT e do IIIT Hyderabad, Reddy moldou não apenas ideias, mas os lugares e as pessoas que as produzem – nos EUA e na Índia – o que é um tipo próprio de influência, que se acumula ao longo de décadas.

O fio condutor

Reddy é onde o fio desta série sobre para quem a tecnologia existe encontra a maquinaria profunda da IA. Grace Hopper fez o computador falar uma linguagem que os humanos pudessem ler, insistindo que a programação deveria se curvar às pessoas, e não as pessoas à máquina; Reddy é a imagem espelhada dela – ele fez o computador ouvir, para que as pessoas que não sabem ler ou digitar ainda pudessem ser entendidas. Tim Berners-Lee construiu uma web destinada a todos, sob o princípio de que o acesso não deveria depender de privilégio; Reddy empurra essa universalidade um degrau mais abaixo, até as pessoas que a própria web ainda exclui – aquelas sem alfabetização. E onde Fei-Fei Li insiste numa IA centrada no ser humano, Reddy é a prova precoce da doutrina: IA projetada, desde a primeira restrição, em torno do ser humano que tem o mínimo. Hopper diz para fazer a máquina falar a língua humana; Berners-Lee diz para fazê-la alcançar todos; Reddy diz para fazê-la ouvir aqueles que nunca foram alcançados – e aponta o sistema mais avançado que consegue construir para o bilhão da base. (Ponte da série)

O que eu tiro disso

A lição que guardo de Reddy é que para quem você constrói é uma decisão de engenharia, e ela deveria vir primeiro. É fácil tratar o usuário como um parâmetro que você ajusta no final – lance a coisa poderosa, depois pense na acessibilidade, depois talvez localize-a. Reddy fez o contrário. Ele pegou a restrição mais difícil que seu usuário pretendido enfrentava – ele não sabe ler – e deixou esse único fato ditar o compromisso técnico mais profundo de sua carreira. A interface não podia exigir nada, então ele passou décadas ensinando máquinas a ouvir. Isso reordena o modo como penso sobre o meu próprio trabalho: não “o que este sistema consegue fazer, e quem consegue usá-lo”, mas “para quem isto é, e o que isso obriga o sistema a ser”. A especificação começa na base da pirâmide, não no topo.

A segunda lição é mais silenciosa e diz respeito à ambição com um destino. Reddy perseguiu a capacidade com tanto afinco quanto qualquer laureado com o Turing – sistemas em larga escala, instituições fundadas, décadas de pesquisa de fronteira. Mas ele nunca deixou o quão poderoso flutuar solto do para quem serve. A coisa mais avançada que ele conseguia construir, apontada deliberadamente para as pessoas que o resto da indústria esquece. Essa é a disciplina que quero tomar emprestada: recusar o gradiente padrão em que a tecnologia flui ladeira acima rumo aos já confortáveis. Construa a coisa de fronteira e então aponte-a para baixo. É a qualidade é a única variável com uma consciência acoplada – a pergunta não é apenas “isto é excelente?”, mas “isto é excelente para as pessoas que mais precisavam disso?”. Reddy passou uma carreira inteira provando que essas podem ser a mesma pergunta.

FAQ

Qual é a filosofia de engenharia de Raj Reddy?

A de que a tecnologia mais avançada deveria mirar nas pessoas que o resto da computação deixa de fora, e que a forma de garantir isso é fazer do usuário menos atendido a especificação de projeto. Para Reddy isso significou a fala: como os cerca de 2,5 bilhões de pessoas não alfabetizadas do mundo não sabem ler nem digitar, a única interface que não exige nada delas é a voz humana. Então ele passou a carreira no problema profundamente técnico do reconhecimento de fala contínua precisamente porque se importava com as pessoas mais pobres – a engenharia e a missão são o mesmo projeto.¹⁹

Por que Raj Reddy ganhou o Prêmio Turing?

Em 1994, Reddy dividiu o ACM A.M. Turing Award com Edward Feigenbaum “por ser pioneiro no projeto e na construção de sistemas de inteligência artificial em larga escala, demonstrando a importância prática e o potencial impacto comercial da tecnologia de inteligência artificial”.¹² O prêmio reconhece a construção de sistemas reais em escala em vez de um único teorema – Reddy pela compreensão de fala, Feigenbaum pelos sistemas especialistas. Reddy foi a primeira pessoa de origem asiática a receber o prêmio.⁵

O que é o modelo de blackboard em IA?

O modelo de blackboard, concretizado no sistema de fala Hearsay-II de Reddy, é uma arquitetura em que várias “fontes de conhecimento” independentes – acústica, fonética, lexical, sintática – cooperam escrevendo hipóteses, cada uma com uma pontuação de confiança, num espaço de trabalho compartilhado chamado blackboard.³⁴ Nenhuma fonte isolada é confiável o bastante para resolver a ambiguidade da fala, mas, juntas, elas convergem para a interpretação mais plausível. O padrão se mostrou geral: tornou-se uma forma padrão, em toda a IA, de fundir muitas fontes de evidência parciais e incertas em uma única resposta.

O que foram o Hearsay e o Harpy?

Foram os pioneiros sistemas de fala contínua que Reddy e seus alunos construíram na Carnegie Mellon no âmbito do programa Speech Understanding da DARPA, na década de 1970. O Hearsay-I foi o primeiro sistema capaz de reconhecer fala contínua; o Hearsay-II deu a essa capacidade a duradoura arquitetura de blackboard de fontes de conhecimento cooperando.¹³ O Harpy (Lowerre e Reddy, por volta de 1976) compilava todo o conhecimento linguístico em uma única rede grande e a buscava com beam search – mantendo apenas os caminhos mais promissores a cada passo – lidando com um vocabulário de 1.011 palavras e tornando-se o primeiro sistema a entender fala contínua com menos de dez por cento de erro em tempo quase real.⁸

Fontes