Colaboración en la investigación sobre inteligencia artificial
MLCommons, una organización sin ánimo de lucro enfocada en la seguridad de la inteligencia artificial, se ha asociado con Hugging Face, una plataforma de desarrollo de inteligencia artificial, para lanzar uno de los mayores conjuntos de grabaciones de voz de dominio público del mundo. Este conjunto de datos, denominado \»Unsupervised People’s Speech\» (UPS), contiene más de un millón de horas de audio en al menos 89 idiomas.
Objetivos del proyecto
El objetivo principal de esta iniciativa es apoyar la investigación y el desarrollo en diversas áreas de la tecnología del habla. La idea es respaldar el procesamiento del lenguaje natural en idiomas distintos al inglés, favoreciendo la creación de tecnologías de comunicación más inclusivas a nivel mundial. Esto incluye mejorar modelos de habla para lenguas con pocos recursos, mejorar el reconocimiento del habla en diferentes acentos y dialectos, y desarrollar nuevas aplicaciones en la síntesis de voz.
Riesgos implícitos del conjunto de datos
Sin embargo, el uso de conjuntos de datos como UPS no está exento de riesgos. Uno de los problemas principales es el sesgo potencial en los datos. La mayoría de las grabaciones proceden de Archive.org, donde muchas contribuciones son de hablantes de inglés de Estados Unidos. Esto podría causar que los modelos de inteligencia artificial así entrenados presenten dificultades para transcribir inglés hablado por no nativos o generen voces sintéticas en otros idiomas.
Problemas de derechos de autor y privacidad
También hay preocupaciones sobre el uso no autorizado de las grabaciones. Aunque MLCommons asegura que todas las grabaciones están en dominio público o bajo licencias Creative Commons, es posible que haya errores. Según un análisis del MIT, muchos conjuntos de datos de entrenamiento de inteligencia artificial disponibles públicamente carecen de información de licencia y contienen errores. Esto plantea preguntas sobre los derechos de los creadores y si deberían ser responsables de optar por no participar en estos datasets.
Compromisos futuros
A pesar de las preocupaciones, MLCommons se compromete a actualizar, mantener y mejorar la calidad de UPS. Pero dadas las posibles imperfecciones, se aconseja a los desarrolladores que actúen con precaución al utilizar este conjunto de datos para desarrollar sistemas de inteligencia artificial.
