Pregunta difícil. No tiene una respuesta directa y tiene el potencial de ser un problema de investigación para un par de estudiantes de posgrado. Pero intentaré abordarlo (aunque de una manera muy superficial).
Antes de llegar realmente al meollo del problema, primero debemos adquirir datos, es decir, sonidos de pájaros. Si las aves no están cautivas, esta podría ser una tarea extremadamente difícil. Primero tenemos que filtrar las voces (!) De aves de la especie de interés.
Una vez que tenemos suficientes datos, el resto se reduce al procesamiento de señales y al reconocimiento de patrones. Pero aquí hay un gran problema, ¡realmente grande! ¿Qué es lo que quieres identificar?
- ¿Por qué la gente no podía montar pájaros?
- ¿Las aves voladoras dentro y fuera del avión tienen el mismo peso?
- ¿Dónde viven las golondrinas en el verano?
- ¿Son las gallinas mejores que los loros como mascota?
- ¿Cuáles son algunos buenos fotógrafos o artistas que comúnmente representan pájaros?
Permítanme dar un ejemplo (en el dominio del procesamiento de imágenes). Supongamos que queremos detectar todos los objetos en movimiento en un video. El objetivo es claro aquí, sabemos lo que significa el movimiento, sabemos cómo se captura en un video. Este conocimiento previo del dominio se aplica para realizar la detección de objetos.
Sin embargo, en caso de reconocimiento de voz de pájaro, no sabemos qué queremos buscar. Aquí viene la necesidad de expertos en dominios. Muchas personas pueden identificar diferentes llamadas de pájaros. Se ha observado que las llamadas de los pájaros varían para cada acción (¡obviamente correcto! Así es como se comporta el habla humana).
Si somos capaces de transferir el conocimiento de los expertos en dominios a la computadora mediante el desarrollo de una buena función, ahora todo es reconocimiento de patrones.
Espero que la respuesta tenga sentido!
