Por qué el antiguo reCAPTCHA te pedía dos palabras

Las dos palabras tenían trabajos distintos

Imagina que estás a punto de enviar un formulario y aparecen dos palabras retorcidas. Para el sistema, solo una tiene ya una respuesta registrada. La otra sale de una página escaneada y su lectura sigue pendiente. En el antiguo reCAPTCHA, acertar la palabra de control hacía que el sistema guardara lo que escribías para la otra como una posible lectura. El orden se elegía al azar en cada reto. [2]

El artículo en el que Luis von Ahn, Benjamin Maurer, Colin McMillen, David Abraham y Manuel Blum explicaron su diseño en 2008 muestra una pareja real. La lectura pendiente era «morning» y el control, «overlooks». Las dos palabras aparecían deformadas. Lo que las distinguía era el uso que el sistema hacía de cada respuesta. [2]

Un CAPTCHA es una prueba que intenta distinguir la actividad humana de la automatizada. Entre las primeras formulaciones del concepto está la que publicaron en 2003 von Ahn, Blum, Nicholas Hopper y John Langford. En aquellos años, deformar caracteres podía dificultar el trabajo de un programa que intentara abrir cuentas de correo en masa para enviar spam. El equipo de reCAPTCHA aprovechó ese pequeño esfuerzo de lectura para resolver otro problema. [1] [2]

La página ya estaba escaneada

Escanear una página produce una imagen. Si quieres buscar un apellido en un periódico, necesitas además una transcripción que permita al buscador localizarlo. Ahí entra el reconocimiento óptico de caracteres, u OCR. Un programa analiza las formas de la imagen y propone letras y palabras. Con tinta desvaída o una imagen de mala calidad, puede confundir letras, separar mal las palabras o saltarse alguna. [2] [3]

El equipo comparaba las lecturas de dos programas de OCR y las cotejaba con un diccionario de inglés. Si los programas discrepaban o una lectura quedaba fuera del diccionario, el sistema marcaba la palabra para revisarla. El recorte de esa palabra era una tarea lo bastante pequeña como para repartirla entre personas que estaban haciendo otra cosa en la web. [2]

Acertar el control daba paso a una propuesta

Volvamos a las dos palabras. Si escribías bien la de control, el sistema guardaba tu otra respuesta como una lectura plausible. Habías resuelto la parte que podía comprobar en ese momento. Para la palabra pendiente, aún quedaba por averiguar si otras lecturas respaldaban la tuya. El mismo recorte llegaba a más personas, cada vez con una deformación diferente. [2]

Las lecturas humanas pesaban más que las de los dos programas. En la regla que describe el estudio, cada respuesta humana valía un voto y cada propuesta de OCR, medio. Una lectura necesitaba al menos dos votos y medio. Por ejemplo, podían bastar dos personas si una de las máquinas había propuesto lo mismo. Los participantes también podían pedir otra pareja y el sistema podía dar una palabra por ilegible si acumulaba suficientes rechazos. [2]

Qué consiguió aquella mezcla

En 2008, los autores compararon el resultado con una transcripción profesional de referencia en 50 artículos escaneados de The New York Times. En esa muestra de 24.080 palabras, el proceso completo de reCAPTCHA acertó el 99,1 % de las palabras, frente al 83,5 % de uno de los programas de OCR que usaron para comparar. Las cifras corresponden a ese conjunto de textos y a esos programas. Miden la calidad de la transcripción obtenida entre máquinas y personas. [2]

Incluso con varias lecturas por recorte, la página podía llegar al final con errores. Uno de los problemas más frecuentes ocurría al separar las palabras en la imagen. Los dos programas podían omitir la misma palabra. Entonces no había recorte que enviar. También conviene mirar el reto desde el formulario. Si el formulario dependía solo de ese reto visual, podía dejar sin acceso a personas que necesitaban un lector de pantalla o tenían dificultades para distinguir esas letras. [2] [4]

Una idea de aquella época

Google documenta que la versión v1 de reCAPTCHA dejó de funcionar en marzo de 2018. La pareja de palabras pertenece a esa historia. Mientras intentabas avanzar en una web, una de tus respuestas podía ayudar a recuperar una palabra de otra página, una impresa quizá décadas antes. [5] [2]

La pista sobre Luis von Ahn y el CAPTCHA aparece alrededor del minuto 2:10 del concurso de La Ciencia de Jaun, según la transcripción automática consultada. La explicación de cómo se combinaban las dos palabras y qué midió el equipo procede de las fuentes que acompañan este artículo. [6]