(Kiemelt kép: Unsplash+)
Mit érez, amikor meglátja egy termék árcéduláját a szupermarketben? Lehet, hogy nem veszi észre, de a gépek képesek leolvasni az emberi kifejezéseknek ezeket a hihetetlenül árnyalt finomságait, és a kiskereskedők ezt a saját előnyükre fordíthatják (ha akarják és van rá lehetőségük). Egy speciális szoftverprogrammal feltöltött eszköz képes megjósolni, hogy az ember frusztrációból vagy örömből mosolyog-e. Az ember-gép interakció túllépett a sci-fi fantáziák birodalmán, és valósággá vált. Az érzelmileg tudatos gépek megjelenése elmosódott az ember és gép közötti szakadék, és ez most újradefiniálja azt, ahogyan az emberek a technológiát megtapasztalják.
Mi is az affektív számítástechnika?
Az érzelmi mesterséges intelligencia (Emotion AI), más néven affektív számítástechnika arról szól, hogy a mesterséges intelligencia hogyan képes dekódolni az ember érzelmi állapotát az arckifejezések, például a fejmozgás, az arc torzulásai, az állkapocs mozgása, a beszédminta elemzésével. Az emberi érzelmeket egy programozott mesterséges intelligencia neurális hálózat segítségével érzékeli, felismeri és utánozza. Kétségtelen, hogy az emberek jobban tudják elemezni és értelmezni az összetett érzelmi jeleket. A szakadék azonban gyorsabban csökken, mint azt el tudnánk képzelni, köszönhetően a nagy adatszolgáltatási képességek és a nagy teljesítményű algoritmusok fejlődésének. Az affektív számítástechnika egy interdiszciplináris terület, mely az emberi érzelmek felismerésére, értelmezésére és az azokra való reagálásra képes rendszerek és eszközök fejlesztésére összpontosít. A cél az ember és a gépek közötti interakciók természetesebbé, intuitívabbá és érzelemtudatosabbá tétele. Ez több kulcsfontosságú összetevő integrációját jelenti:
Természetes nyelvi feldolgozás (NLP): Az NLP lehetővé teszi, hogy a gépek megértsék és generálják az emberi nyelvet. Az affektív számítástechnikában döntő szerepet játszik azáltal, hogy lehetővé teszi a gépek számára a szöveg vagy a beszéd érzelmi tartalmának elemzését. Az NLP egyik részhalmazát, az érzelem elemzést arra használják, hogy meghatározzák a szövegben lévő érzelmeket vagy érzelmi hangnemet, például a pozitív, negatív vagy semleges hangnemet.
Érzelemelemzés: Az érzelemelemzés, más néven „véleménybányászat”, egy adott szövegben lévő érzelmek vagy érzelmi hangnem meghatározásának folyamata. Ez különösen hasznos lehet olyan alkalmazásokban, mint a közösségi médiafigyelés, az ügyfél-visszajelzések elemzése és a chatbotok. A hangulatelemző modellek a szöveget különböző érzelmi kategóriákba sorolják, gyakran olyan előre meghatározott hangulatcímkék alapján, mint a „boldog”, „dühös” vagy „szomorú”.
Érzékszervi integráció: Az érzékszervi bemenetek kiterjesztik az affektív számítástechnika képességeit a szöveges adatokon túlra. Ide tartozhat a hang, a képek, sőt az olyan érzékelőkből származó fiziológiai adatok feldolgozása is, mint a pulzusmérő és az arcfelismerés. Ezen érzékszervi bemenetek integrálása lehetővé teszi, hogy a gépek valós időben jobban felmérjék az emberi érzelmeket.
A pszichológiai keretrendszer megértése kritikus fontosságú
Bár a technológia és a mesterséges intelligencia az affektív számítástechnika alapvető szempontjai, a „pszichológiai keret” kritikus fontosságú az átfogó megértés szempontjából. Kutatók sora, például Paul Ekman, Robert W. Lavenson és James Russel, hiteles elméleteket javasoltak annak szilárd megállapítására, hogy az emberi érzelmek elkülöníthetők külön fizikai jelekkel. Később ezek az elméletek az Emotion AI technológia alapköveivé váltak. Ezen elméletek közül Ekman diszkrét modellje és James Russel dimenzionális modellje jelentette a kritikus alapot az affektív számítástechnika fejlődéséhez:
Ekman diszkrét modellje: Paul Ekman hét alapvető érzelem (a veszély, az undor, a félelem, a boldogság, a szomorúság és a meglepetés), valamint egy semleges kifejezés létrehozásának koncepciójával állt elő, melyeket önkéntelenül, az arckontúrok változásával hozunk létre. Ekman modellje szilárdan megalapozta az arckifejezések és az érzelmi állapot közötti összefüggést.
Russel dimenziós modellje az érzelmek osztályozásához: Ha Ekman modellje biztosította az érzelmi mesterséges intelligencia minőségi alapjait, akkor Russel érzelmekre vonatkozó modellje az affektív számítástechnika mennyiségi alapjait fektette le. Ez a modell azt javasolta, hogy az érzelmek, az izgalom és a vonzerő egy kétdimenziós térben oszlanak el. Az érzelmek dimenzionális eloszlása lehetővé tette a pozitív elköteleződés (vagy pozitív izgalom) vagy a negatív elvonatkoztatás (vagy negatív izgalom) intenzitási szintjének, valamint a kellemesség (pozitív vonzerő) vagy kellemetlenség (negatív vonzerő) mértékének mérését.
Hogyan működik az érzelmi mesterséges intelligencia technológia?
Az emberi arc a különböző érzelmi kifejezések közlésének vászna. Legyen szó szerelemről, dühről, örömről, meglepetésről, szomorúságról vagy félelemről, minden emberi érzelem arcjelzéseket küld, amikor csak megjelenik. Az affektív technológia segítségével ezek az érzelmi jelek pontosan és gyorsan megfejthetők. Íme, hogyan működik az Emotion AI technológia: a webkamera mikroszintű arckifejezési adatokat rögzít, és ezeket a készülék RAM-jában helyezi el. A számítástechnikai eszköz az arckifejezések, például a fejtartás, a beszédminták és a szemmozgások elemzésével gyűjti az érzelmi állapotra vonatkozó jelzéseket. Ezeket a képeket számítógépes látás, Big Data és mesterséges intelligencia segítségével elemzik, hogy az Ekman-modell alapján megfejtsenek kilenc fő jellemzőt, mint például életkor, nem, testtartás, arcdetektor, érzelmek, izgalom, vonzerő, figyelem, kívánság és egyéb jellemzők. Ezeket a vonásokat egy jól megtervezett SDK formájában tervezték meg. Az adott API-t az Ön igényei alapján töltheti be. Bár az architektúra változhat a különböző Emotion AI termékekben, az alapkoncepció ugyanaz marad.
A mélytanulási technológia folyamatosan dolgozik a háttérben, hogy a szükséges előrejelző kimenetet biztosítsa. Egy szakember nagyszámú kép érzelmeit címkézi fel (videók esetében pedig képkockánként), és az algoritmust arra képzik ki, hogy pontosan értelmezze ezeket az adatokat. A kapott eredményt a kézi címkézéssel hasonlítják össze, miközben figyelembe veszik a hibákat.
Iparág-specifikus felhasználási esetek
Az érzelmi mesterséges intelligencia teljes szférája a pszichológia és a technológia izgalmas keveréke, és az iparágak széles skáláján dobja fel a meggyőző felhasználási eseteket, legyen szó a kiskereskedelemről, a pénzügyekről, az egészségügyről, az online játékokról, a médiáról, a marketingről vagy a HR és toborzásról. A MarketsAndMarkets szerint az Emotion AI piaca 2026-ra 37,1 milliárd dollárt fog érni.
Íme négy izgalmas felhasználási esete:
Egészségügy
A affektív számítástechnika segíthet az orvosoknak a betegek igényeinek megfelelő, személyre szabott kezelési terv kidolgozásában. Hatalmas segítséget jelenthet a mentális egészségügyben, mivel elárulhatja, hogy a beteg stresszes vagy traumás mentális állapotban van-e.
Kiskereskedelem és marketing
A Temkin Group kutatási jelentése szerint a felhasználók 7,1-szer nagyobb valószínűséggel vásárolnak meg egy terméket, ha az emberek pozitív asszociációt táplálnak egy márkával kapcsolatban. A vállalatok kihasználják az érzelmi mesterséges intelligencia erejét, hogy megértsék, mit éreznek a vásárlók a termékeik iránt. Másrészt a marketingesek hatékonyabb marketingkampányokat hozhatnak létre, miután megértették a felhasználók érzelmi reakcióit és azt, hogy mit éreznek a hirdetéseik megtekintése után. Ezek a kulcsfontosságú inputok segíthetnek finomítani a felhasználóknak szóló marketingüzenetüket.
Oktatás
A tanulók érzelmi reakcióinak azonosítása mélyreható hatással lehet az online oktatási térben. Az érzelmi mesterséges intelligencia feltárhatja a tanulók érdeklődési szintjét, és előrejelző kimenettel segítheti a tanárokat a jobb oktatási stratégia kidolgozásában és megvalósításában. Ezen túlmenően az egyetemeknek és főiskoláknak is segíthet az online vizsgák biztonságos lebonyolításában, miközben ellenőrizheti a csalások és a hamis jelenlét előfordulását.
HR és toborzás
Tudták, hogy olyan globális vállalatok, mint az Unilever, a Dunkin Donuts és az IBM már elkezdték használni az érzelemfelismerő technológiát a jelöltek felvételéhez? A Financial Times beszámolója szerint az Unilever 2019-ben állítólag több mint 50.000 HR-munkaórát takarított meg. A toborzók már most is használják az érzelmi mesterséges intelligenciát, hogy könnyedén kezeljék a nagyszabású toborzási akciókat. Az érzelmi mesterséges intelligencia lehetővé teszi számukra, hogy a jelöltek teljes körűen értékeljenek, és már a toborzási folyamat korai szakaszában kiszűrjék az alkalmatlan jelentkezőket, jelentős produktív munkaórákat takarítva meg.
Emellett a HR-szakemberek gyakran szenvednek a kisebbségekkel, a nemekkel és az idősebbekkel szembeni előítéletektől és egyéb tudattalan előítéletektől; az érzelmi mesterséges intelligenciát ígéretesnek tartják, hogy kiküszöböli ezeket a munkaerő-felvételben rejlő előítéleteket.
Az affektív számítástechnika fejlődése óriási lehetőségek határait nyitotta meg az emberiség előtt. A vállalatok felismerik az érzelmileg intelligens MI rendszerek erejét a hagyományos, csak számítási és kognitív képességekkel rendelkező MI rendszerekkel szemben. Segítségükkel sokkal gyorsabban találhatnak megoldásokat, mint azt az emberi elme el tudja képzelni. Ha a hagyományos mesterséges intelligencia hatékonyságot és gyorsaságot hozott a műveletekbe, akkor az érzelmi adatok erejének skálán történő kihasználása nagy lehetőséget jelent majd a vállalatok számára a jövőben.
Biomimikri a mesterséges intelligenciában
Képzeljük el, hogy robotok vagyunk. Van egy kameránk a szemünk helyett és egy mikrofon a fülünk helyett, és ez minden érzékszervi bemeneted, amivel megérthetjük és navigálhatunk a környezetünkben. Rendkívül nagy kihívást jelentene a járás és az interakció, mivel a megismerésünk és a felfogásunk rendkívül korlátozott érzékszervi információk határolják be. Hasonlítsuk ezt össze az emberrel, akinek általában két szeme és két füle van, valamint speciális érzékelő receptorok találhatók a bőrön, a nyálkahártyákon, az izmokon, az inakon és a belső szerveken. Ezek a receptorok különböző típusú ingerekre, például nyomásra, hőmérséklet-változásra, fájdalomra, szaglásra és feszültségre érzékenyek. Az agy integrálja a különböző szomatoszenzoros bemeneteket, hogy összefüggő érzékelést alkosson a testünkről és annak a külső környezettel való kölcsönhatásáról. Ez az integráció teszi lehetővé, hogy tapintás alapján felismerjük a tárgyakat, érzékeljük a hőmérséklet-változásokat, és fenntartsuk a testtudatot és a koordinációt. Az egyik legnagyobb különbség a fent említett robot és az ember között az, hogy az ember érzékeli a saját testét, és ehhez rengeteg érzékelőre van szüksége. A legtöbbször a tudatunk nem válik el a saját testünkben való tartózkodás élményétől (az álmodás vagy a hallucináció kivétel lehet). Dr. Steve M. Potter idegtudós, az agy-számítógép interfészek (BMI) úttörője jegyezte meg: Az idegrendszer tele van visszajelzésekkel minden szinten, beleértve a testet és a környezetet, melyben él; számszerűsíthető módon profitál abból, hogy megtestesült és helyhez kötött.
A mesterséges intelligencia gyors fejlődése életünk különböző aspektusait alakította át, a személyre szabott ajánlásoktól az autonóm járművekig. Az MI-technológiák további fejlődésével párhuzamosan feltétlenül figyelembe kell venni a testközeli számítástechnika döntő szerepét az értelmes és együttműködő ember-számítógép interakciók kialakításában. A testközeli számítástechnika azt jelenti, hogy a mesterséges intelligencia rendszereket érzékelők sokaságával, neurális hálózatokkal, valamint a testük és környezetük megértésével kell felszerelni. A mesterséges intelligencia jövője az ember és a mesterséges intelligencia együttműködésének előmozdításában rejlik, hogy mindkettőjük erősségeit kiaknázhassuk, és a testközeli számítástechnika beépítése alapvető fontosságú elem. Továbbá a biomimikri kihasználásával az MI leképezheti a különböző életformák szomatoszenzoros rendszereit az emberi érzékelés és megismerés kiterjesztése érdekében.
A testközeli számítástechnika a fizikai érzékelők és neurális hálózatok integrálására utal a mesterséges intelligencia rendszerekben, lehetővé téve számukra, hogy az emberekhez hasonlóan érzékeljék a világot és kölcsönhatásba lépjenek vele. A szenzorok és neurális hálózatok beépítésével a testközeli mesterséges intelligencia képessé válik arra, hogy átfogóbban érzékelje és értelmezze környezetét. Ez a fokozott érzékelés elősegíti a környezet mélyebb megértését, ami az emberekkel való értelmesebb interakciókhoz vezet. Ahogy a mesterséges intelligencia rendszerek felfogják a kontextust, megbízhatóbbá válnak, és képesek releváns és személyre szabott segítséget nyújtani a felhasználóknak. A testközeli, avagy „megtestesült” mesterséges intelligencia az emberekhez hasonlóan képes alkalmazkodni a változó körülményekhez. Az érzékszervi bemenetek és neurális hálózatok felhasználásával a mesterséges intelligencia rendszerek dinamikusan képesek a valós idejű környezeti jelzésekre adott válaszaikhoz igazodni. Ez az alkalmazkodóképesség biztosítja az emberekkel való megbízható és biztonságosabb interakciókat.
A mesterséges intelligencia képességei és az emberi elvárások közötti szakadék áthidalása kulcsfontosságú az értelmes együttműködéshez. A testközeli számítástechnika elősegíti az ember és az MI együttműködését azáltal, hogy az MI viselkedését az emberi igényekhez és preferenciákhoz igazítja. Ahogy a mesterséges intelligencia rendszerek egyre inkább tudatában vannak testiségüknek és a világgal való interakcióiknak, természetesebben és intuitívabban lépnek kapcsolatba a felhasználókkal, ami mindkét fél számára előnyös, zökkenőmentes együttműködéshez vezet. A testközeli mesterséges intelligencia alkalmazkodóképessége rugalmasabbá teszi azt a bizonytalan helyzetekben. Az érzékszervi bemenetek és neurális hálózatok felhasználásával az MI-rendszerek dinamikusan képesek a valós idejű környezeti jelzésekre adott válaszaikhoz igazodni. Ez az alkalmazkodóképesség megbízhatóbb és biztonságosabb interakciókat biztosít az emberekkel.
A testközeli számítástechnika mellett az affektív számítástechnika is kulcsfontosságú szerepet játszik az ember és az MI együttműködésének előmozdításában. Az affektív számítástechnika lehetővé teszi, hogy az MI-rendszerek megértsék az emberi érzelmeket és reagáljanak azokra, ami az értelmes interakciók kritikus szempontja. Az affektív számítástechnika beépítésével a mesterséges intelligencia rendszerek képesek felismerni az érzelmeket az arckifejezések, a hangszín és a fiziológiai jelek segítségével. Az emberi érzelmek megértése létfontosságú az empatikus MI-partnerek létrehozásához. Ez a megértés lehetővé teszi, hogy a mesterséges intelligencia rendszerek megfelelően reagáljanak, érzelmi támogatást nyújtsanak és szorosabb ember és mesterséges intelligencia közötti kapcsolatokat alakítsanak ki. Az érzelmi jelzéseken alapuló interakciók személyre szabásával az affektív számítástechnika jelentősen javíthatja a felhasználói élményt. A mesterséges intelligencia rendszerek a felhasználó érzelmi állapotához igazíthatják reakcióikat, hangszínüket és viselkedésüket, így empatikusabb és megnyugtatóbb környezetet teremthetnek. Az érzelmekkel és a megismeréssel szorosan összefonódva a kíváncsiság egy másik olyan tulajdonság, amely a motivációt hajtja, és a megtestesülésre támaszkodik.
A belső kíváncsisággal kapcsolatos algoritmusok forradalmasították a gépi tanulási rendszereket, jelentősen növelve azok hatékonyságát és pontosságát. Ha Dr. Todd Kashdan ötdimenziós kíváncsisági skáláját beépítjük a mesterséges intelligencia tervezésébe, akkor többdimenziós és alkalmazkodó kíváncsisággal rendelkező gépeket hozhatunk létre. Ezek az algoritmusok elősegítik az autonóm felfedezést és tanulást azáltal, hogy arra ösztönzik a mesterséges intelligencia rendszereket, hogy újszerű és bizonytalan tapasztalatokat keressenek, lehetővé téve számukra, hogy bővítsék ismereteiket és megértésüket a környezetükről, amelyben működnek. A kíváncsiság olyan elemeinek integrálásával, mint a szociális kíváncsiság, az újdonságkeresés és a tanulási vágy, ezek a gépek képesek tanulni az emberektől, mintákat azonosítani, új készségeket elsajátítani és hatékonyabban alkalmazkodni a dinamikus környezethez. Ez a többdimenziós kíváncsisági megközelítés elősegíti az adatokkal és a feladatokkal való mélyebb foglalkozást, ami végső soron robusztusabb és intelligensebb gépi tanulási modellekhez vezet. Ennek eredményeképpen a belső kíváncsisággal kapcsolatos algoritmusok új utakat nyitottak a mesterséges intelligencia kutatás és az alkalmazások előtt.
Az emberi érzékelési képességek kiterjesztése
A biomimikri a mesterséges intelligenciában az emberi szomatoszenzoros rendszerből meríthet inspirációt, lemásolva az érintés, a hőmérséklet és a nyomás érzékelésének képességét. Az emberi érzékelési képességek ilyen kiterjesztése lehetővé teszi, hogy az MI hatékonyabban lépjen kapcsolatba a fizikai világgal, új lehetőségeket nyitva meg az egészségügy, a robotika és a virtuális valóság területén. Sőt, más fajokból is meríthetünk inspirációt az ember természetes képességeit meghaladó érzékszervi érzékelés kialakításához. Az alábbiakban csak néhány példát említünk:
A szitakötők kivételes vizuális érzékeléssel rendelkeznek, így könnyedén követik a gyorsan mozgó tárgyakat. A szemeik fényérzékeny sejtjeinek és idegpályáiknak az utánzásával a mesterséges intelligencia rendszerek javíthatják a tárgyak követési és képfelismerési képességeit, hozzájárulva ezzel a biztonságosabb autonóm rendszerek kialakításához. Ez azt is lehetővé teheti, hogy az emberek az emberi szem számára láthatatlan hullámhosszú fényt lássák. Egyes cápafajok rendelkeznek olyan elektromosan érzékelő szervekkel, amelyek lehetővé teszik számukra, hogy érzékeljék a zsákmányuk által keltett gyenge elektromos mezőket. Ennek a képességnek a mesterséges intelligencia rendszerekbe való beépítése a környezeti változások kifinomultabb észleléséhez vezethet, ami előnyös lehet az olyan alkalmazások számára, mint a környezeti megfigyelés és a katasztrófaelhárítás.
A denevérek figyelemre méltó képességgel rendelkeznek a teljes sötétségben való tájékozódásra és „látásra”, echolokáció segítségével. A denevérek nagyfrekvenciás hanghullámok kibocsátásával és azok visszhangjának értelmezésével mentális térképet készítenek a környezetükről. Ennek a denevér által inspirált echolokációs képességnek a mesterséges intelligencia rendszerekbe való beépítése forradalmasíthatja a navigációt a gyenge fényviszonyok között, sőt a látható fény hiányában is. A többirányú szonárrendszerek az embereknek is lehetővé tennék a perifériás látás kiterjesztését, ami jelentősen javítaná a helyzetfelismerést.
Van egy másik formája is a biomimikriának, de nem a testek vagy érzékelők szintjén. A biológiai szervezetek egymással összekapcsolt ökoszisztémákban élnek, amelyeket a levegő, a víz, a napfény és az élet egymástól függő rendszerei jellemeznek, a legkülönbözőbb konfigurációkban. A mesterséges intelligencia és más technológiai innovációk fejlesztésére irányuló törekvéseink során el kell fogadnunk a rendszerszemléletű gondolkodás elveit, amely magában foglalja a technológia olyan módon történő tervezését és megvalósítását, amely prioritásként kezeli a Földön élő összes ember alapvető szükségleteinek kielégítését, miközben a bolygó ökológiai határain belül marad. A testközeli, affektív és biomimetikus számítástechnikában rejlő lehetőségek kiaknázásához a mesterséges intelligencia kutatói, az idegtudósok, a biológusok és a pszichológusok közötti interdiszciplináris együttműködés elengedhetetlen. Dr. Steve M. Potter az idegtudományok és a mesterséges intelligencia konvergenciája mellett érvel, kijelentve, hogy „itt az ideje, hogy a mesterséges intelligencia az agy irányába haladjon”.
A biomimikriából származó felismerések integrálása az MI tervezésébe emberhez hasonlóbb interakciókhoz és kibővített érzékelési képességekhez vezethet. Az emberközpontú biomimetikus megközelítéssel, az empátiára, a befogadásra és a kiterjesztett emberi érzékelésre összpontosító MI-rendszerek tervezése létfontosságú a zökkenőmentes és együttműködő ember-MI interakciók elősegítéséhez. Az emberi szükségletek előtérbe helyezése és a biomimikriában rejlő lehetőségek megértése gazdagítja az emberi tapasztalatokat. Az érzékelők, neurális hálózatok, az érzelmi intelligencia és a természetből származó felismerések integrálásával olyan mesterséges intelligencia rendszereket hozhatunk létre, amelyek valódi partnerek, és együttműködnek az emberekkel egy értelmesebb és produktívabb jövő megteremtése érdekében.
Ez szöges ellentétben áll a mai mesterséges intelligencia-fejlesztés nagy részének céljaival, mely nem emberközpontú célokra összpontosít, mint például az emberi munka kiiktatása, a vállalati profit maximalizálása, panoptikumszerű felügyeleti államok létrehozása és a közvélemény manipulálása. Ahogy haladunk előre, helyezzük előtérbe az etikai megfontolásokat, foglalkozzunk a kihívásokkal, és működjünk együtt annak érdekében, hogy a mesterséges intelligencia technológiák gazdagítsák az emberi tapasztalatokat, miközben ápolják az együttműködést, a befogadást és a fenntarthatóságot. Csak a „megtestesült”, affektív és biomimetikus számítástechnika beépítésével tudjuk felszabadítani a mesterséges intelligenciában rejlő valódi potenciált, amely minden ember számára pozitív változást eredményezhet.
