Ερευνητές Εγγίζουν την Επίτευξη “Συναισθηματικά Ευφυών” AI

Ερευνητές στο Ιαπωνικό Προηγμένο Ινστιτούτο Επιστήμης και Τεχνολογίας έχουν ενσωματώσει βιολογικά σήματα με μεθόδους μηχανικής μάθησης για να επιτρέψουν “συναισθηματικά ευφυή” AI. Η συναισθηματική ευφυΐα θα μπορούσε να οδηγήσει σε πιο φυσικές αλληλεπιδράσεις ανθρώπου-μηχανής, λένε οι ερευνητές. 

Η νέα μελέτη δημοσιεύθηκε στο περιοδικό IEEE Transactions on Affective Computing.

Επίτευξη Συναισθηματικής Ευφυΐας

Τεχνολογίες αναγνώρισης ομιλίας και γλώσσας όπως η Alexa και η Siri εξελίσσονται συνεχώς, και η προσθήκη συναισθηματικής ευφυΐας θα μπορούσε να τις οδηγήσει στο επόμενο επίπεδο. Αυτό θα σήμαινε ότι αυτά τα συστήματα θα μπορούσαν να αναγνωρίσουν τις συναισθηματικές καταστάσεις του χρήστη, καθώς και να κατανοήσουν τη γλώσσα και να παράγουν πιο ευσύνητες απαντήσεις. 

Η “πολυτροπική ανάλυση συναισθήματος” είναι μια ομάδα μεθόδων που αποτελούν το χρυσό πρότυπο για συστήματα διαλόγου AI με ανίχνευση συναισθήματος, και μπορούν να αναλύσουν αυτόματα την ψυχολογική κατάσταση ενός ατόμου από την ομιλία, τις εκφράσεις του προσώπου, το χρώμα της φωνής και τη στάση. Είναι θεμελιώδεις για τη δημιουργία ανθρωποκεντρικών συστημάτων AI και θα μπορούσαν να οδηγήσουν στην ανάπτυξη συναισθηματικά ευφυών AI με “παραπέρα από τις ανθρώπινες ικανότητες”. Αυτές οι ικανότητες θα βοηθούσαν το AI να κατανοήσει τη συναισθηματική κατάσταση του χρήστη πριν σχηματίσει μια κατάλληλη απάντηση. 

Ανάλυση Μη Παρατηρήσιμων Σημάτων

Οι τρέχουσες μεθόδους εκτίμησης εστιάζουν κυρίως στην παρατηρήσιμη πληροφορία, η οποία αφήνει εκτός πληροφορία σε μη παρατηρήσιμα σήματα, τα οποία μπορούν να περιλαμβάνουν φυσιολογικά σήματα. Αυτά τα είδη σημάτων περιέχουν πολλές πολύτιμες δεδομένα που θα μπορούσαν να βελτιώσουν την εκτίμηση συναισθήματος. 

Στη μελέτη, φυσιολογικά σήματα προστέθηκαν στην πολυτροπική ανάλυση συναισθήματος για πρώτη φορά. Η ομάδα ερευνητών που πραγματοποίησε αυτή τη μελέτη περιελάμβανε τον Αναπληρωτή Καθηγητή Shogo Okada από το Ιαπωνικό Προηγμένο Ινστιτούτο Επιστήμης και Τεχνολογίας (JSAIT), και τον Καθηγητή Kazunori Komatani από το Ινστιτούτο Επιστημονικής και Βιομηχανικής Έρευνας στο Πανεπιστήμιο του Οσάκα. 

“Οι άνθρωποι είναι πολύ καλοί στο να κρύβουν τα συναισθήματά τους,” λέει ο Δρ. Okada. “Η εσωτερική συναισθηματική κατάσταση του χρήστη δεν αντανακλά πάντα ακριβώς από το περιεχόμενο του διαλόγου, αλλά既然 είναι δύσκολο για ένα άτομο να ελέγξει συνειδητά τα βιολογικά του σήματα, όπως η καρδιακή συχνότητα, μπορεί να είναι χρήσιμο να τα χρησιμοποιήσει για την εκτίμηση της συναισθηματικής του κατάστασης. Αυτό θα μπορούσε να κάνει για ένα AI με ικανότητες εκτίμησης συναισθήματος που είναι πέρα από τις ανθρώπινες.” 

Η μελέτη της ομάδας περιελάμβανε την ανάλυση 2.468 ανταλλαγών με ένα διαλογικό AI που προέκυψαν από 26 συμμετέχοντες. Με αυτά τα δεδομένα, η ομάδα θα μπορούσε να εκτιμήσει το επίπεδο απόλαυσης που βίωσαν οι χρήστες κατά τη διάρκεια της συζήτησης. 

Ο χρήστης ζητήθηκε να αξιολογήσει πόσο απολαυστική ή βαρετή ήταν η συζήτηση. Η πολυτροπική βάση δεδομένων διαλόγου που ονομάζεται “Hazumi1911” χρησιμοποιήθηκε από την ομάδα. Αυτή η βάση δεδομένων συνδυάζει αναγνώριση ομιλίας, αισθητήρες χρώματος φωνής, ανίχνευση στάσης και εκφράσεις προσώπου με δερματική πιθανότητα, η οποία είναι μια μορφή αίσθησης φυσιολογικής απόκρισης.

“Συγκρίνοντας όλες τις ξεχωριστές πηγές πληροφορίας, τα βιολογικά σήματα αποδείχθηκαν πιο αποτελεσματικά από τη φωνή και την έκφραση του προσώπου,” συνέχισε ο Δρ. Okada. “Όταν συνδυάσαμε τις πληροφορίες γλώσσας με βιολογικά σήματα για την εκτίμηση της αυτοαξιολογημένης εσωτερικής κατάστασης κατά τη διάρκεια της συζήτησης με το σύστημα, η απόδοση του AI έγινε συγκρίσιμη με αυτή του ανθρώπου.” 

Τα νέα ευρήματα δείχνουν ότι η ανίχνευση φυσιολογικών σημάτων στους ανθρώπους θα μπορούσε να οδηγήσει σε εξαιρετικά συναισθηματικά ευφυή συστήματα διαλόγου AI. Τα συναισθηματικά ευφυή συστήματα AI θα μπορούσαν να χρησιμοποιηθούν για την ανίχνευση και την παρακολούθηση ψυχικών ασθενειών με την ανίχνευση αλλαγών στις ημερήσιες συναισθηματικές καταστάσεις. Ένας άλλος πιθανός χρήστης είναι στην εκπαίδευση, όπου θα μπορούσαν να αναγνωρίσουν εάν ένας μαθητής ενδιαφέρεται για ένα θέμα ή είναι βαρετός, το οποίο θα μπορούσε να χρησιμοποιηθεί για να τροποποιήσει τις στρατηγικές διδασκαλίας.