Ερευνητές Χρησιμοποιούν Διεπαφή Εγκεφάλου-Μηχανής για τη Δημιουργία Ελκυστικών Προσώπων με βάση Προσωπικές Προτιμήσεις

Μια ομάδα ερευνητών από το Πανεπιστήμιο του Ελσίνκι έχει δημιουργήσει ένα σύστημα AI που προορίζεται για τη δημιουργία εικόνων ελκυστικών προσώπων, με βάση τα χαρακτηριστικά που τα άτομα που φορούν μια Διεπαφή Εγκεφάλου-Μηχανής (BCI) βρίσκουν ελκυστικά. Το σύστημα AI δημιουργεί χαρακτηριστικά προσώπου με βάση τα δεδομένα που συλλέγονται από τη BCI.

Η ερευνητική ομάδα ήταν μια συνδυασμένη ομάδα επιστημόνων υπολογιστών και ψυχολόγων από το Πανεπιστήμιο του Ελσίνκι. Η ερευνητική ομάδα του Ελσίνκι χρησιμοποίησε μετρήσεις ηλεκτροεγκεφαλογραφίας (EEG) για να καθορίσει τα χαρακτηριστικά προσώπου που διαφορετικά άτομα θα μπορούσαν να βρουν ελκυστικά. Οι σηματοδοτήσεις EEG συσχετίστηκαν με χαρακτηριστικά προσώπου και στη συνέχεια τα δεδομένα παρουσιάστηκαν σε ένα Δίκτυο Αντιπαλότητας (GAN). Το σύστημα μάθησης με μηχανή ήταν στη συνέχεια εκπαιδευμένο στα χαρακτηριστικά προσώπου που ένα ευρύ φάσμα ανθρώπων βρήκε ελκυστικά και στη συνέχεια ήταν σε θέση να αναστρέψει αυτά τα μοτίβα για να δημιουργήσει εντελώς νέα πρόσωπα.

Οι ερευνητές είχαν 30 συμμετέχοντες να καθίσουν μπροστά σε μια οθόνη καθώς τους έδειχναν εικόνες προσώπων. Αυτά τα πρόσωπα δεν ήταν πραγματικών ανθρώπων, αλλά είχαν δημιουργηθεί από ένα σύστημα AI που είχε εκπαιδευτεί σε ένα σύνολο δεδομένων με πάνω από 200.000 εικόνες διασημοτήτων. Οι συμμετέχοντες φορούσαν ένα καπέλο EEG που ήταν συνδεμένο με ηλεκτρόδια για να καταγράψουν και να αναλύσουν τη δραστηριότητα του εγκεφάλου τους καθώς έβλεπαν τα verschiedene πρόσωπα. Το σύστημα EEG ήταν σε θέση να καταγράψει τις αντιδράσεις τους στα πρόσωπα που βρίσκονταν ελκυστικά. Οι μετρήσεις που έγιναν από το σύστημα EEG παρουσιάστηκαν στο GAN, το οποίο ερμήνευσε τις σηματοδοτήσεις EEG σε σχέση με το πόσο ελκυστικά τα πρόσωπα βρίσκονταν. Το GAN ήταν σε θέση να δημιουργήσει νέα πρόσωπα μια φορά που είχε εκπαιδευτεί σε αυτά τα δεδομένα.

Η ερευνητική ομάδα πραγματοποίησε ένα δεύτερο πείραμα. Τα νέα δημιουργημένα πρόσωπα παρουσιάστηκαν στους ίδιους εθελοντές που είχαν συμμετάσχει στην προηγούμενη οπτική συνεδρία. Οι συμμετέχοντες ζητήθηκαν να κατατάξουν τα πρόσωπα με βάση την ελκυστικότητά τους. Όταν αναλύθηκαν τα αποτελέσματα της μελέτης, οι ερευνητές βρήκαν ότι οι συμμετέχοντες αξιολόγησαν τις δημιουργημένες εικόνες ως ελκυστικές περίπου στο 80% των περιπτώσεων. Αυτό είναι σε αντίθεση με τις αρχικές εικόνες, οι οποίες αξιολογήθηκαν ως ελκυστικές μόνο στο 20% των περιπτώσεων.

Το δείγμα της μελέτης ήταν αρκετά μικρό,所以 δεν είναι σαφές πόσο robust θα ήταν η μέθοδος αν δοκιμαστεί σε ένα μεγαλύτερο πληθυσμό. Ωστόσο, τα αποτελέσματα είναι ενδιαφέροντα και είναι σίγουρα ένα ακόμη παράδειγμα του πώς οι συμπεριφορές και οι προτιμήσεις που φαίνονται ακατανόητες μπορούν να ποσοτικοποιηθούν με ορισμένες τεχνικές AI.

Ο Michael Spapé, ανώτερος ερευνητής στο Τμήμα Ψυχολογίας και Λογοπεδίας του Πανεπιστημίου του Ελσίνκι, εξήγησε ότι η μελέτη δείχνει πώς οι ψυχολογικές ιδιότητες μπορούν να αποδειχθούν με πληροφορίες σχετικά με το πώς ο εγκέφαλος αντιδρά σε ερεθίσματα. Όπως εξήγησε ο Spapé μέσω του EurekaAlert:

“Η μελέτη δείχνει ότι είμαστε ικανοί να δημιουργούμε εικόνες που ταιριάζουν στις προσωπικές προτιμήσεις μας συνδέοντας ένα τεχνητό νευρωνικό δίκτυο με τις αντιδράσεις του εγκεφάλου. Η επιτυχία στην αξιολόγηση της ελκυστικότητας είναι ιδιαίτερα σημαντική, καθώς αυτή είναι μια τόσο συναισθηματική, ψυχολογική ιδιότητα των ερεθισμάτων. Η οπτική αναγνώριση έχει μέχρι τώρα sido πολύ επιτυχημένη στο να ταξινομεί εικόνες με βάση αντικειμενικά μοτίβα. Βάζοντας τις αντιδράσεις του εγκεφάλου στη μείξη, δείχνουμε ότι είναι δυνατό να ανιχνεύουμε και να δημιουργούμε εικόνες με βάση ψυχολογικές ιδιότητες, όπως η προσωπική γεύση.”

Οι ερευνητές υποστηρίζουν ότι η μελέτη θα μπορούσε να έχει επιπτώσεις στο πώς οι υπολογιστές καταλαβαίνουν τις υποκειμενικές προτιμήσεις. Λύσεις AI και διεπαφές εγκεφάλου-μηχανής μπορούν να χρησιμοποιηθούν μαζί για να κατανοήσουν σύνθετα ψυχολογικά φαινόμενα. Σύμφωνα με τον Spapé, θα μπορούσαμε να εξετάσουμε άλλες γνωστικές λειτουργίες, όπως η λήψη αποφάσεων και η αντίληψη, χρησιμοποιώντας παρόμοιες τεχνικές. Υποθέτοντας ότι οι γενικές τακτικές που χρησιμοποιούνται για την ερμηνεία της ελκυστικότητας ισχύουν και για άλλες γνωστικές λειτουργίες, ένα παρόμοιο σύστημα θα μπορούσε να αναπτυχθεί για να αναγνωρίσει μορφές προκαταλήψεων ή στερεότυπων.