Արհեստական բանականություն
Հետազոտողները մոտենում են «էմոցիոնալ ինտելեկտուալ» AI-ի ձեռքբերմանը
Ճապոնիայի Գիտության և տեխնոլոգիաների առաջադեմ ինստիտուտի հետազոտողները կենսաբանական ազդանշանները ինտեգրել են մեքենայական ուսուցման մեթոդներին՝ «էմոցիոնալ խելացի» արհեստական ինտելեկտը հնարավոր դարձնելու համար: Հետազոտողները ասում են, որ հուզական ինտելեկտը կարող է հանգեցնել ավելի բնական մարդու և մեքենայի փոխազդեցության:
Նոր հետազոտությունը հրապարակվել է ամսագրում IEEE գործարքներ աֆեկտիվ հաշվարկների վրա.
Զգացմունքային ինտելեկտի ձեռքբերում
Խոսքի և լեզվի ճանաչման տեխնոլոգիաները, ինչպիսիք են Alexa-ն և Siri-ն, անընդհատ զարգանում են, և հուզական ինտելեկտի ավելացումը կարող է դրանք հասցնել հաջորդ մակարդակի: Սա կնշանակի, որ այս համակարգերը կարող են ճանաչել օգտատիրոջ հուզական վիճակները, ինչպես նաև հասկանալ լեզուն և առաջացնել ավելի կարեկից արձագանքներ:
«Մուլտիմոդալ տրամադրությունների վերլուծությունը» մեթոդների խումբ է, որը կազմում է AI երկխոսության համակարգերի ոսկե ստանդարտը զգացմունքների հայտնաբերմամբ, և նրանք կարող են ավտոմատ կերպով վերլուծել մարդու հոգեբանական վիճակը նրա խոսքից, դեմքի արտահայտություններից, ձայնի գույնից և կեցվածքից: Դրանք հիմնարար նշանակություն ունեն մարդակենտրոն AI համակարգերի ստեղծման համար և կարող են հանգեցնել էմոցիոնալ ինտելեկտուալ արհեստական ինտելեկտի զարգացմանը՝ «մարդկային հնարավորություններից դուրս»: Այս հնարավորությունները կօգնեն AI-ին հասկանալ օգտատիրոջ տրամադրությունները՝ նախքան համապատասխան պատասխան ձևավորելը:
Աննկատելի ազդանշանների վերլուծություն
Ընթացիկ գնահատման մեթոդները հիմնականում կենտրոնանում են դիտելի տեղեկատվության վրա, որը տեղեկատվությունը բաց է թողնում աննկատելի ազդանշանների մեջ, որոնք կարող են ներառել ֆիզիոլոգիական ազդանշաններ: Այս տեսակի ազդանշանները պարունակում են շատ արժեքավոր տվյալներ, որոնք կարող են բարելավել տրամադրությունների գնահատումը:
Հետազոտության ընթացքում ֆիզիոլոգիական ազդանշաններն առաջին անգամ ավելացվել են մուլտիմոդալ տրամադրությունների վերլուծությանը: Հետազոտողների թիմը, որն իրականացրեց այս հետազոտությունը, ներառում էր դոցենտ Շոգո Օկադան Ճապոնիայի Գիտության և տեխնոլոգիաների առաջադեմ ինստիտուտից (JSAIT) և պրոֆ. Կազունորի Կոմանին Օսակայի համալսարանի Գիտական և արդյունաբերական հետազոտությունների ինստիտուտից:
«Մարդիկ շատ լավ են թաքցնում իրենց զգացմունքները», - ասում է դոկտոր Օկադան: «Օգտատիրոջ ներքին հուզական վիճակը միշտ չէ, որ ճշգրիտ արտացոլվում է երկխոսության բովանդակությամբ, բայց քանի որ մարդու համար դժվար է գիտակցաբար վերահսկել իր կենսաբանական ազդանշանները, օրինակ՝ սրտի զարկերի հաճախականությունը, կարող է օգտակար լինել դրանք գնահատելու համար: հուզական վիճակ. Սա կարող է ստեղծել AI, որն ունի զգացմունքների գնահատման հնարավորություններ, որոնք վեր են մարդկայինից»:
Թիմի ուսումնասիրությունը ներառում էր 2,468 փոխանակումների վերլուծություն երկխոսության AI-ով, որը ստացվել էր 26 մասնակիցներից: Այս տվյալների հիման վրա թիմը կարող էր գնահատել զրույցի ընթացքում օգտագործողի հաճույքի մակարդակը:
Այնուհետև օգտատերին խնդրեցին գնահատել, թե որքան հաճելի կամ ձանձրալի էր զրույցը: «Hazumi1911» կոչվող բազմամոդալ երկխոսության տվյալների հավաքածուն օգտագործվել է թիմի կողմից: Տվյալների այս հավաքածուն համատեղում է խոսքի ճանաչումը, ձայնի գույնի սենսորները, կեցվածքի հայտնաբերումը և դեմքի արտահայտությունը մաշկի ներուժի հետ, որը ֆիզիոլոգիական արձագանքի զգայության ձև է:
«Տեղեկատվության բոլոր առանձին աղբյուրները համեմատելով՝ կենսաբանական ազդանշանային տեղեկատվությունը ավելի արդյունավետ է, քան ձայնը և դեմքի արտահայտությունը», - շարունակեց բժիշկ Օկադան: «Երբ մենք համակցեցինք լեզվի տեղեկատվությունը կենսաբանական ազդանշանային տեղեկատվության հետ՝ համակարգի հետ խոսելիս ինքնագնահատված ներքին վիճակը գնահատելու համար, AI-ի կատարողականը համեմատելի դարձավ մարդու աշխատանքի հետ»:
Նոր բացահայտումները ցույց են տալիս, որ մարդկանց մոտ ֆիզիոլոգիական ազդանշանների հայտնաբերումը կարող է հանգեցնել բարձր էմոցիոնալ ինտելեկտուալ AI-ի վրա հիմնված երկխոսության համակարգերի: Զգացմունքային ինտելեկտուալ AI համակարգերն այնուհետև կարող են օգտագործվել հոգեկան հիվանդությունները հայտնաբերելու և վերահսկելու համար՝ զգալով ամենօրյա հուզական վիճակների փոփոխությունները: Մեկ այլ հնարավոր օգտագործման դեպք կրթության ոլորտում է, որտեղ նրանք կարող են պարզել, թե արդյոք սովորողը հետաքրքրված է թեմայով, թե ձանձրանում է, որը կարող է օգտագործվել ուսուցման ռազմավարությունները փոխելու համար:
