image_printپرینت خبر

به طور رسمی، احساسات حالات بیولوژیکی مرتبط با سیستم عصبی هستند که با تغییرات نوروفیزیولوژیکی به وجود می آیند و به طور متنوعی با افکار ، احساسات ، واکنش های رفتاری و درجه ای از لذت یا ناخشنودی مرتبط هستند. طی دهه های گذشته، تحقیقات در مورد احساسات در زمینه هایی مانند روانشناسی ، علوم اعصاب ، و همچنین آنچه ما در آن متمرکز هستیم ، علوم کامپیوتر به طور قابل توجهی افزایش یافته است.

هوش هیجانی مصنوعی یا هوش مصنوعی پررونق دلیلی بر محبوبیت آن در علوم رایانه است ، که همچنین ممکن است نشان دهد که ماشین های هوشمند احساسی ممکن است آنقدرها که به نظر می رسد دور نباشند. (Emotion AI) برای توسعه سیستم ها و دستگاه هایی تلاش می کند که بتوانند احساسات انسان را تشخیص ، تفسیر ، پردازش و شبیه سازی کنند. به عبارت دیگر ، انتظار می رود هوش مصنوعی هنگام دیدن لبخندهای خودجوش ، خوشبختی شما را درک کند و همچنین انتظار می رود واکنش مناسبی نشان دهد.

اولین سوال این است که آیا واقعاً به هوش مصنوعی احساسات نیاز داریم؟ خوب ، می توانید یک ثانیه وقت بگذارید و به این سوال فکر کنید. احساس شما در مورد یادگیری آنلاین با یک مربی الکترونیکی چیست؟ آیا اگر معلم خصوصی بتواند گیجی و ناامیدی شما را درک کند و اگر می خواهید تسلیم شوید شما را تشویق کند ، هیجان انگیز است؟

هوش مصنوعی احساسی دارای بسیاری از کاربردهای بالقوه جذاب و ارزشمند است ، مثلا : این می تواند به شما کمک کند زمانی که بیماران در بخش مراقبت ویژه  نمی توانند صحبت خوبی داشته باشند ، دردهای غیرطبیعی را تجربه می کنند ، بنابراین باید از درد آنها مراقبت شود بلافاصله و به طور جدی در تجارت ، اندازه گیری خودکار رفتار مصرف کنندگان در پاسخ به محصولات و تبلیغات محصولات می تواند تأثیر بسزایی در تحقیقات بازار خودکار و بهبود خدمات داشته باشد.

همچنین می تواند به ماموران کنترل مرز کمک کند تا افراد بالقوه خطرناک را در حین مصاحبه های معمول غربالگری شناسایی کرده و آنچه را که یک راننده قصد دارد در ثانیه های بعدی انجام دهد یا آنچه را که ماشین انتظار دارد انجام دهد، تشخیص دهد. همچنین تجزیه و تحلیل احساسات پنهان می تواند به ارزیابی مشکلات روحی ، به عنوان مثال ، افسردگی و اضطراب ، برای سلامت عاطفی افراد کمک کند.

صورت یکی از منابع اطلاعاتی است که برای تحلیل احساسات افراد معمولاً مورد استفاده قرار می گیرد. به طور کلی ، گروهی از احساسات گسسته از پیش تعریف شده ، مانند خنثی ، شادی ، غم ، غافلگیری ، ترس ، انزجار و عصبانیت ، یا ابعاد عاطفی مداوم ، مانند ظرفیت و برانگیختگی در چهره ها وجود خواهد داشت. سپس ، محققان چند مدل محاسباتی برای پیش بینی احساسات ایجاد خواهند کرد.

برای مثال فناوری هوش مصنوعی می تواند بیان عاطفی فرد را بر اساس عوامل مختلفی مانند محل قرارگیری ابروها ، چشم ها و نحوه حرکت دهان تعیین کند. امروزه ، روشهای پیشرفته تر ، روشهای یادگیری مبتنی بر داده هستند. برای این نوع روش ها ، سیستم های تشخیص احساس به طور کلی یاد می گیرند که از آرایه های زیادی از داده های دارای برچسب ، که به آن یادگیری تحت نظارت در یادگیری ماشین گفته می شود ، ارتباط بین یک احساس و نمود بیرونی آن را تعیین کنند.

این داده ها ممکن است شامل ضبط های صوتی یا ویدئویی از نمایش های تلویزیونی ، مصاحبه ها و آزمایش های مربوط به افراد ، کلیپ هایی از نمایش های تئاتر یا فیلم ها و دیالوگ های بازیگران حرفه ای باشد. براساس خطای پیش بینی شده، وقتی با برچسب های ارائه شده مقایسه می شود ، مدل های محاسباتی پارامترهای مدل را با استفاده از برخی روش های بهینه سازی ، مانند نزول شیب ، تنظیم می کنند. به طور معمول ، این فرآیند به صورت تکراری انجام می شود ، که در یادگیری ماشین به اصطلاح “یادگیری” است ، تا زمانی که به یک نقطه پذیرفته شده همگرا شود.

ما انسانها خصوصاً برای احساسات خیلی خوب پنهان می مانیم. به عنوان مثال ، می توان وانمود کرد که خوشبخت است حتی این شخص در درون خود به شدت عصبانی است. بنابراین ، اگر عامل هوش مصنوعی نتواند احساسات یک فرد را به درستی درک کند ، نمی تواند پاسخ مناسبی بدهد. بنابراین ، یکی از چالش برانگیزترین موارد برای (Emotion AI) درک احساسات انسانی ، خود به خودی یا عملی است. چگونه مدل محاسباتی می تواند این نوع مشکلات را برطرف کند؟

خوب ، در گروه ما به اصطلاحات خرد رجوع می کنیم. میکرو عبارات به عنوان حالت های صورت غیرارادی سریع تعریف می شوند که می توانند حالت های عاطفی سرکوب شده را آشکار کنند ، که این توانایی کشف احساس واقعی یک شخص را دارد. بنابراین ، اجازه می دهد که مدلهای محاسباتی احساس واقعی یک فرد را تشخیص و درک کنند ، می تواند مفید باشد. با این حال ، در مقایسه با عبارات عادی (عبارات کلان) ، تشخیص بیان خرد بسیار چالش برانگیز است زیرا بیان میکرو در کوتاه مدت بسیار کوتاه است و شدت آن نیز سرکوب می شود. بنابراین ، فقط حرکات کوچک زودگذر در صورت دارد که به سختی قابل مشاهده است. در گروه ما ، روش های مختلفی را برای مقابله با این چالش ها بررسی کرده ایم. به عنوان مثال ، ما برای بزرگنمایی شدت و در عین حال افزایش مدت بیان های میکرو را معرفی کرده ایم ، به گونه ای که می توان از روش های عبارات کلان نیز استفاده کرد.

صورت روشی جذاب برای برقراری ارتباط با احساسات است. اما محدودیت هایی نیز دارد. به عنوان مثال ، یک مدل محاسباتی به سختی می تواند قلب گریان را از صورت خندان تشخیص دهد (بگذارید بگوییم یکی سعی دارد غم و اندوه بزرگ را با لبخندی بزرگ پنهان کند) فقط بر اساس حالات صورت. اما اگر بتوانیم نشانه های بیشتری مانند صدا ، عملکرد و ضربان قلب را معرفی کنیم ، این مشکل آسان تر خواهد بود. یک نمونه نماینده متن و صدا است. مانند یکی از کلمات پرکاربرد فنلاندی  ، در اینجا ، با این کلمه واحد ، دشوار است که معنی آن را تشخیص دهید ، زیرا وقتی با لحن های مختلف احساسی گفته می شود ، می تواند کاملاً متفاوت باشد. ترکیب متن و صدا بسیار آسان خواهد بود. بنابراین ، عوامل عاطفی می توانند احساسات انسانی را از طریق نشانه ها یا سیگنالهای مختلف با دقت بیشتری تشخیص دهند. بیشتر سیستم های تشخیص احساس موجود ، حالت چهره و صدای فرد و همچنین کلماتی را که مردم می گویند یا می نویسند ، تجزیه و تحلیل می کنند. در حالی که در تحقیقات ما ، موارد بیشتری از جمله اقدامات انسانی ، حرکات و همچنین اطلاعات زیستی از راه دور از فیلم های چهره را اندازه گیری می کنیم . در حالی که سرنخ های بیشتری داریم ، می توانیم یک سیستم قابل اعتماد تر ، یادگیری چند حالته برای بهبود عملکرد برای درک واقعی احساسات انسانی بسازیم.