تشخیص احساسات انسان‌ها با هوش مصنوعی

به گزارش کارگروه فناوری اطلاعات سایبربان؛ پژوهشگران آزمایشگاه رسانه ام. آی. تی (MIT Media Lab)، الگوریتم یادگیری ماشینی توسعه داده اند که در تشخیص احساسات انسان ها به رایانه ها کمک می کند.

در حال حاضر تحقیقات بسیاری در زمینه ی «محاسبات عاطفی» (affective computing) انجام می شود تا روبات ها و رایانه ها بتوانند احساسات انسان را تشخیص داده و نسبت به آن پاسخ مناسب ارائه دهند. از این گونه دستاوردها می توان برای نظارت روی سلامت بیماران و افزایش رفاه آنها،  بررسی میزان علاقه ی دانشجویان به کلاس درس و تشخیص علائم بیماری استفاده کرد.

یکی از چالش های حوزه ی بالا، تفاوت احساسات به نمایش درآمده توسط مردم است. این موضوع به عوامل بسیاری مانند فرهنگ، جنسیت، گروه سنی بستگی دارد. البته این مسئله به عوامل بسیار کوچک دیگری نیز مانند، میزان خواب آلودگی فرد، شرایط لحظه ای، آشنایی با فرد مقابل مرتبط بوده و شادی و غم لحظه ای به وجود می آورد. مغز انسان به صورت طبیعی چنین مواردی را در نظر می گیرند؛ اما پیشرفته ترین الگوریتم های امروزی همچنان نمی توانند با دقت لازم در این زمینه عمل کنند.

پژوهشرگان MIT موفق به توسعه ی الگوریتمی شده اند که نسبت به نمونه ی سنتی عملکرد بهتری داشته و از طریق هزاران تصویر در رابطه با احساسات انسان ها آموزش دیده است. به علاوه با افزایش داده های آموزشی می توان دستاورد ایجاد شده را برای شناسایی طیف وسیع تری از مردم نیز به کار گرفت.

اگی رادُویک (Oggi Rudovic)، یکی از پژوهشگران آزمایشگاه مذکور گفت:

این یک شیوه ی ساده برای نظارت روی احساسات ما است. اگر شما روبات هایی با هوش اجتماعی می خواهید، باید به گونه ای آنها را هوشمند سازید که به طور طبیعی و مشابه با انسان ها به احساسات پاسخ دهند.

در نمونه های قدیمی از مفهوم «فری سایز» (one-size-fits-all) استفاده می شد. در این مفهوم هوش مصنوعی از طریق تصاویر با حالت های مختلف چهره مانند شکل لب در زمان های شادی و غم آموزش داده می شد.

در مقابل پژوهشگران MIT از الگوریتم «mixture of experts/MoE» را با شیوه های شخصی سازی ترکیب کرده است تا بتوانند دقت محاسبات عاطفی را افزایش دهد. این اولین بار است که دو روش یاد شده با یکدیگر ترکیب می شوند.

الگوریتم MoE شامل مدل هایی از شبکه های عصبی است، هر یک از این مدل ها به عنوان یک کارشناس به منظور انجام یک فعالیت جداگانه و خروجی منحصر به فرد آموزش داده می شوند. همچنین گیت هایی ایجاد شده است که احتمالا باعث می شود بهترین تشخیص ممکن از حالت های غیرممکن به دست آورد.