Affective Computing

L'informatique affective est une branche de l'intelligence artificielle qui permet aux systèmes informatiques de détecter, représenter, simuler l'affect humain ou d'y répondre. L'affect est un terme large qui englobe les émotions, les humeurs, le stress, l'éveil et les états associés. Plutôt que de doter une machine de sentiments authentiques, l'informatique affective l'aide à reconnaître les signaux associés à l'expérience humaine et à adapter son comportement en conséquence.

Également appelée intelligence artificielle des émotions ou IA affective, la discipline associe l'apprentissage automatique, la psychologie, la détection et l'interaction homme-machine. Le groupe d'informatique affective du MIT décrit son objectif plus large comme le développement de technologies qui comprennent et gèrent mieux l'émotion tout en soutenant le bien-être humain.

Fonctionnement de l'informatique affective#

Un système affectif suit généralement un pipeline de perception et de réponse :

1. Capturer les signaux : Des caméras, des microphones, des capteurs portables, des journaux d'interaction ou des interfaces textuelles recueillent des données observables. Les exemples incluent les mouvements faciaux, l'intensité vocale, la posture, la fréquence cardiaque et le choix des mots.
2. Extraire des caractéristiques : Un modèle de vision par ordinateur peut localiser des visages ou des points clés du corps, tandis que des modèles de parole et de traitement automatique du langage naturel analysent la voix ou le texte.
3. Estimer l'affect : Un classeteur ou un modèle de régression associe les caractéristiques extraites à des étiquettes telles que « frustré » ou « calme », ou à des valeurs continues telles qu'un niveau d'éveil faible à élevé.
4. Utiliser le contexte : Le système combine les signaux avec des informations situationnelles. Une voix élevée lors d'un événement sportif peut signifier de l'enthousiasme, tandis que le même signal lors d'un support client peut indiquer de la frustration.
5. Sélectionner une réponse : L'application peut modifier sa formulation, fournir de l'aide, réduire les interruptions ou demander une révision humaine.

De nombreux systèmes utilisent l'IA multimodale car aucun canal unique ne communique de manière fiable l'émotion. La combinaison de la vidéo, de la parole, du texte et des signaux physiologiques peut fournir plus de contexte, mais elle accroît également les exigences en matière de confidentialité et de gouvernance des données.

Concepts connexes et principales différences#

L'informatique affective chevauche plusieurs domaines de l'IA mais poursuit un objectif distinct :

• Analyse des sentiments : Classifie généralement les opinions exprimées dans le texte comme positives, négatives ou neutres. L'informatique affective est plus large et peut estimer l'humeur, le stress, l'engagement ou l'éveil à partir de plusieurs signaux.
• Reconnaissance faciale : Tente d'établir l'identité. L'analyse des affects faciaux examine plutôt les caractéristiques visibles liées aux expressions. Aucune de ces tâches ne prouve ce qu'une personne ressent intérieurement.
• Reconnaissance d'actions : Identifie des activités telles que la marche, les salutations ou les chutes. L'informatique affective peut utiliser ces comportements comme des preuves contextuelles, mais tente de modéliser un état affectif ou de choisir une réponse consciente des affects.
• Informatique cognitive : Couvre les systèmes conçus pour soutenir le raisonnement et la prise de décision de type humain. L'informatique affective se concentre spécifiquement sur l'émotion et les états humains associés.

Le terme « logiciel affectif » désigne les applications contenant ces capacités, tandis que « technologie des sentiments » est une description informelle et moins précise. Le système traite des signaux mesurables et des modèles statistiques ; il n'observe pas directement les pensées ou les sentiments.

Applications concrètes#

Deux applications concrètes illustrent comment l'informatique affective peut influencer le comportement de l'IA :

• Jeux adaptatifs : Un jeu peut combiner la posture du joueur, l'activité de la manette, les échecs répétés et la vitesse d'interaction pour estimer la frustration ou l'engagement. Il peut offrir un indice, ajuster la difficulté ou retarder une interruption. Le résultat utile n'est pas l'affirmation que le joueur éprouve une émotion définitive, mais une réponse adaptative basée sur des preuves incertaines.

• Assistance à bord des véhicules : Un système de surveillance du conducteur peut analyser la position de la tête, la posture corporelle, la fermeture des yeux et le comportement de conduite à la recherche de signes associés à la fatigue ou à une attention réduite. Il peut ensuite émettre une alerte ou recommander une pause. Les indicateurs de sécurité observables doivent primer sur les étiquettes spéculatives telles que « conducteur en colère ».

Les applications liées à la santé exigent une attention accrue. Les orientations de l'Organisation mondiale de la santé sur l'IA éthique pour la santé soulignent l'autonomie, la sécurité, la transparence, la responsabilité et l'équité lorsque l'IA affecte la santé ou le bien-être.

Contexte pratique de la vision par ordinateur#

L'estimation de pose peut fournir des points clés du corps comme entrée d'un pipeline affectif. Cet exemple Ultralytics YOLO26 identifie la posture humaine :

from ultralytics import YOLO

# Load a pretrained pose estimation model
model = YOLO("yolo26n-pose.pt")

# Run inference on an image
results = model("https://ultralytics.com/images/bus.jpg")

# Select and save the visualized result
result = results[0]
result.save(filename="pose_result.jpg")

Le résultat montre les points clés corporels détectés ; il n'en déduit pas l'émotion. Une application affective complète nécessiterait des étiquettes spécifiques à l'application, des entrées contextuelles, une incertitude étalonnée et une couche de décision validée séparément. Les équipes peuvent utiliser Ultralytics Platform pour l'annotation de jeux de données dans le cloud, l'entraînement, le déploiement et la surveillance lors du développement des composants visuels d'un tel système.

Risques et conception responsable#

Les étiquettes liées aux émotions sont subjectives et peuvent varier selon les individus, les cultures, les environnements et les annotateurs. Des systèmes mal conçus peuvent confondre le handicap, la neurodivergence, l'éclairage, l'accent ou un comportement ordinaire avec un état émotionnel. Les développeurs doivent auditer les biais des jeux de données, évaluer les performances selon les groupes pertinents, prendre en charge les sorties incertaines ou « impossibles à déterminer » et éviter d'utiliser les prédictions comme des faits indiscutables.

Les données affectives peuvent également inclure des informations sensibles faciales, vocales, comportementales ou physiologiques. Le cadre de gestion des risques de l'IA du NIST et le cadre de confidentialité du NIST fournissent des bases pratiques pour les contrôles des risques et de la confidentialité, tandis que la politique de la FTC concernant les informations biométriques met en évidence les préoccupations liées aux allégations d'exactitude non fondées, à la collecte clandestine, aux biais et à une surveillance inadéquate.

Les exigences dépendent de la juridiction et du contexte. Par exemple, les règles de l'AI Act européen sur la reconnaissance des émotions restreignent son utilisation sur les lieux de travail et dans les établissements d'enseignement, avec de strictes exceptions médicales et de sécurité. Les systèmes responsables doivent obtenir un consentement significatif, minimiser les données conservées, documenter les limitations, préserver la supervision humaine et utiliser une surveillance continue des modèles pour identifier les défaillances après le déploiement.