Affective Computing
Scopri come l'informatica affettiva utilizza l'intelligenza artificiale per riconoscere le emozioni umane, esplora le applicazioni nel mondo reale e comprendi la privacy, i bias e i rischi etici.
Il computing affettivo è un ramo dell'intelligenza artificiale che consente ai sistemi informatici di rilevare, rappresentare, rispondere a o simulare l'affetto umano. L'affetto è un termine ampio che comprende emozioni, umori, stress, attivazione (arousal) e stati correlati. Invece di dare a una macchina sentimenti autentici, il computing affettivo la aiuta a riconoscere i segnali associati all'esperienza umana e ad adattare il suo comportamento di conseguenza.
Chiamato anche IA delle emozioni o IA affettiva, il campo combina machine learning, psicologia, rilevamento e interazione uomo-macchina. Il gruppo di computing affettivo del MIT descrive il suo scopo più ampio come lo sviluppo di tecnologie che comprendono e rispondono meglio all'emozione supportando al contempo il benessere umano.
Come funziona il computing affettivo#
Un sistema affettivo segue tipicamente una pipeline di percezione e risposta:
- Cattura i segnali: Telecamere, microfoni, sensori indossabili, registri di interazione o interfacce testuali raccolgono dati osservabili. Esempi includono il movimento facciale, l'intensità vocale, la postura, la frequenza cardiaca e la scelta delle parole.
- Estrae le caratteristiche: Un modello di computer vision può individuare volti o punti chiave del corpo, mentre i modelli di voce e di elaborazione del linguaggio naturale analizzano voce o testo.
- Stima l'affetto: Un classificatore o un modello di regressione mappa le caratteristiche estratte a etichette come "frustrato" o "calmo", oppure a valori continui come l'attivazione da bassa ad alta.
- Usa il contesto: Il sistema combina i segnali con informazioni situazionali. Una voce alzata durante un evento sportivo può significare eccitazione, mentre lo stesso segnale durante l'assistenza clienti può indicare frustrazione.
- Seleziona una risposta: L'applicazione può cambiare la sua formulazione, fornire assistenza, ridurre le interruzioni o richiedere una revisione umana.
Molti sistemi utilizzano l'IA multimodale perché nessun singolo canale comunica in modo affidabile l'emozione. La combinazione di video, voce, testo e segnali fisiologici può fornire più contesto, ma aumenta anche i requisiti di privacy e governance dei dati.
Concetti correlati e differenze chiave#
Il computing affettivo si sovrappone a diversi campi dell'IA ma ha un obiettivo distinto:
- Analisi del sentiment: Solitamente classifica le opinioni espresse nel testo come positive, negative o neutrali. Il computing affettivo è più ampio e può stimare umore, stress, coinvolgimento o attivazione da molteplici segnali.
- Riconoscimento facciale: Tenta di stabilire l'identità. L'analisi dell'affetto facciale esamina invece le caratteristiche visibili legate all'espressione. Nessun compito dimostra cosa una persona stia provando internamente.
- Riconoscimento delle azioni: Identifica attività come camminare, salutare o cadere. Il computing affettivo può utilizzare tali comportamenti come prova contestuale, ma tenta di modellare uno stato affettivo o di scegliere una risposta consapevole dell'affetto.
- Computing cognitivo: Copre i sistemi progettati per supportare il ragionamento e il processo decisionale simili a quelli umani. Il computing affettivo si concentra specificamente sull'emozione e sugli stati umani correlati.
"Software affettivo" si riferisce ad applicazioni contenenti queste capacità, mentre "tecnologia dei sentimenti" è una descrizione informale e meno precisa. Il sistema elabora segnali misurabili e pattern statistici; non osserva direttamente pensieri o sentimenti.
Applicazioni nel mondo reale#
Due applicazioni concrete illustrano come il computing affettivo possa influenzare il comportamento dell'IA:
-
Gaming adattivo: Un gioco può combinare la postura del giocatore, l'attività del controller, i fallimenti ripetuti e la velocità di interazione per stimare la frustrazione o il coinvolgimento. Potrebbe offrire un suggerimento, regolare la difficoltà o ritardare un'interruzione. L'output utile non è l'affermazione che il giocatore provi un'emozione definitiva, ma una risposta adattiva basata su prove incerte.
-
Assistenza a bordo veicolo: Un sistema di monitoraggio del conducente può analizzare la posizione della testa, la postura del corpo, la chiusura degli occhi e il comportamento di guida alla ricerca di segni associati a stanchezza o attenzione ridotta. Può quindi emettere un avviso o raccomandare una pausa. Gli indicatori di sicurezza osservabili dovrebbero avere la priorità su etichette speculative come "conducente arrabbiato".
Le applicazioni legate alla salute richiedono ulteriore attenzione. La guida dell'Organizzazione Mondiale della Sanità sull'IA etica per la salute enfatizza l'autonomia, la sicurezza, la trasparenza, la responsabilità e l'equità quando l'IA influisce sulla salute o sul benessere.
Contesto pratico di computer vision#
La stima della posa può fornire punti chiave del corpo come un input per una pipeline affettiva. Questo esempio di Ultralytics YOLO26 identifica la postura umana:
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")L'output mostra i punti chiave del corpo rilevati; non deduce l'emozione. Un'applicazione affettiva completa richiederebbe etichette specifiche per lo scopo, input contestuali, incertezza calibrata e un livello decisionale convalidato separatamente. I team possono utilizzare Ultralytics Platform per l'annotazione di dataset nel cloud, l'addestramento, il deployment e il monitoraggio durante lo sviluppo dei componenti visivi di tale sistema.
Rischi e progettazione responsabile#
Le etichette legate alle emozioni sono soggettive e possono variare tra individui, culture, ambienti e annotatori. I sistemi progettati male possono scambiare disabilità, neurodivergenza, illuminazione, accento o comportamento ordinario per uno stato emotivo. Gli sviluppatori dovrebbero verificare i bias dei dataset, valutare le prestazioni tra i gruppi pertinenti, supportare output incerti o "impossibile determinare" ed evitare di usare le predizioni come fatti indiscutibili.
I dati affettivi possono anche includere informazioni sensibili facciali, vocali, comportamentali o fisiologiche. Il framework di gestione del rischio IA del NIST e il framework per la privacy del NIST forniscono basi pratiche per i controlli del rischio e della privacy, mentre la politica sulle informazioni biometriche della FTC evidenzia le preoccupazioni che coinvolgono affermazioni di accuratezza non supportate, raccolta occulta, bias e monitoraggio inadeguato.
I requisiti dipendono dalla giurisdizione e dal contesto. Ad esempio, le norme dell'EU AI Act sul riconoscimento delle emozioni ne limitano l'uso nei luoghi di lavoro e negli istituti scolastici, con strette eccezioni mediche e di sicurezza. I sistemi responsabili dovrebbero ottenere un consenso significativo, ridurre al minimo i dati conservati, documentare le limitazioni, preservare la supervisione umana e utilizzare il monitoraggio dei modelli in corso per identificare i guasti dopo il deployment.
