Affective Computing

감성 컴퓨팅은 컴퓨터 시스템이 인간의 감성을 감지, 표현, 응답 또는 시뮬레이션할 수 있도록 지원하는 인공지능의 한 분야입니다. 감성은 감정, 기분, 스트레스, 각성 및 관련 상태를 아우르는 광범위한 용어입니다. 기계에 실제 감정을 부여하기보다는, 감성 컴퓨팅은 기계가 인간의 경험과 관련된 신호를 인식하고 그에 따라 행동을 조정하도록 돕습니다.

감정 AI 또는 감성 AI라고도 불리는 이 분야는 머신러닝, 심리학, 센싱, 그리고 인간-컴퓨터 상호작용을 결합합니다. MIT 감성 컴퓨팅 그룹은 이 분야의 더 넓은 목적이 인간의 웰빙을 지원하는 동시에 감정을 더 잘 이해하고 대응하는 기술을 개발하는 것이라고 설명합니다.

감성 컴퓨팅의 작동 방식#

감성 시스템은 일반적으로 다음과 같은 인지 및 응답 파이프라인을 따릅니다.

1. 신호 캡처: 카메라, 마이크, 웨어러블 센서, 상호작용 로그 또는 텍스트 인터페이스가 관찰 가능한 데이터를 수집합니다. 예시로는 얼굴 움직임, 음성 강도, 자세, 심박수, 단어 선택 등이 포함됩니다.
2. 특징 추출: 컴퓨터 비전 모델은 얼굴이나 신체 키포인트를 찾을 수 있으며, 음성 및 자연어 처리 모델은 음성 또는 텍스트를 분석합니다.
3. 감성 추정: 분류기 또는 회귀 모델은 추출된 특징을 “좌절함” 또는 “차분함” 같은 레이블이나 낮음에서 높음까지의 각성 같은 연속형 값에 매핑합니다.
4. 맥락 활용: 시스템은 신호를 상황 정보와 결합합니다. 스포츠 경기 중 높아진 목소리는 흥분을 의미할 수 있지만, 고객 지원 중 동일한 신호는 좌절을 나타낼 수 있습니다.
5. 응답 선택: 애플리케이션은 문구를 변경하거나, 지원을 제공하거나, 방해 요소를 줄이거나, 인간의 검토를 요청할 수 있습니다.

단일 채널로는 감정을 안정적으로 전달할 수 없기 때문에 많은 시스템이 멀티모달 AI를 사용합니다. 비디오, 음성, 텍스트 및 생체 신호를 결합하면 더 많은 맥락을 제공할 수 있지만, 프라이버시 및 데이터 거버넌스 요구 사항도 증가합니다.

관련 개념 및 주요 차이점#

감성 컴퓨팅은 여러 AI 분야와 겹치지만 고유한 목표를 가지고 있습니다.

• 감성 분석: 일반적으로 텍스트로 표현된 의견을 긍정적, 부정적 또는 중립적으로 분류합니다. 감성 컴퓨팅은 더 광범위하며 여러 신호로부터 기분, 스트레스, 참여도 또는 각성을 추정할 수 있습니다.
• 얼굴 인식: 신원을 확립하려고 시도합니다. 반면 얼굴 감성 분석은 표정과 관련된 가시적 특징을 검사합니다. 두 작업 모두 사람이 내부적으로 무엇을 느끼고 있는지 증명하지는 못합니다.
• 행동 인식: 걷기, 손 흔들기, 넘어지기 등의 활동을 식별합니다. 감성 컴퓨팅은 그러한 행동을 맥락적 증거로 사용할 수 있지만 감성 상태를 모델링하거나 감성을 인식하는 응답을 선택하려고 시도합니다.
• 인지 컴퓨팅: 인간과 유사한 추론 및 의사결정을 지원하도록 설계된 시스템을 다룹니다. 감성 컴퓨팅은 특히 감정과 관련 인간 상태에 초점을 맞춥니다.

“감성 소프트웨어”는 이러한 기능이 포함된 애플리케이션을 의미하며, “느낌 기술”은 비공식적이고 덜 정밀한 설명입니다. 시스템은 측정 가능한 신호와 통계적 패턴을 처리하며, 생각이나 느낌을 직접 관찰하지는 않습니다.

실제 적용 사례#

두 가지 구체적인 애플리케이션은 감성 컴퓨팅이 AI 행동에 어떻게 영향을 미칠 수 있는지 보여줍니다.

• 적응형 게임: 게임은 플레이어의 자세, 컨트롤러 활동, 반복되는 실패 및 상호작용 속도를 결합하여 좌절감이나 참여도를 추정할 수 있습니다. 힌트를 제공하거나, 난이도를 조절하거나, 방해 요소를 지연시킬 수 있습니다. 유용한 출력은 플레이어가 하나의 결정적인 감정을 가지고 있다는 주장이 아니라 불확실한 증거에 기반한 적응형 응답입니다.

• 차량 내 지원: 운전자 모니터링 시스템은 피로 또는 주의력 저하와 관련된 징후에 대해 머리 위치, 신체 자세, 눈 감김 및 운전 행동을 분석할 수 있습니다. 그런 다음 경고를 발령하거나 휴식을 권장할 수 있습니다. 관찰 가능한 안전 지표는 “화난 운전자”와 같은 추측성 레이블보다 우선시되어야 합니다.

건강 관련 애플리케이션에는 각별한 주의가 필요합니다. 보건 분야의 윤리적 AI에 관한 세계보건기구 지침은 AI가 건강이나 웰빙에 영향을 미칠 때 자율성, 안전성, 투명성, 책임성, 형평성을 강조합니다.

실용적인 컴퓨터 비전 맥락#

포즈 추정은 감성 파이프라인의 한 가지 입력으로 신체 키포인트를 제공할 수 있습니다. 이 Ultralytics YOLO26 예시는 인간의 자세를 식별합니다.

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")

출력은 감지된 신체 키포인트를 보여주며, 감정을 추론하지는 않습니다. 완전한 감성 애플리케이션에는 목적에 맞는 레이블, 맥락 입력, 보정된 불확실성, 그리고 별도로 검증된 의사결정 레이어가 필요합니다. 팀은 이러한 시스템의 시각적 컴포넌트를 개발할 때 클라우드 데이터셋 주석, 학습, 배포 및 모니터링을 위해 Ultralytics 플랫폼을 사용할 수 있습니다.

위험 및 책임 있는 디자인#

감정과 관련된 레이블은 주관적이며 개인, 문화, 환경, 주석자에 따라 달라질 수 있습니다. 잘못 설계된 시스템은 장애, 신경다양성, 조명, 억양 또는 평범한 행동을 감정 상태로 오인할 수 있습니다. 개발자는 데이터셋 편향을 감사하고, 관련 그룹 전반의 성능을 평가하고, 불확실하거나 “결정할 수 없음” 출력을 지원하며, 예측을 의심할 여지가 없는 사실로 사용하는 것을 피해야 합니다.

감성 데이터에는 민감한 얼굴, 음성, 행동 또는 생체 정보도 포함될 수 있습니다. NIST AI 위험 관리 프레임워크와 NIST 프라이버시 프레임워크는 위험 및 프라이버시 제어를 위한 실용적인 기반을 제공하며, FTC 생체 정보 정책은 근거 없는 정확도 주장, 은비 수집, 편향, 부적절한 모니터링과 관련된 우려를 강조합니다.

요구 사항은 관할권과 맥락에 따라 다릅니다. 예를 들어, 감정 인식에 관한 EU AI 법 규칙은 엄격한 의료 및 안전 예외를 제외하고 직장과 교육 기관에서의 사용을 제한합니다. 책임 있는 시스템은 의미 있는 동의를 얻고, 보관되는 데이터를 최소화하고, 한계를 문서화하고, 인간의 감독을 유지하고, 배포 후 실패를 식별하기 위해 지속적인 모델 모니터링을 사용해야 합니다.