Affective Computing

Аффективные вычисления — это ветвь искусственного интеллекта, которая позволяет компьютерным системам обнаруживать, представлять, реагировать на человеческие аффекты или симулировать их. Аффект — это широкий термин, охватывающий эмоции, настроение, стресс, возбуждение и связанные с ними состояния. Вместо того чтобы наделять машину подлинными чувствами, аффективные вычисления помогают ей распознавать сигналы, связанные с человеческим опытом, и соответствующим образом адаптировать свое поведение.

Также называемая ИИ эмоций или аффективным ИИ, эта область объединяет машинное обучение, психологию, сенсорику и взаимодействие человека с компьютером. Группа исследователей аффективных вычислений Массачусетского технологического института описывает свою основную цель как разработку технологий, которые лучше понимают эмоции и реагируют на них, одновременно поддерживая благополучие человека.

Как работают аффективные вычисления#

Аффективная система обычно следует конвейеру восприятия и реагирования:

1. Сбор сигналов: Камеры, микрофоны, носимые датчики, журналы взаимодействия или текстовые интерфейсы собирают наблюдаемые данные. Примеры включают движения лица, интенсивность голоса, осанку, частоту сердечных сокращений и выбор слов.
2. Извлечение признаков: Модель компьютерного зрения может определять лица или ключевые точки тела, в то время как модели речи и обработки естественного языка анализируют голос или текст.
3. Оценка аффекта: Классификатор или модель регрессии сопоставляют извлеченные признаки с метками, такими как «разочарован» или «спокоен», либо с непрерывными значениями, такими как низкое или высокое возбуждение.
4. Использование контекста: Система объединяет сигналы с ситуационной информацией. Повышенный тон во время спортивного мероприятия может означать волнение, в то время как тот же сигнал во время работы службы поддержки может указывать на разочарование.
5. Выбор ответа: Приложение может изменить формулировку, оказать помощь, сократить количество прерываний или запросить проверку человеком.

Многие системы используют модальный ИИ, поскольку ни один отдельный канал не передает эмоции надежно. Объединение видео, речи, текста и физиологических сигналов может предоставить больше контекста, но это также увеличивает требования к конфиденциальности и управлению данными.

Связанные понятия и ключевые различия#

Аффективные вычисления пересекаются с несколькими областями ИИ, но имеют четкую цель:

• Анализ тональности текста: Обычно классифицирует мнения, выраженные в тексте, как положительные, отрицательные или нейтральные. Аффективные вычисления шире и могут оценивать настроение, стресс, вовлеченность или возбуждение по нескольким сигналам.
• Распознавание лиц: Пытается установить личность. Анализ аффектов лица вместо этого исследует видимые признаки, связанные с выражением. Ни одна из задач не доказывает, что человек чувствует внутри.
• Распознавание действий: Определяет такие действия, как ходьба, махи руками или падение. Аффективные вычисления могут использовать такое поведение в качестве контекстуальных свидетельств, но пытаются смоделировать аффективное состояние или выбрать ответ с учетом аффекта.
• Когнитивные вычисления: Охватывают системы, предназначенные для поддержки человеческого рассуждения и принятия решений. Аффективные вычисления сосредоточены конкретно на эмоциях и связанных с ними состояниях человека.

«Аффективное программное обеспечение» относится к приложениям, содержащим эти возможности, в то время как «технология чувств» — это неформальное, менее точное описание. Система обрабатывает измеримые сигналы и статистические закономерности; она не наблюдает напрямую за мыслями или чувствами.

Практические применения#

Два конкретных приложения иллюстрируют, как аффективные вычисления могут влиять на поведение ИИ:

• Адаптивные игры: Игра может сочетать осанку игрока, активность контроллера, повторяющиеся сбои и скорость взаимодействия для оценки разочарования или вовлеченности. Она может предложить подсказку, скорректировать сложность или отложить прерывание. Полезным результатом является не утверждение о том, что у игрока есть одна определенная эмоция, а адаптивный ответ на основе неопределенных данных.

• Помощь в автомобиле: Система мониторинга водителя может анализировать положение головы, осанку тела, закрытие глаз и поведение вождения на наличие признаков, связанных с усталостью или снижением внимания. Затем система может выдать предупреждение или порекомендовать перерыв. Наблюдаемые показатели безопасности должны иметь приоритет над спекулятивными метками, такими как «злой водитель».

Приложения, связанные со здоровьем, требуют дополнительного внимания. Руководство Всемирной организации здравоохранения по этичному использованию ИИ в здравоохранении подчеркивает автономию, безопасность, прозрачность, подотчетность и справедливость, когда ИИ влияет на здоровье или благополучие.

Практический контекст компьютерного зрения#

Оценка позы может предоставлять ключевые точки тела в качестве одного из входных данных для аффективного конвейера. Этот пример Ultralytics YOLO26 определяет позу человека:

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")

Выходные данные показывают обнаруженные ключевые точки тела; система не делает вывод об эмоциях. Полное аффективное приложение потребует специальных меток для конкретных целей, контекстных входных данных, откалиброванной неопределенности и отдельно проверенного уровня принятия решений. Команды могут использовать Платформу Ultralytics для разметки наборов данных в облаке, обучения, развертывания и мониторинга при разработке визуальных компонентов такой системы.

Риски и ответственный дизайн#

Метки, связанные с эмоциями, субъективны и могут различаться у разных людей, культур, сред и аннотаторов. Плохо спроектированные системы могут принимать инвалидность, нейроотличность, освещение, акцент или обычное поведение за эмоциональное состояние. Разработчики должны проводить аудит предвзятости набора данных, оценивать производительность в соответствующих группах, поддерживать неопределенные или неопределимые выходные данные и избегать использования предсказаний в качестве неоспоримых фактов.

Аффективные данные также могут включать конфиденциальную информацию о лице, голосе, поведении или физиологических показателях. Фрюктура управления рисками ИИ NIST и Фреймворк конфиденциальности NIST обеспечивают практическую основу для контроля рисков и конфиденциальности, в то время как политика Федеральной торговой комиссии США в отношении биометрической информации подчеркивает проблемы, связанные с неподтвержденными заявлениями о точности, скрытым сбором данных, предвзятостью и неадекватным мониторингом.

Требования зависят от юрисдикции и контекста. Например, правила Закона об искусственном интеллекте Европейского союза в отношении распознавания эмоций ограничивают его использование на рабочих местах и в учебных заведениях с узкими медицинскими исключениями и исключениями безопасности. Ответственные системы должны получать осознанное согласие, минимизировать хранимые данные, документировать ограничения, сохранять надзор человека и использовать постоянный мониторинг моделей для выявления сбоев после развертывания.