Affective Computing

Điện toán cảm xúc là một nhánh của trí tuệ nhân tạo cho phép hệ thống máy tính phát hiện, biểu diễn, phản hồi hoặc mô phỏng cảm xúc của con người. Cảm xúc là một thuật ngữ rộng bao gồm các trạng thái tình cảm, tâm trạng, căng thẳng, sự kích thích và các trạng thái liên quan. Thay vì mang lại cho máy móc cảm xúc thực sự, điện toán cảm xúc giúp máy móc nhận diện các tín hiệu gắn liền với trải nghiệm của con người và điều chỉnh hành vi của máy móc cho phù hợp.

Còn được gọi là AI cảm xúc hoặc AIaffective, lĩnh vực này kết hợp học máy, tâm lý học, công nghệ cảm biến và tương tác người-máy. Nhóm nghiên cứu Điện toán Cảm xúc MIT mô tả mục đích rộng hơn của nhóm là phát triển các công nghệ hiểu và phản hồi cảm xúc tốt hơn đồng thời hỗ trợ sự an lạc của con người.

Cách Điện toán Cảm xúc Hoạt động#

Một hệ thống cảm xúc thường tuân theo quy trình tiếp nhận và phản hồi:

1. Thu thập tín hiệu: Camera, micrô, cảm biến đeo tay, nhật ký tương tác hoặc giao diện văn bản thu thập dữ liệu có thể quan sát được. Các ví dụ bao gồm chuyển động khuôn mặt, cường độ giọng nói, tư thế, nhịp tim và lựa chọn từ ngữ.
2. Trích xuất đặc trưng: Một mô hình thị giác máy tính có thể xác định vị trí khuôn mặt hoặc các điểm mốc cơ thể, trong khi các mô hình giọng nói và xử lý ngôn ngữ tự nhiên phân tích giọng nói hoặc văn bản.
3. Ước tính cảm xúc: Một mô hình phân loại hoặc hồi quy ánh xạ các đặc trưng được trích xuất thành các nhãn chẳng hạn như “frustrated” hoặc “calm”, hoặc thành các giá trị liên tục chẳng hạn như mức độ kích thích từ thấp đến cao.
4. Sử dụng ngữ cảnh: Hệ thống kết hợp các tín hiệu với thông tin tình huống. Giọng nói lớn trong một sự kiện thể thao có thể có nghĩa là sự phấn khích, trong khi cùng một tín hiệu đó trong quá trình hỗ trợ khách hàng có thể cho thấy sự thất vọng.
5. Chọn phản hồi: Ứng dụng có thể thay đổi cách diễn đạt, cung cấp hỗ trợ, giảm thiểu sự gián đoạn hoặc yêu cầu sự xem xét của con người.

Nhiều hệ thống sử dụng AI đa phương thức vì không có kênh đơn lẻ nào truyền tải cảm xúc một cách đáng tin cậy. Kết hợp video, giọng nói, văn bản và tín hiệu sinh lý có thể cung cấp nhiều ngữ cảnh hơn, nhưng điều này cũng làm tăng các yêu cầu về quyền riêng tư và quản trị dữ liệu.

Các khái niệm liên quan và điểm khác biệt chính#

Điện toán cảm xúc chồng chéo với một số lĩnh vực AI nhưng có một mục tiêu riêng biệt:

• Phân tích cảm sentiment: Thường phân loại các ý kiến được thể hiện trong văn bản là tích cực, tiêu cực hoặc trung tính. Điện toán cảm xúc có nhiều điểm rộng hơn và có thể ước tính tâm trạng, căng thẳng, mức độ tương tác hoặc sự kích thích từ nhiều tín hiệu.
• Nhận dạng khuôn mặt: Cố gắng xác định danh tính. Phân tích cảm xúc khuôn mặt thay vào đó kiểm tra các đặc trưng có thể nhìn thấy liên quan đến biểu cảm. Không nhiệm vụ nào chứng minh được điều con người đang cảm nhận bên trong.
• Nhận dạng hành động: Xác định các hoạt động chẳng hạn như đi bộ, vẫy tay hoặc ngã. Điện toán cảm xúc có thể sử dụng các hành vi đó làm bằng chứng theo ngữ cảnh nhưng cố gắng mô hình hóa trạng thái cảm xúc hoặc chọn phản hồi nhận thức cảm xúc.
• Điện toán nhận thức: Bao gồm các hệ thống được thiết kế để hỗ trợ lập luận và ra quyết định giống con người. Điện toán cảm xúc tập trung cụ thể vào cảm xúc và các trạng thái liên quan của con người.

“Phần mềm cảm xúc” đề cập đến các ứng dụng chứa các khả năng này, trong khi “công nghệ cảm giác” là một mô tả không chính thức và ít chính xác hơn. Hệ thống xử lý các tín hiệu có thể đo lường và các mẫu thống kê; hệ thống không trực tiếp quan sát suy nghĩ hoặc cảm xúc.

Các ứng dụng trong thực tế#

Hai ứng dụng cụ thể minh họa cách điện toán cảm xúc có thể ảnh hưởng đến hành vi của AI:

• Trò chơi thích ứng: Một trò chơi có thể kết hợp tư thế của người chơi, hoạt động của bộ điều khiển, các lỗi lặp đi lặp lại và tốc độ tương tác để ước tính sự thất vọng hoặc mức độ tương tác. Trò chơi có thể đưa ra gợi ý, điều chỉnh độ khó hoặc trì hoãn việc gián đoạn. Kết quả hữu ích không phải là khẳng định người chơi có một cảm xúc xác định duy nhất, mà là phản hồi thích ứng dựa trên bằng chứng không chắc chắn.

• Hỗ trợ trong xe: Hệ thống giám sát tài xế có thể phân tích vị trí đầu, tư thế cơ thể, thời gian nhắm mắt và hành vi lái xe để tìm các dấu hiệu liên quan đến sự mệt mỏi hoặc giảm chú ý. Hệ thống sau đó có thể phát ra cảnh báo hoặc khuyến nghị nghỉ ngơi. Các chỉ số an toàn có thể quan sát được nên được ưu tiên hơn các nhãn phỏng đoán chẳng hạn như “tài xế tức giận”.

Các ứng dụng liên quan đến sức khỏe đòi hỏi sự quan tâm bổ sung. Hướng dẫn của Tổ chức Y tế Thế giới về AI đạo đức trong y tế nhấn mạnh tính tự chủ, an toàn, minh bạch, trách nhiệm giải trình và sự công bằng khi AI ảnh hưởng đến sức khỏe hoặc sự an lạc.

Ngữ cảnh Thị giác Máy tính Thực tế#

Ước lượng tư thế có thể cung cấp các điểm mốc cơ thể làm một đầu vào cho một quy trình cảm xúc. Ví dụ Ultralytics YOLO26 này xác định tư thế con người:

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")

Kết quả đầu ra hiển thị các điểm mốc cơ thể được phát hiện; đầu ra không suy ra cảm xúc. Một ứng dụng cảm xúc hoàn chỉnh sẽ yêu cầu các nhãn dành riêng cho mục đích, các đầu vào theo ngữ cảnh, độ bất định được hiệu chuẩn và một lớp quyết định được xác thực riêng. Các nhóm có thể sử dụng Ultralytics Platform để chú thích tập dữ liệu trên đám mây, huấn luyện, triển khai và giám sát khi phát triển các thành phần trực quan của hệ thống như vậy.

Rủi ro và Thiết kế Có trách nhiệm#

Các nhãn liên quan đến cảm xúc có tính chủ quan và có thể khác nhau giữa các cá nhân, nền văn hóa, môi trường và người chú thích. Các hệ thống được thiết kế kém có thể nhầm lẫn khuyết tật, sự khác biệt thần kinh, ánh sáng, giọng điệu hoặc hành vi thông thường với một trạng thái cảm xúc. Các nhà phát triển nên kiểm toán độ lệch tập dữ liệu, đánh giá hiệu suất trên các nhóm có liên quan, hỗ trợ các đầu ra không chắc chắn hoặc “không thể xác định”, và tránh sử dụng các dự báo làm sự thật không thể chối cãi.

Dữ liệu cảm xúc cũng có thể bao gồm thông tin nhạy cảm về khuôn mặt, giọng nói, hành vi hoặc sinh lý học. Khung Quản lý Rủi ro AI của NIST và Khung Quyền riêng tư của NIST cung cấp nền tảng thực tế cho các biện pháp kiểm soát rủi ro và quyền riêng tư, trong khi chính sách thông tin sinh trắc học của FTC làm nổi bật các mối quan ngại liên quan đến các tuyên bố về độ chính xác không được hỗ trợ, việc thu thập ngầm, độ lệch và việc giám sát không đầy đủ.

Các yêu cầu phụ thuộc vào khu vực tài phán và ngữ cảnh. Ví dụ, các quy định của Đạo luật AI EU về nhận dạng cảm xúc hạn chế việc sử dụng các quy định này tại nơi làm việc và các cơ sở giáo dục, với các ngoại lệ y tế và an toàn hẹp. Các hệ thống có trách nhiệm nên có được sự đồng ý có ý nghĩa, giảm thiểu dữ liệu được giữ lại, tài liệu hóa các giới hạn, duy trì sự giám sát của con người và sử dụng giám sát mô hình liên tục để xác định các lỗi sau khi triển khai.