Wyraz twarzy jest jednym z podstawowych narzędzi naszej niewerbalnej komunikacji. Mimo, że nie zdajemy sobie często sprawy to automatycznie czytamy i naśladujemy ekspresje rozmówcy jakimi jest złość, szczęście czy smutek. Czy sztuczna inteligencja również potrafi odczuć emocje lub je naśladować? Jak wygląda rozpoznawanie emocji na twarzy z punktu widzenia AI?

AI: W czym jest do nas podobny?

Choć Sztuczna Inteligencja ma w wielu aspektach przewagę nad ludzkim mózgiem jeżeli chodzi o pojemność faktograficzną, to w wielu aspektach oba systemy w dużej mierze działają podobnie.
  • Styl przechowywania: Oba systemy działają w oparciu o kompresję danych i skojarzeniowe mapy pojęć.
  • Naśladowanie myśli: Dzięki strukturalnym podobieństwom algorytmy potrafią dekodować sygnały fMRI i rekonstruować ludzkie stany mentalne.
  • Wnioskowanie: W cyfrowych warstwach sieci dochodzi do procesów przypominających ludzką dynamikę poznawczą, gdzie szybkie, intuicyjne odpowiedzi rywalizują z dokładniejszymi.

From Data to Action: AI in Investment Management - Poniak Times

AI: Gdzie są zatem różnice?

  • Modułowość: Sieci LLM są w strukturze znacznie prostsze od ludzkiego mózgu. Sprawia to, że w przeciwieństwie do biologicznego układu nerwowego ich architekturę cechuje większa przejrzystość.
  • Algorytm uczenia: W AI algorytm uczenia jest narzucony z zewnątrz. W mózgu proces ten wynika bezpośrednio z samej biologicznej struktury sieci i synaps.
  • Plastyczność: Mózg naturalnie i stale się zmienia. AI nie uczy się sam, gdy nie damy mu danych do trenowania.
  • Naturalne struktury: Wydaje się oczywiste, natomiast ludzki mózg posiada ewolucyjnie wykształcone moduły ułatwiające uczenie się, a nawet posiada konkretne obszary odpowiedzialne z emocje np. układ limbiczny. Sztuczne sieci ich nie mają. AI to jedynie matematyczny optymalizator bez własnych emocji i myśli.
  • Zużycie energii: Człowiek potrzebuje na codzienne funkcjonowanie i pracę intelektualną od 3 do 5 kWh dziennie. Dla porównania, według najnowszych szacunków, AI zużywa około 0,3 Wh na prompta. Uwzględniając 40 zapytań to około 12 Wh, czyli 0,012 kWh.Mózg vs AI. Wyniki neurobadań - Security Magazine

Rozpoznawanie emocji na twarzy:

Istnieje wiele praktyk stosowanych w sztucznej inteligencji wykrywającej ekspresje na ludzkiej twarzy. Jednak większość istniejących systemów jest trenowana wyłącznie na bazach danych z wyolbrzymionym i stereotypowymi emocjami. Naturalna mimika często taka nie jest. Mogą pojawić się subtelne i szybko zmieniające się zmiany na twarzy, które program uczony na zniekształconych obrazkach nie wychwyci.

Affectiva AFFDEX to jeden z najbardziej znanych na świecie systemów do tzw. Emotion AI (sztucznej inteligencji emocjonalnej). Zajmuje się on rozpoznawanie stanu afektywnego ludzkiej twarzy. Ocena skuteczności AFFDEX (w1.0; iMotions) została wykonana przez badaczy, aby zbadać, jak podstawowe emocje są wykrywane ze spontanicznych ruchów twarzy.

Exadel Poland rozwija technologię rozpoznawania twarzy - ITwiz

Intensywność emocji, a skuteczność programu:

W badaniu przeanalizowano 5 baz danych (BINED, BP4D, DISFA, EB+ oraz Emognition). Wybrano łącznie 250 spontanicznych ekspresji (po 10 dla każdego z 5 badanych emocji w każdej bazie, z równym podziałem na płeć: 125 kobiet i 125 mężczyzn). Czas wyselekcjonowanych filmów wideo wahał się od 5 sekund do 2 minut i 9 sekund. Częstotliwość klatek (framerate) w nagraniach wynosiła od 20 do 60 klatek na sekundę. Badanie objęło również 5 podstawowych emocji—szczęście, smutek, strach, obrzydzenie, zaskoczenie.

Wyniki pokazały, że skuteczność programu zależy od konkretnej emocji. System doskonale rozpoznawał szczęście (R²=0,917), jednak radził sobie znacznie gorzej z takimi stanami jak smutek (R²=0,589), strach (R²=0,555) czy obrzydzenie (R²=0,855). Dodatkowo oprogramowanie osiągało lepsze wyniki przy analizie twarzy męskich niż żeńskich. Szczegółowa analiza ruchów mięśni twarzy ujawniła, że program opiera swoje decyzje na bardzo uproszczonych schematach, silnie faworyzując wyznaczniki prototypowe i skrajne emocje. Okazało się również, że ponad 90% procent naturalnych ekspresji odbiega od podręcznikowych wzorców. Zauważono, że system miał również trudność z wnioskowaniem na temat twarzy zawierających wiele sygnałów afektywnych.

Tu Me Dis Quoi Expression | Définition tu me dis quoi – DDVLNE

Potrzeba wzmocnienia AI:

Efekt badania wskazuje, że podstawowe oraz intensywne ekspresje na twarzy sztuczna inteligencja rozpoznaje bez większych trudności. Problem zaczyna się pojawiać, gdy program ma za zadanie wykryć emocje na twarzy o różnej intensywności bodźców afektywnych. Warto pamiętać, że rozumowanie AI opiera się na ogromnych sztucznych sieciach neuronowych, które wciąż są udoskonalane. Mimo, że niektóre kwestie wydają nam się oczywiste, to zaprojektowanie maszyny rozumującej w sposób ludzki jest przedsięwzięciem wymagającym interdyscyplinarnej współpracy. Sztuczny program będzie musiał rozpoznawać wzorce, ale również rozumieć głęboki kontekst społeczny i kulturowy.

 

Bibliografia: