211service.com
Datamaskiner kan ikke fortelle om du er glad når du smiler
En animert gif som viser mennesker med forskjellige ansiktsuttrykk Ms. Tech; Bilder fra Unsplash, Pixabay, Pexels
Når mennesker prøver å finne ut hvordan noen har det, bruker vi mye informasjon: ansiktsuttrykk, kroppsspråk, hvor personen er og mer. Når datamaskiner prøver å gjøre det samme, har de en tendens til å fokusere kun på ansiktet. Det er en stor feil: ifølge en viktig ny studie , tyder det på at de fleste påstandene fra følelsesgjenkjenningsselskaper er feil.
Følelsesgjenkjenning – eller bruk av teknologi for å analysere ansiktsuttrykk og utlede følelser – er etter ett anslag satt til å være en 25 milliarder dollar i virksomhet innen 2023 . Store selskaper som Microsoft og Apple, samt spesialiserte startups som Kairos og Affectiva, deltar alle. Selv om det oftest brukes til å selge produkter, har teknologi for følelsesgjenkjenning også dukket opp jobbrekruttering og som et mulig verktøy for å finne ut om noen prøver å begå forsikringssvindel . Tilbake i 2003, US Transportation Security Administration begynte å trene mennesker til å oppdage potensielle terrorister ved å lese ansiktsuttrykkene deres , så det er lett å forestille seg et kunstig intelligensprosjekt som prøver det samme. (TSA-programmet ble mye kritisert for er basert på dårlig vitenskap .)
Men i årevis nå har det vært økende tilbakeslag mot troen på at ansiktsuttrykk er enkle å gi bort til følelser. En gruppe forskere samlet av Forening for psykologivitenskap brukte to år på å gjennomgå mer enn 1000 artikler om følelsesdeteksjon. De fokuserte på forskning på hvordan folk beveger ansiktet når de føler visse følelser, og hvordan folk utleder andres følelsesmessige tilstander fra ansiktene deres. Gruppen konkluderte med at det er veldig vanskelig å bruke ansiktsuttrykk alene for nøyaktig å fortelle hvordan noen føler.
Folk smiler når de er glade og rynker når de er triste, men korrelasjonen er svak, sier studiemedforfatter Lisa Feldman Barrett , en psykolog ved Northeastern University. Folk gjør mange andre ting når de er glade eller triste også, og et smil kan være skjevt eller ironisk. Atferden deres varierer mye på tvers av kulturer og situasjoner, og kontekst spiller en stor rolle for hvordan vi tolker uttrykk. For eksempel i studier hvor noen plasserte et bilde av et positivt ansikt på kroppen til noen i en negativ situasjon, mennesker opplevde ansiktet som mer negativt .
Kort sagt, uttrykkene vi har lært å assosiere med følelser er stereotyper, og teknologi basert på disse stereotypiene gir ikke særlig god informasjon. Å få følelsesgjenkjenning riktig er dyrt og krever innsamling av mange ekstremt spesifikke data – mer, sier Barrett, enn noen har gjort så langt.
Faren for ikke nok data
De fleste selskapene jeg ba om å kommentere denne historien, inkludert Apple og Microsoft, svarte ikke. En som gjorde det, Kairo , lover forhandlere at de kan bruke teknologi for følelsesgjenkjenning for å finne ut hvordan kundene deres har det. Ved å skanne kundenes ansikter og analysere et løftet øyenbryn eller et smil for å fortelle om noen er glade eller triste, gir Kairos den typen data som kan være vanskelig for fysiske selskaper å samle inn, sier administrerende direktør Melissa Doval.
For å trene teknologien fikk Kairos folk til å se på følelsesfremkallende videoer og skanne ansiktene deres. Noen andre data kom fra poserte uttrykk. En person i selskapet er ansvarlig for å merke disse dataene for å mate algoritmen.
Dette er en ekstremt vanlig tilnærming, men den har to store svakheter, ifølge den nye anmeldelsen. Det ene er de poserte ansiktene. Hvis du blir bedt om å lage et overrasket ansikt, kan det være veldig forskjellig fra hvordan ansiktet ditt faktisk ser ut når du blir overrasket. Det andre problemet er å få en tredjepart til å gå gjennom og merke disse dataene. En observatør kan lese et ansiktsuttrykk som overrasket, men uten å spørre den opprinnelige personen, er det vanskelig å vite hva den virkelige følelsen var.
Resultatet er en teknologi med ganske rudimentære evner. For hennes del sier Doval at selskapet for tiden fokuserer på å forbedre kameraet og dashbordet i stedet for selve følelsesteknologien. Hun la til at de etter hvert ville være interessert i å ta forskning som Barretts i betraktning og legge til demografiske data for mer kontekst og for å gjøre algoritmen mer nøyaktig.
Faren for å få det riktig
Barrett har forslag til hvordan man kan gjøre følelsesgjenkjenning bedre. Ikke bruk enkeltbilder, sier hun; studere individer i ulike situasjoner over tid. Samle mye kontekst – som stemme, holdning, hva som skjer i miljøet, fysiologisk informasjon som hva som skjer med nervesystemet – og finn ut hva et smil betyr på en bestemt person i en bestemt situasjon. Gjenta, og se om du kan finne noen mønstre hos personer med lignende egenskaper som kjønn. Du trenger ikke alltid å måle alle, men du kan måle et større antall mennesker som du prøver på tvers av kulturer, sier hun. Jeg tror vi alle graviterer naturlig mot denne Big Data-tilnærmingen. Dette er nå mulig å gjøre, mens det til og med for et tiår siden var mye vanskeligere.
Denne metoden er mer lik tilnærmingen til selskaper som Boston-basert Affektive . Affectiva medgründer og administrerende direktør Rana el Kaliouby er enig i at den nåværende forståelsen av følelser er forenklet. Selskapets egen analyse har for eksempel vist at det finnes minst fem forskjellige typer smil, fra et flørtende smil til et høflig smil. Affectiva samler inn data fra 87 land, registrerer mennesker i virkelige situasjoner (som når de kjører), og ber deltakerne om selvrapporter om hvordan de har det. Er det et løst problem? Det er det ikke i det hele tatt, sier el Kaliouby. Affectivas teknologi er bedre til å klassifisere glede, for eksempel enn den er til å skille mellom frykt, sinne og avsky.
For nøyaktighet er mer data bedre. Men å samle inn så mye personlig data har også fallgruver, som de pågående debattene rundt ansiktsgjenkjenning viser. Forbrukere er i økende grad redde for å miste personvernet eller få dataene deres brukt mot seg. Det er noe som burde være en bekymring for alle disse systemene, sier Tiffany Lee , en personvernforsker med Yale Universitys informasjonssamfunnsprosjekt. Problemet er å ha de riktige sikringene.' Vi trenger for eksempel å vite hvor dataene kommer fra, hvordan de samles inn og hvordan de lagres. Vil dataene bli solgt eller overført? Vil den bli koblet til andre datasett som kan ha identifiserende informasjon?
Affectiva sier de nekter å samarbeide med overvåkings- eller løgndeteksjonsselskaper. Akademikere har vanligvis strenge grenser for hvordan de kan samle inn og dele data. Men den private sektoren er ikke styrt av brede regler rundt datainnsamling og bruk, og det kan være farlig når selskaper prøver å forbedre teknologiene sine. Jeg tror egentlig ikke vi har nok sikringer akkurat nå, sier Li.
Korreksjon: Følelsesgjenkjenning er satt til å bli en virksomhet på 25 milliarder dollar innen 2023, ifølge et markedsestimat. En tidligere versjon av denne artikkelen feilbehandlet dette tallet.