Эмоции — наша оценка событий и поведения других людей, ответ психики на обстоятельства. Они бывают как положительными — радость, восторг, благодарность, так и отрицательными — грусть, гнев, разочарование, обида.
Эмоции проявляются во всех видах человеческой коммуникации:
Эмоции проявляются во всех видах человеческой коммуникации:
- В разговоре — мы определяем настроение собеседника по его манере речи, громкости голоса, выбору слов, языку тела. Например, радостный человек говорит быстро, возбужденно, с подъемом голоса в конце фраз. В гневе — громко, агрессивно, с резкими интонациями.
- На письме — эмоции выражаются через выбор слов, знаки препинания и формулировки. Например, если человек пишет капсом, скорее всего, он злится и почти кричит. Если использует многоточия, разочарован или расстроен.
- Мимику, жесты и позы хорошо видно на фотографиях и в видео. Если человек улыбается, поза его расслаблена, скорее всего, он рад и доволен. Если напряжен, ладони сжаты в кулаки, брови сведены, значит злится или готовится к нападению.
Распознавать эмоции можно с помощью методов машинного обучения. Например, Sentiment Analysis — анализ тональности текста и Emotion Recognition — анализ изображений. Чтобы обучить компьютер распознавать эмоции, необходим большой размеченный датасет с текстами, изображениями, видео или голосовыми данными под условия задачи.
Какие задачи может решить распознавание эмоций?
- Понимание самочувствия человека в различных ситуациях. Например, определение уровня стресса на работе позволит руководству избежать выгорания сотрудников и своевременно отправлять их в отпуск. А приложение для диагностики депрессии направит к врачу на ранних стадиях.
- Создание более «человечных» интерфейсов. Искусственный интеллект, например голосовой помощник, «понимая» эмоции пользователя, не только выполняет нужную команду, но и подстраивается под его настроение.
- Улучшение качества взаимодействия с клиентами. Система автоматической обработки запросов считает эмоции и, например, пометит сообщения разгневанных пользователей как срочные.
Основная цель распознавания эмоций в машинном обучении — усовершенствовать взаимодействие между технологиями и людьми.
Технологии распознавания эмоций:
- Методы глубокого обучения. Сверточные нейронные сети (CNN) используются для анализа изображений, рекуррентные нейронные сети (RNN) — для обработки последовательных данных, таких как речевые записи. Например, CNN-модель для распознавания эмоций на изображениях лиц состоит из нескольких сверточных слоев. Первый может обнаруживать края и текстуры, второй — более сложные формы, например улыбку, блеск глаз. После обучения на размеченном датасете модель будет правильно определять эмоции на новых изображениях. Подобный алгоритм можно использовать для мониторинга состояния людей в реальном времени: на рабочем месте, в магазине и других общественных местах.
- Методы обработки естественного языка (Natural Language Processing, NLP). Применяются для распознавания эмоций в тексте, обрабатывают информацию, считывают контекст и тональность. Например, NLP используется в приложениях для мониторинга социальных сетей, которые автоматически анализируют сообщения и определяют, какие эмоции наиболее вероятно испытывают пользователи. Механизм позволяет компаниям анализировать отзывы клиентов и предоставлять им более эффективный сервис.
- Методы, основанные на физиологических данных. Среди них пульс, кровяное давление, ЭЭГ, ЭКГ. Применяются, в частности, в игровой индустрии. Один из примеров реализации такой технологии — игра Nevermind. Это приключенческая игра, в которой игрок должен решать различные головоломки. Она совместима с датчиками сердечного ритма. Частота пульса и дыхания используются для того, чтобы создать более напряженную игровую атмосферу. Если игрок не волнуется, игра становится более сложной или пугающей.
Как применяется распознавание эмоций в реальности?
Сфера применения огромна, от социальных сетей до медицины. Например, можно создать модель для ранней диагностики психических заболеваний. Алгоритм будет распознавать паттерны эмоций, сигнализирующие о депрессии или тревожном расстройстве. Чем раньше поставлен диагноз, тем проще помочь пациенту вернуться к нормальной жизни.
К сфере медицины относится и программа обучения Mightier. Она была разработана специально для детей с нарушениями аутистического спектра и особенностями в развитии социально-эмоциональных навыков. Помогает ребенку понимать свои эмоции и управлять ими, а также учит различать эмоции других людей. Одна из ключевых особенностей программы — браслет, который мониторит и анализирует физиологические показатели владельца: частоту сердечных сокращений, потовыделение. Если ребенок в состоянии беспокойства или стресса, Mightier предлагает упражнения, чтобы справиться с эмоциональным дискомфортом. Также дети взаимодействуют с экранными персонажами, отрабатывают сюжеты и ситуации из реальной жизни.
Еще один вариант использования — в маркетинге для анализа эффективности рекламы. Если искусственный интеллект будет анализировать эмоции зрителей при просмотре роликов, можно найти, какие вызывают наиболее сильные реакции, и использовать информацию при разработке следующих рекламных кампаний.
Интересную реализацию технологии распознавания эмоций предложила компания-разработчик программного обеспечения с ИИ Affectiva. Она использует машинное обучение для анализа эмоций водителей автомобиля. Приложение изучает выражения лица, тональность голоса в режиме реального времени, чтобы определить эмоциональное состояние и реакции на обстановку. Цель: вовремя отследить усталость, сонливость, стресс и предупредить об этом водителя или передать управление автопилоту.
Специалисты Affectiva создали базу данных, содержащую миллионы видеофайлов с записями лиц в разных эмоциональных состояниях. Эти данные используются для алгоритмов машинного обучения, чтобы точно и мгновенно распознавать эмоции.
Распознавание эмоций в тексте применяется в маркетинге, обслуживании клиентов, социальной сфере и медицине. На практике это реализуется, например, в системе Sentiment Analysis, созданной компанией Amazon. Она была разработана для анализа отзывов покупателей на Amazon.com и позволяет прогнозировать будущие продажи. Результаты анализа помогают Amazon принимать решения по повышению качества товаров и услуг. Сервис поддержки клиентов Google тоже использует машинное обучение для распознавания эмоций в текстовых сообщениях: чтобы определить, насколько серьезная проблема у клиента и какому специалисту ее нужно направить.
В чем важность распознавания эмоций?
Искусственный интеллект может использовать технологии распознавания эмоций для улучшения взаимодействия с людьми, что особенно важно для виртуальных ассистентов, систем видеонаблюдения, медицины.
Представьте себе, насколько проще будет работа, например, банковских служащих, если еще на входе система видеонаблюдения определит подозрительное или угрожающее поведение и передаст сигнал в службу безопасности. Такая технология улучшит работу и служб экстренной помощи: если ИИ «услышит» в голосе говорящего панику, страх, он автоматически присвоит звонку статус критического и отправит помощь незамедлительно. Даже голосовой помощник типа Алисы от Яндекса с функцией распознавания эмоций станет более «человечным», особенно если используется пожилым одиноким человеком. Он сможет поддержать разговор и вовремя обнаружит признаки депрессии и других психологических состояний.
Таким образом, эмоциональный анализ — мощный инструмент, который не только помогает в бизнесе, но и решает множество других задач, в том числе в медицине и в социальных сферах.