KI lernt, den Raum zu lesen

Stellen Sie sich vor, Sie setzen sich an Ihren Schreibtisch und loggen sich für ein Leistungsgespräch ein, bei dem ein KI-System die Konversation analysiert. Sie haben lange gearbeitet, Fristen jongliert, und Ihr Vorgesetzter fragt, wie es Ihnen geht. Sie sagen, es sei in Ordnung, und lächeln vielleicht sogar, aber da ist ein Hauch von Zögern und Ihre Stimme zittert. Während Sie Ihre Haltung ändern, sinken Ihre Schultern. Dies sind subtile Hinweise, die für das menschliche Auge auf zugrunde liegenden Stress hindeuten könnten. Aber für ein KI-Modell, das nur darauf trainiert wurde, Emotionen als „glücklich“ oder „traurig“ zu kategorisieren, gehen solche Nuancen wahrscheinlich verloren. Es protokolliert die Worte und ein Lächeln und macht weiter – und wenn Ihr menschlicher Vorgesetzter nicht eingreift, wird die Tatsache, dass Sie müde, unkonzentriert und vielleicht ein paar Tage vom Burnout entfernt sind, nie berücksichtigt.

„Emotionale KI“, die anhand von Gesichtsausdrücken, Tonfall und Verhalten einschätzt, wie Menschen sich fühlen, scheint plötzlich überall zu sein; sie wird in Mitarbeiterwohlbefinden und Einstellungsgesprächen, Bildungsplattformen und Fahrerüberwachungssystemen eingesetzt. Technologie-Callcenter-Plattformen wie NiCE und Genesys nutzen KI, um zu erkennen, wann ein Kunde frustriert klingt, und fordern die Agenten in Echtzeit auf, langsamer zu machen oder mit mehr Empathie zu reagieren. Große Unternehmen wie Meta und Startups wie Hume AI entwickeln ausdrucksstärkere Sprach-KI-Systeme, die emotionale Hinweise bei der Person, mit der sie „sprechen“, erkennen und ihre Kommunikation anpassen können. Darüber hinaus bieten Hunderte von Unternehmen bereits virtuelle KI-Begleit-Apps an, ein schnell wachsender Markt, der bis 2035 schätzungsweise 555 Milliarden US-Dollar wert sein könnte – und Roboterfreunde sind ebenfalls aufgetaucht. Intuition Robotics‘ ElliQ zum Beispiel ist ein kleines Gerät, das vage an eine weiße Schreibtischlampe erinnert und jetzt eingesetzt wird, um ältere Erwachsene ins Gespräch zu ziehen, in der Hoffnung, Einsamkeit zu reduzieren.

Aber während sich das Feld der emotionalen KI rasant entwickelt, konzentrieren sich die meisten bestehenden Systeme darauf, eine begrenzte Anzahl von Signalen zu erkennen, um eine bestimmte Emotion zu einem Zeitpunkt zu kennzeichnen – was unzureichend ist, wenn man versucht, die menschliche Verfassung zu verstehen. In der realen Welt sind menschliche Signale und Emotionen kontextuell, überlappend und ständig im Wandel. Ein Lachen kann Freude, Nervosität oder beides signalisieren; eine erhobene Stimme kann genauso gut Begeisterung wie Frustration signalisieren. Um die Aufgabe der Emotionserkennung noch schwieriger zu machen, unterscheiden sich Reaktionen stark von Individuum zu Individuum, abhängig von Demografie, kulturellem Hintergrund und unzähligen anderen Variablen. Mit anderen Worten, es gibt eine Lücke zwischen dem, was wir von KI erwarten, und dem, was KI tatsächlich liefern kann. Diese Lücke versucht ein neues Forschungsfeld – das wir als Human-Context-KI bezeichnen – zu schließen.

Anstatt nur eine Eingabe zu betrachten und zu kennzeichnen, hat Human-Context-KI zunehmend die Fähigkeit, die Persönlichkeit und den Charakter eines Individuums zu erfassen und Emotionen in Echtzeit zu verfolgen, während mehrere Eingaben kombiniert werden, einschließlich Gesichtsdynamik, Stimme, Tonfall, Sprache und Verhalten. Entscheidend ist, dass Reaktionen auch im Kontext einer bestimmten Umgebung bewertet werden, wie etwa eines Leistungsgesprächs oder einer professionellen Coaching-Sitzung. Das Ergebnis? Computer lernen, die Szene zu lesen, nicht nur den Bildschirm. Die Geschichte der emotionserkennenden KI begann vor fast drei Jahrzehnten im MIT Media Lab, wo die amerikanische Elektroingenieurin und Informatikerin Rosalind Picard den Begriff „Affective Computing“ prägte. Ihre Arbeit führte die radikale Idee ein, dass Computern beigebracht werden könnte, menschliche Emotionen zu erkennen und darauf zu reagieren.

Picards frühe Experimente konzentrierten sich auf einzelne Modalitäten: Gesichtsausdrücke, Tonfall und physiologische Signale wie Hautleitfähigkeit oder Herzfrequenz. Das Ziel war es, Maschinen ein Fenster in menschliche Gefühle zu geben und ihnen zu helfen, einfühlsamer zu werden. Es war eine aufregende Vision, aber damals waren die Wissenschaft und die Hardware noch nicht bereit. Die Rechenleistung war begrenzt, die Sensoren waren primitiv und die Datensätze waren eng und voreingenommen. In den folgenden Jahrzehnten wurden Forscher und Unternehmen besser darin, die vielen Arten zu messen, wie Menschen sich ausdrücken. In den 2010er Jahren begann die Stimmungsanalyse – die Verarbeitung großer Textmengen, um emotionale Untertöne herauszufiltern – im Mainstream anzukommen. Gleichzeitig begannen Marketingfirmen, einschließlich meines Unternehmens Neurologyca, Video und Webcams zu verwenden, um Kundenreaktionen zu messen und zu katalogisieren. Biometrische Geräte und Aktivitätstracker wie Fitbits und Apple Watches wurden ebenfalls allgegenwärtig und erzeugten neue Datenströme über Schlaf, Schrittzahlen, Stresslevel und mehr. Wissenschaftler bestätigten bald, dass größere Mengen personalisierter Daten zu einer höheren Genauigkeit beim Lesen menschlicher Emotionen führten.