AI가 분위기를 읽는 법을 배우다

당신이 책상에 앉아 성과 검토를 위해 로그인하고, AI 시스템이 대화를 분석하는 상황을 상상해 보세요. 당신은 오랜 시간 일하며 마감일을 맞추느라 고군분투했고, 관리자가 어떻게 지내는지 묻습니다. 당신은 괜찮다고 말하고 어쩌면 미소까지 짓지만, 약간의 망설임이 있고 목소리가 떨립니다. 자세를 바꾸면서 어깨가 축 처집니다. 이는 인간의 눈에는 숨겨진 스트레스를 암시할 수 있는 미묘한 신호입니다. 그러나 감정을 '행복' 또는 '슬픔'으로만 분류하도록 훈련된 AI 모델에게는 이러한 미묘함이 사라질 가능성이 큽니다. 모델은 단어와 미소를 기록하고 넘어갑니다. 그리고 인간 관리자가 개입하지 않는 한, 당신이 피곤하고 집중하지 못하며 아마도 번아웃까지 며칠 남지 않았다는 사실은 결코 고려되지 않습니다.

표정, 목소리 톤, 행동을 기반으로 사람들의 감정을 추정하는 '감정 AI'는 갑자기 모든 곳에 등장하는 것처럼 보입니다. 직원 복지, 채용 면접, 교육 플랫폼, 운전자 모니터링 시스템에 사용되고 있습니다. NiCE 및 Genesys와 같은 기술 콜센터 플랫폼은 AI를 사용하여 고객이 좌절한 목소리를 감지하고 실시간으로 상담원에게 속도를 늦추거나 더 공감적으로 응답하도록 촉구합니다. Meta와 같은 거대 기업과 Hume AI와 같은 스타트업은 대화 상대의 감정 신호를 감지하고 의사소통 방식을 조정할 수 있는 더 표현력 있는 음성 AI 시스템을 개발하고 있습니다. 더욱이 수백 개의 회사가 이미 가상 AI 동반자 앱을 제공하고 있으며, 이는 빠르게 성장하는 시장으로 2035년까지 약 5,550억 달러의 가치가 있을 것으로 추정됩니다. 로봇 친구도 등장했습니다. 예를 들어 Intuition Robotics의 ElliQ는 흰색 책상 램프를 막연히 닮은 작은 장치로, 현재 노인들과 대화를 유도하여 외로움을 줄이기 위해 사용되고 있습니다.

그러나 감정 AI 분야가 빠른 속도로 발전하고 있지만, 대부분의 기존 시스템은 제한된 수의 신호를 감지하여 한 번에 하나의 특정 감정에 레이블을 지정하는 데 초점을 맞추고 있습니다. 이는 인간의 상태를 이해하려는 경우 충분하지 않습니다. 실제 세계에서 인간의 신호와 감정은 상황에 따라 달라지고, 중첩되며, 끊임없이 변화합니다. 웃음은 기쁨, 긴장, 또는 둘 다를 신호할 수 있습니다. 목소리를 높이는 것은 좌절감만큼이나 쉽게 열정을 신호할 수 있습니다. 감정 감지 작업을 더욱 어렵게 만들기 위해 반응은 인구 통계, 문화적 배경 및 수많은 다른 변수에 따라 개인마다 크게 다릅니다. 즉, 우리가 AI가 포착하기를 기대하는 것과 AI가 실제로 제공할 수 있는 것 사이에는 격차가 있습니다. 이것이 바로 우리가 인간-맥락 AI라고 부르는 새로운 연구 분야가 해결하려고 하는 격차입니다.

단 하나의 입력만 보고 레이블을 지정하는 대신, 인간-맥락 AI는 점차 개인의 성격과 특성을 파악하고, 얼굴 역학, 목소리, 톤, 언어 및 행동을 포함한 여러 입력을 결합하면서 실시간으로 감정을 추적할 수 있는 능력을 갖추고 있습니다. 결정적으로, 반응은 성과 검토나 전문 코칭 세션과 같은 특정 환경의 맥락에서도 평가됩니다. 결과는? 컴퓨터가 화면뿐만 아니라 장면을 읽는 법을 배우고 있다는 것입니다. 감정 감지 AI의 이야기는 거의 30년 전 MIT 미디어 랩에서 미국 전기 공학자이자 컴퓨터 과학자인 Rosalind Picard가 '정서 컴퓨팅'이라는 용어를 만든 데서 시작되었습니다. 그녀의 연구는 컴퓨터가 인간의 감정을 인식하고 반응하도록 가르칠 수 있다는 급진적인 아이디어를 도입했습니다.

Picard의 초기 실험은 단일 양식, 즉 표정, 목소리 톤, 피부 전도도나 심박수와 같은 생리적 신호에 초점을 맞췄습니다. 목표는 기계에 인간의 감정을 들여다볼 수 있는 창을 제공하여 더 공감적으로 만드는 것이었습니다. 흥미로운 비전이었지만, 당시 과학과 하드웨어는 준비되지 않았습니다. 컴퓨팅 성능은 제한적이었고, 센서는 조잡했으며, 데이터 세트는 편협하고 편향되어 있었습니다. 이후 수십 년 동안 연구자와 기업은 인간이 자신을 표현하는 다양한 방식을 측정하는 데 더 능숙해졌습니다. 2010년대에는 대량의 텍스트를 처리하여 감정적 함의를 찾아내는 감정 분석이 주류에 도달하기 시작했습니다. 동시에 제 회사인 Neurologyca를 포함한 마케팅 회사는 비디오와 웹캠을 사용하여 고객 반응을 측정하고 분류하기 시작했습니다. Fitbit 및 Apple Watch와 같은 생체 인식 장치와 활동 추적기도 보편화되어 수면, 걸음 수, 스트레스 수준 등에 대한 새로운 데이터 스트림을 생성했습니다. 과학자들은 곧 더 많은 양의 개인화된 데이터가 인간 감정을 읽는 정확도를 높인다는 것을 확인했습니다.