ИИ учится читать обстановку: от эмоций к контексту

Представьте, что вы садитесь за стол и подключаетесь к оценке производительности, где ИИ анализирует разговор. Вы работаете долгие часы, балансируя между сроками, и ваш менеджер спрашивает, как у вас дела. Вы говорите, что всё в порядке, и даже улыбаетесь, но в вашем голосе слышна неуверенность, а плечи опускаются. Эти тонкие сигналы могут указывать на скрытый стресс, но для модели ИИ, обученной только классифицировать эмоции как «счастлив» или «грустен», такие нюансы теряются. Она фиксирует слова и улыбку и движется дальше, и если ваш менеджер-человек не вмешается, факт усталости и близости к выгоранию остаётся незамеченным.

«Эмоциональный ИИ», который оценивает чувства людей по выражению лица, тону голоса и поведению, внезапно стал повсеместным: он используется в программах благополучия сотрудников, собеседованиях, образовательных платформах и системах мониторинга водителей. Платформы колл-центров, такие как NiCE и Genesys, используют ИИ для обнаружения разочарования клиента и подсказывают операторам замедлиться или ответить с большей эмпатией. Крупные компании, такие как Meta, и стартапы, включая Hume AI, разрабатывают более выразительные голосовые системы ИИ, способные улавливать эмоциональные сигналы собеседника и адаптировать своё общение.

Более того, сотни компаний уже предлагают виртуальные приложения-компаньоны на базе ИИ — быстрорастущий рынок, который к 2035 году может достичь 555 миллиардов долларов. Роботы-друзья также появились на сцене: например, ElliQ от Intuition Robotics — небольшое устройство, напоминающее белую настольную лампу, которое используется для общения с пожилыми людьми в надежде уменьшить одиночество. Однако, хотя область эмоционального ИИ быстро развивается, большинство существующих систем сосредоточены на обнаружении ограниченного числа сигналов для маркировки одной конкретной эмоции за раз, что недостаточно для понимания человеческого состояния.

В реальном мире человеческие сигналы и эмоции контекстуальны, перекрываются и постоянно меняются. Смех может означать радость, нервозность или и то, и другое; повышенный голос может с равной вероятностью выражать энтузиазм или разочарование. Чтобы сделать задачу ещё сложнее, реакции сильно различаются от человека к человеку в зависимости от демографии, культурного фона и множества других переменных. Другими словами, существует разрыв между тем, что мы ожидаем от ИИ, и тем, что он может реально предоставить. Этот разрыв стремится закрыть новое направление исследований — то, что мы называем человеко-контекстным ИИ.

Вместо того чтобы рассматривать только один входной сигнал и маркировать его, человеко-контекстный ИИ всё чаще способен учитывать личность и характер человека, отслеживать эмоции в реальном времени, комбинируя множество входных данных, включая динамику лица, голос, тон, язык и поведение. Ключевой момент: ответы также оцениваются в контексте конкретной среды, такой как оценка производительности или профессиональный коучинг. Результат? Компьютеры учатся читать сцену, а не только экран. История эмоционального ИИ началась почти три десятилетия назад в MIT Media Lab, где Розалинд Пикар ввела термин «аффективные вычисления». Её ранние эксперименты были сосредоточены на отдельных модальностях: выражениях лица, тоне голоса и физиологических сигналах. Со временем исследователи и компании научились лучше измерять способы выражения эмоций, а недавние исследования показывают, что объединение нескольких типов сигналов значительно повышает точность распознавания эмоций.