Marianne Reddan pasó los últimos 10 años mirando rostros humanos, buscando rastros de dos emociones distintas pero estrechamente relacionadas: sorpresa y miedo. Después de pasar tanto tiempo estudiando las complejidades de las expresiones faciales, ya casi no puede distinguirlas.
Es por eso que Reddan, becaria de neurociencia posdoctoral en la Universidad de Stanford, sabía que su investigación estaba en algo cuando un sistema impulsado por el aprendizaje automático entrenado para detectar emociones distinguió con éxito entre los dos.
Reddan quedó impresionada al descubrir que el sistema, conocido como “EmoNet”, no solo miraba las expresiones faciales para dar sentido a las emociones humanas, sino que tomaba en contexto pistas para determinar el estado de ánimo general, como lo haría una persona.
“Si EmoNet puede distinguir la sorpresa y el miedo, me dice que no es solo captar las expresiones de una cara, es aprender algo importante sobre las acciones que están sucediendo”, dijo Reddan a The Daily Beast.
El negocio de crear ese sistema de aprendizaje automático, una red neuronal proveniente de muchos conjuntos de datos previamente existentes, llevó a los investigadores de la Universidad de Colorado Boulder y la Universidad de Duke un año para desarrollarse.
Primero fue AlexNet
Primero Reddan y sus colegas investigadores reutilizaron AlexNet, un modelo de aprendizaje profundo que permite que las computadoras reconozcan objetos (se basa en la corteza visual humana) y lo reentrenó para reconocer emociones en lugar de objetos.
AlexNet fue entrenado para identificar varios objetos al ser alimentado con fotos de artículos como sillas y bolígrafos y asignando etiquetas de clase a las imágenes. Reddan y los otros investigadores se preguntaron si se podría hacer una clasificación similar con las emociones. Con el aprendizaje automático volviéndose realmente bueno para detectar objetos, parecía listo para un nuevo desafío.
El investigador principal Philip Kragel, que trabaja como investigador asociado en el Instituto de Ciencia Cognitiva de la Universidad de Colorado Boulder, alimentó la red neuronal con 25,000 imágenes y le pidió al sistema que las clasifique en 20 categorías de emociones, algunas sutiles.
La lista incluía emociones como ansiedad y aburrimiento, pero también experiencias emocionales humanas menos obvias como “apreciación estética” y “dolor empático”. Analizando las imágenes, la red neuronal tenía sentido de lo que veía al analizar las expresiones faciales y la postura corporal de los humanos representada.
Entonces llegó el momento de ver cómo las habilidades de categorización de emociones de Emonet se comparan con las del cerebro humano promedio. Dieciocho sujetos humanos fueron traídos y conectados a máquinas de resonancia magnética funcional (fMRI). Su actividad cerebral se midió mientras se mostraban destellos de 112 imágenes y la red neuronal analizó las imágenes en paralelo.
Los resultados sugirieron que la red neuronal era capaz de rastrear las propias respuestas emocionales de los humanos y que “las características visuales ricas y específicas de la categoría se pueden mapear de manera confiable a emociones distintas”, según el documento, publicado en la revista Science Advances.
Construir una red neuronal, un programa de computadora que simula el cerebro humano, ha sido un sueño científico durante muchos años, pero incluso las computadoras sofisticadas luchan con algunos aspectos de la experiencia humana. “Las emociones son una gran parte de nuestra vida cotidiana”, dijo Kragel. “Si las redes neuronales no los explicaran, tendrían una comprensión muy limitada de cómo funciona el cerebro”.
Kragel se sorprendió de que la red neuronal funcionara tan bien como lo hizo, pero aún tenía limitaciones. Las dos categorías que el sistema clasificó con mayor precisión fueron “deseo sexual” y “deseo”, pero a menudo no funcionó bien con emociones dinámicas como la sorpresa, que fácilmente pueden convertirse en alegría o enojo. El sistema también tuvo problemas para diferenciar entre emociones como la adoración, la diversión y la alegría, en parte porque esas emociones están tan estrechamente entrelazadas.
De cara al futuro
En el futuro, una red neuronal como Emonet podría usarse para moderar el contenido en línea, sirviendo como un filtro de contenido que preseleccionó las publicaciones visuales antes de que se encontraran con los ojos humanos.
La investigadora Hannah Davis, profesora de música generativa en la Universidad de Nueva York y ex becaria de OpenAI, trabajó previamente en un proyecto en el que usó IA para generar “paisajes emocionales”, imágenes de paisajes que una computadora asocia con evocar varias emociones humanas. Ella dice que la nueva investigación de la emoción parece innovadora en la forma en que ha mapeado los patrones cerebrales y creado un modelo que puede decodificar las expresiones faciales de acuerdo con esas categorías.
Pero aunque Davis cree que enseñarle a una computadora a leer emociones no es inherentemente peligroso, “también existe el riesgo de asumir que todos los cerebros funcionan igual y clasificar mal el comportamiento de las personas según modelos demasiado generalizables”, escribió en un correo electrónico.
En el futuro, Kragel quiere investigar si una red neuronal como EmoNet puede clasificar las emociones en el lenguaje hablado, utilizando el tono y el timbre para detectar diferencias.
Reddan sigue siendo cauteloso sobre lo que significa la investigación. Detectar una expresión facial que se correlaciona con una emoción humana no es lo mismo que comprenderla.
“¿El modelo siente las emociones? Definitivamente no. Solo se clasifica en categorías a grandes rasgos, no en la complejidad de la experiencia humana”, dijo Reddan. “¿Podría algún día sentirlas? Tal vez”, dijo.
Fuente: The Daily Beast
Foto: pexels.com
También puedes leer:
https://lanota-latina.com/5g-para-telefonos-inteligentes-es-solo-el-comienzo/
- ¿Qué cosas nunca deberíamos comprar de segunda mano? - septiembre 27, 2019
- Mayoría de naciones utilizan tecnología de identificación para rastrear a ciudadanos - septiembre 27, 2019
- Twitter lanza “ocultar respuestas” para permitirle domar discusiones tóxicas - septiembre 26, 2019
