El affective computing hace referencia al estudio y desarrollo de tecnologías capaces de reconocer, interpretar, procesar y simular las emociones humanas. En pocas palabras, se trata de crear máquinas que comprendan y respondan a las emociones de las personas. Este campo gana cada vez más fuerza por su potencial para revolucionar la interacción humano‑ordenador, haciéndola más personalizada e intuitiva.
Qué es el affective computing
El affective computing es un campo multidisciplinar que combina informática, psicología y ciencia cognitiva. Su objetivo es favorecer interacciones más empáticas y humanas entre personas y máquinas. Para ello, se dota a los sistemas de la capacidad de reconocer e interpretar los estados afectivos de los usuarios, ofreciendo así una asistencia mejor y respuestas de mayor calidad.
Para conseguirlo, los ordenadores recopilan información sobre aspectos como el tono de voz, las expresiones faciales y el lenguaje corporal. Estos datos se obtienen mediante sensores físicos como micrófonos y cámaras, que detectan movimientos, capturan gestos, perciben cambios en la voz o el tono e incluso microexpresiones del rostro.
Una vez recopilados o adquiridos los datos, normalmente se emplean técnicas de aprendizaje automático para interpretarlos, identificar patrones y tomar decisiones o hacer predicciones. Entre las técnicas clave en affective computing destacan:
Aprendizaje supervisado
Es el enfoque más habitual en affective computing. En el aprendizaje supervisado, se entrena un modelo con un conjunto de datos etiquetado, donde cada ejemplo incluye un vector de entrada y un valor de salida deseado (la etiqueta). El modelo aprende a predecir la etiqueta a partir del vector de entrada. Por ejemplo, un conjunto de datos podría contener imágenes de rostros con etiquetas que indiquen la emoción expresada en cada imagen. Un modelo de aprendizaje supervisado entrenado con este conjunto aprendería a predecir la emoción en una imagen nueva.
Aprendizaje no supervisado
En el aprendizaje no supervisado, se entrena un modelo con un conjunto de datos sin etiquetar y debe aprender a identificar patrones sin una guía explícita. Este enfoque puede ser útil en tareas como el clustering, cuyo objetivo es agrupar datos similares. Por ejemplo, podría usarse para agrupar expresiones faciales o patrones de habla parecidos, que luego un humano podría etiquetar e interpretar.
Aprendizaje por refuerzo
En el aprendizaje por refuerzo, un modelo aprende a tomar decisiones actuando en un entorno para maximizar una recompensa acumulada. En affective computing, puede emplearse para entrenar modelos que interactúen con personas de forma sensible a su estado emocional. Por ejemplo, podría entrenarse un asistente virtual que ajuste su comportamiento según las reacciones emocionales del usuario.
Deep learning
El deep learning es una rama del aprendizaje automático centrada en redes neuronales artificiales con muchas capas, de ahí lo de "profundas". Estos modelos son especialmente buenos procesando datos complejos como imágenes, audio y texto, muy habituales en affective computing. Por ejemplo, las redes neuronales convolucionales (CNN) pueden analizar expresiones faciales, mientras que las redes recurrentes (RNN) o los Transformers se emplean para interpretar voz o texto.
Transfer learning
En el transfer learning, se utiliza un modelo preentrenado como punto de partida para una tarea nueva relacionada. Este enfoque resulta muy útil en affective computing, donde a menudo escasean los grandes conjuntos de datos etiquetados. Por ejemplo, un modelo preentrenado con un gran dataset de rostros puede afinarse con un conjunto más pequeño de expresiones faciales para construir un sistema de reconocimiento de emociones.
Ejemplos de aplicaciones reales de affective computing
El affective computing puede mejorar notablemente la experiencia de usuario al crear interacciones con la tecnología más intuitivas y personalizadas. También tiene potencial para transformar sectores como la salud, la educación, el marketing o la atención al cliente, al ofrecer información valiosa sobre las emociones humanas y mejorar la toma de decisiones, la atención a pacientes, los resultados de aprendizaje y las interacciones con clientes. Algunos ejemplos de aplicación:
- Atención al cliente. Las empresas utilizan affective computing para mejorar las interacciones con clientes. Por ejemplo, Affectiva, una compañía de medición de emociones, ofrece software que analiza expresiones faciales durante videollamadas para evaluar reacciones y satisfacción.
- Salud. Se usa para monitorizar el estado emocional de los pacientes, especialmente útil en salud mental. Por ejemplo, Cogito ha desarrollado una app que analiza la voz durante conversaciones telefónicas para vigilar la salud mental. Puede detectar indicios de depresión y ansiedad, aportando información valiosa a los profesionales sanitarios.
- Educación. Permite crear entornos de aprendizaje adaptativos que respondan al estado emocional del alumnado. Por ejemplo, un proyecto de investigación liderado por Hua Leong Fwa desarrolló "Affective Tutoring Systems" que detectan emociones del estudiante como frustración o aburrimiento y ajustan la estrategia de tutoría en consecuencia.
- Entretenimiento y videojuegos. Se utiliza para crear experiencias de juego más inmersivas y reactivas. Por ejemplo, el juego Nevermind emplea biofeedback para detectar el nivel de miedo del jugador y ajustar la jugabilidad.
¿Cuáles son los retos del affective computing?
Aunque ofrece muchos casos de uso que pueden mejorar la interacción humano‑máquina, el affective computing afronta varios retos:
- Precisión en el reconocimiento emocional. Las emociones humanas son complejas y están influidas por múltiples factores. Reconocerlas e interpretarlas con precisión mediante tecnología es un desafío importante. Una mala interpretación puede generar respuestas incorrectas, frustrar a los usuarios e incluso resultar perjudicial en contextos como la salud.
- Privacidad. A menudo implica recopilar y analizar datos personales sensibles, como expresiones faciales, patrones de voz o señales fisiológicas, lo que plantea serias preocupaciones de privacidad. Puede incomodar que las máquinas analicen el estado emocional, y existen riesgos asociados a la seguridad y al posible uso indebido de estos datos.
- Aspectos éticos. Existen consideraciones éticas relevantes. Por ejemplo, el potencial de manipulación si los sistemas responden a las emociones con el fin de influir en el comportamiento. También está la cuestión del consentimiento: ¿debería pedirse permiso antes de recopilar y analizar datos emocionales?
- Diferencias culturales. La expresión e interpretación de las emociones varía entre culturas. Un sistema entrenado con datos de una cultura puede no rendir bien con personas de otra, lo que añade complejidad al desarrollo.
- Dependencia del contexto. El significado y la relevancia de las expresiones emocionales cambian según el contexto. Sin una comprensión profunda del entorno, los sistemas pueden tener dificultades para interpretar con acierto.
- Sesgos. Los datos de entrenamiento pueden proceder de grupos limitados o sesgados, lo que lleva a resultados incorrectos, injustos y potencialmente discriminatorios.
El futuro del affective computing
Vivimos en un futuro donde grandes modelos de lenguaje como GPT-4 entienden el contexto con gran precisión. Además, contamos con algoritmos avanzados de reconocimiento facial y de voz, y aprendizaje por refuerzo que identifican emociones humanas complejas con solvencia.
El futuro del affective computing pasa por combinar todos estos algoritmos en una aplicación inteligente mediante agentes de IA o entrada multimodal capaz de recibir audio, imágenes y texto y ofrecer una evaluación en tiempo real del estado emocional de las personas.
Los agentes de IA y la entrada multimodal analizarán expresiones faciales, tono y timbre de voz y el lenguaje utilizado para reconocer un abanico de emociones, de la alegría a la tristeza o la ira. Esta tecnología puede mejorar la interacción humano‑ordenador y ayudarnos a diseñar productos y servicios sensibles a las necesidades emocionales de los usuarios. Descubre las tecnologías disruptivas de lenguaje, visión y multimodalidad leyendo The Latest On OpenAI, Google AI, and What it Means For Data Science.
Llevo más de dos años trabajando en un proyecto para construir un sistema de aprendizaje automático que ayude a estudiantes con enfermedades mentales. El sistema incluye un chatbot capaz de comprender emociones a partir de texto, fotos y audio compartidos con el bot de IA. Empecé con un clasificador sencillo de emociones usando texto etiquetado, después me centré en redes neuronales de grafos para ganar precisión y ahora estoy probando modelos de código abierto similares a GPT-4 que entienden imágenes y texto gracias a una ventana de contexto amplia.
Las empresas y centros educativos que incorporan affective computing ya están viendo resultados positivos. Por ejemplo, en algunas plataformas puedes recibir recomendaciones de canciones o anuncios ajustados a tu estado de ánimo, mejorando tu experiencia y tu interacción con la plataforma. Sin embargo, si se usa mal, esta tecnología entraña riesgos. En manos equivocadas, podría emplearse para manipular a la población y derivar en un escenario orwelliano donde las personas estén sometidas a una vigilancia constante por parte de las máquinas con las que interactúan. Aunque el affective computing ofrece beneficios, también debemos considerar la ética de una monitorización emocional permanente y establecer salvaguardas adecuadas.
¿Quieres aprender más sobre IA y aprendizaje automático? Echa un vistazo a estos recursos:
Preguntas frecuentes
¿Qué es el affective computing?
El affective computing es el estudio y desarrollo de sistemas y dispositivos capaces de reconocer, interpretar, procesar y simular las emociones humanas.
¿Cuáles son algunas aplicaciones del affective computing?
El affective computing tiene aplicaciones en campos como la atención al cliente, la salud y la educación. Por ejemplo, puede mejorar las interacciones con clientes, monitorizar el estado emocional de los pacientes en sanidad y enriquecer las experiencias educativas.
¿Qué beneficios aporta el affective computing?
Puede propiciar interacciones humano‑máquina más personalizadas e intuitivas, mejorar la atención a pacientes en salud y potenciar el aprendizaje en educación. También incrementa la satisfacción y el compromiso de los usuarios.
¿Cuáles son las limitaciones del affective computing?
Entre sus limitaciones están la complejidad de reconocer e interpretar con precisión las emociones humanas, el riesgo para la privacidad y las consideraciones éticas relacionadas con el uso y posible abuso de los datos emocionales.
Soy un científico de datos certificado que disfruta creando aplicaciones de aprendizaje automático y escribiendo blogs sobre ciencia de datos. Actualmente me centro en la creación de contenidos, la edición y el trabajo con grandes modelos lingüísticos.
