Affective computing verwijst naar de studie en ontwikkeling van technologieën die menselijke emoties kunnen herkennen, interpreteren, verwerken en simuleren. Simpel gezegd gaat het om het creëren van machines die menselijke emoties begrijpen en erop reageren. Dit vakgebied wint aan terrein omdat het de potentie heeft de interactie tussen mens en computer te veranderen, waardoor die persoonlijker en intuïtiever wordt.
Affective computing uitgelegd
Affective computing is een multidisciplinair vakgebied dat informatica, psychologie en cognitieve wetenschappen combineert. Het doel is om meer empathische en mensachtige interacties tussen mensen en machines te bevorderen. Dit wordt bereikt door machines of systemen in staat te stellen menselijke gevoelens te herkennen en te interpreteren, waardoor ze betere ondersteuning en betere reacties aan gebruikers kunnen bieden.
Om dit te doen verzamelen computers informatie over zaken als stemtoon, gezichtsuitdrukkingen en lichaamstaal. Deze gegevens worden verzameld via fysieke sensoren zoals microfoons en camera's, die bewegingen kunnen detecteren, gebaren vastleggen, veranderingen in stem of toon waarnemen en zelfs micro-expressies in het gezicht oppikken.
Zodra de gegevens zijn verzameld of ingekocht, worden doorgaans machinelearningtechnieken gebruikt om de data te interpreteren, patronen te identificeren en beslissingen of voorspellingen te doen. Belangrijke machinelearningtechnieken in affective computing zijn onder meer:
Supervised learning
Dit is de meest gebruikte aanpak in affective computing. Bij supervised learning wordt een model getraind op een gelabelde dataset, waarbij elk voorbeeld in de dataset bestaat uit een invoervector en een gewenste uitvoerwaarde (het label). Het model leert het label te voorspellen op basis van de invoervector. Zo kan een dataset bestaan uit afbeeldingen van gezichten met labels die de emotie in elke afbeelding aangeven. Een supervised learning-model dat op deze dataset is getraind, leert de emotie in een nieuwe afbeelding te voorspellen.
Unsupervised learning
Bij unsupervised learning wordt een model getraind op een ongelabelde dataset en moet het zonder expliciete begeleiding patronen in de data leren herkennen. Deze aanpak kan nuttig zijn in affective computing voor taken zoals clustering, waarbij het doel is vergelijkbare datapunten te groeperen. Een unsupervised model kan bijvoorbeeld vergelijkbare gezichtsuitdrukkingen of spraakpatronen groeperen, die vervolgens door een mens kunnen worden gelabeld en geïnterpreteerd.
Reinforcement learning
Bij reinforcement learning leert een model beslissingen nemen door acties te ondernemen in een omgeving om een bepaalde vorm van cumulatieve beloning te maximaliseren. Deze aanpak kan in affective computing worden gebruikt om modellen te trainen die met mensen interacteren op een manier die gevoelig is voor hun emotionele toestand. Zo kan een reinforcement learning-model worden gebruikt om een virtuele assistent te trainen die zijn gedrag aanpast op basis van de emotionele reacties van de gebruiker.
Deep learning
Deep learning is een subset van machine learning die zich richt op kunstmatige neurale netwerken met vele lagen, vandaar de term "deep". Deze modellen zijn bijzonder goed in het verwerken van complexe data zoals afbeeldingen, audio en tekst, wat veelvoorkomende datatypes zijn in affective computing. Zo kunnen Convolutional Neural Networks (CNN's) worden gebruikt om gezichtsuitdrukkingen te analyseren, terwijl Recurrent Neural Networks (RNN's) of Transformers kunnen worden ingezet om spraak- of tekstdata te interpreteren.
Transfer learning
Bij transfer learning wordt een voorgetraind model gebruikt als startpunt voor een nieuwe, verwante taak. Deze aanpak kan erg nuttig zijn in affective computing, waar grote gelabelde datasets vaak schaars zijn. Zo kan een model dat is voorgetraind op een grote dataset met gezichten worden fijngesteld op een kleinere dataset met gezichtsuitdrukkingen om een systeem voor emotieherkenning te bouwen.
Voorbeelden van toepassingen van affective computing in de echte wereld
Affective computing kan de gebruikerservaring aanzienlijk verbeteren door intuïtievere en persoonlijkere interacties met technologie te creëren. Het kan ook sectoren als gezondheidszorg, onderwijs, marketing en klantenservice transformeren door waardevolle inzichten in menselijke emoties te bieden en zo besluitvorming, patiëntenzorg, leerresultaten en klantinteracties te verbeteren. Enkele voorbeelden van toepassingen zijn:
- Klantenservice. Bedrijven gebruiken affective computing om klantinteracties te verbeteren. Zo biedt Affectiva, een bedrijf in emotie-meettechnologie, software die gezichtsuitdrukkingen tijdens videogesprekken kan analyseren om klantreacties en -tevredenheid te peilen.
- Gezondheidszorg. Affective computing wordt gebruikt om de emotionele toestand van patiënten te monitoren, wat vooral nuttig kan zijn bij geestelijke gezondheidszorg. Zo heeft het bedrijf Cogito een app ontwikkeld die via spraakanalyse tijdens telefoongesprekken de mentale gezondheid van individuen monitort. Het kan tekenen van depressie en angst detecteren en zo zorgverleners waardevolle inzichten geven.
- Onderwijs. Het kan worden gebruikt om adaptieve leeromgevingen te creëren die inspelen op de emotionele toestand van studenten. Zo omvatte een onderzoeksproject onder leiding van Hua Leong Fwa de ontwikkeling van "Affective Tutoring Systems" die affective computing gebruiken om emoties van studenten zoals frustratie of verveling te detecteren en de begeleidingsstrategie dienovereenkomstig aan te passen.
- Entertainment en gaming. Affective computing wordt ingezet om meer meeslepende en responsieve game-ervaringen te creëren. Zo gebruikt de game Nevermind biofeedback om het angstniveau van een speler te detecteren en het spelverloop daarop aan te passen.
Wat zijn de uitdagingen van affective computing?
Hoewel het veel toepassingen heeft die kunnen leiden tot betere interacties tussen mens en computer, kent affective computing verschillende uitdagingen:
- Nauwkeurigheid van emotieherkenning. Menselijke emoties zijn complex en kunnen door allerlei factoren worden beïnvloed. Het nauwkeurig herkennen en interpreteren van deze emoties met technologie is een grote uitdaging. Misinterpretatie kan leiden tot onjuiste reacties, wat voor gebruikers frustrerend kan zijn en in bepaalde contexten, zoals de gezondheidszorg, mogelijk schadelijk.
- Privacyzorgen. Affective computing houdt vaak in dat gevoelige persoonlijke gegevens worden verzameld en geanalyseerd, zoals gezichtsuitdrukkingen, stempatronen en fysiologische signalen. Dit brengt aanzienlijke privacyzorgen met zich mee. Gebruikers voelen zich mogelijk niet prettig bij het idee dat machines hun emotionele toestand analyseren, en er zijn ook risico's rond databeveiliging en mogelijk misbruik van emotionele data.
- Ethiek. Er zijn verschillende ethische overwegingen verbonden aan affective computing. Zo is er potentieel voor manipulatie als systemen reageren op emoties van gebruikers op manieren die bedoeld zijn om hun gedrag te beïnvloeden. Ook is er de vraag naar toestemming – moet aan gebruikers toestemming worden gevraagd voordat hun emotionele data worden verzameld en geanalyseerd?
- Culturele verschillen. Emoties worden in verschillende culturen anders geuit en geïnterpreteerd. Een systeem dat is getraind om emoties te herkennen op basis van data uit één cultuur, presteert mogelijk niet goed bij individuen uit een andere cultuur. Dit voegt een extra laag complexiteit toe aan de ontwikkeling van affective computing-systemen.
- Afhankelijkheid van context. De betekenis en het gewicht van emotionele uitingen kunnen sterk variëren afhankelijk van de context waarin ze plaatsvinden. Affective computing-systemen kunnen moeite hebben emoties nauwkeurig te interpreteren zonder een diep begrip van de contextuele factoren.
- Bias. De data die worden gebruikt om het machinelearningmodel te trainen, kunnen afkomstig zijn van een beperkte of bevooroordeelde groep, wat kan leiden tot onjuiste, oneerlijke en mogelijk discriminerende resultaten.
De toekomst van affective computing
We leven in een toekomst waarin grote taalmodellen zoals GPT-4 context perfect begrijpen. Daarnaast beschikken we over geavanceerde gezichtsherkenning, spraakherkenning en reinforcement learning-algoritmen die bedreven zijn geraakt in het identificeren van complexe menselijke emoties.
De toekomst van affective computing draait om het combineren van al deze geavanceerde algoritmen in een intelligente applicatie met behulp van AI-agents of multimodale invoer die audio, beelden en tekst kan ontvangen en in realtime iemands emotionele toestand kan inschatten.
AI-agents en multimodale invoer zullen gezichtsuitdrukkingen, stemtoon en -hoogte, en gebruikte taal analyseren om een reeks emoties te herkennen, van blijheid tot verdriet tot boosheid. Deze technologie kan de interactie tussen mens en computer verbeteren en de manier waarop we producten en diensten ontwerpen die gevoelig zijn voor de emotionele behoeften van gebruikers verfijnen. Lees meer over de ontwrichtende taal-, visie- en multimodale technologieën in The Latest On OpenAI, Google AI, and What it Means For Data Science.
Ik werk al meer dan twee jaar aan een project om een machinelearningsysteem te bouwen dat studenten met psychische aandoeningen helpt. Het systeem omvat een chatbotapplicatie die emoties kan begrijpen via tekst, foto's en audio die met de AI-bot worden gedeeld. Ik begon met een eenvoudige emotieclassificator op basis van gelabelde tekstdata, richtte me daarna op grafische neurale netwerken voor betere nauwkeurigheid en experimenteer nu met open-source modellen vergelijkbaar met GPT-4 die zowel afbeeldingen als tekst kunnen begrijpen via een groot contextvenster.
Bedrijven en scholen die affective computing inzetten, zien nu al positieve resultaten. Zo kun je binnen platforms songaanbevelingen of advertenties krijgen die zijn afgestemd op je stemming, wat je ervaring en betrokkenheid bij het platform verbetert. Deze technologie kan echter ook risico's opleveren als ze wordt misbruikt. In verkeerde handen kan ze worden gebruikt om bevolkingen te manipuleren en een Orwelliaans scenario te creëren waarin individuen voortdurend worden gemonitord door de machines waarmee ze interacteren. Hoewel affective computing voordelen biedt, moeten we ook nadenken over de ethiek van voortdurende emotionele surveillance en manieren vinden om passende waarborgen te implementeren.
Wil je meer leren over AI en machine learning? Bekijk dan de volgende bronnen:
Veelgestelde vragen
Wat is affective computing?
Affective computing is de studie en ontwikkeling van systemen en apparaten die menselijke emoties kunnen herkennen, interpreteren, verwerken en simuleren.
Wat zijn enkele toepassingen van affective computing?
Affective computing heeft toepassingen in verschillende domeinen, waaronder klantenservice, gezondheidszorg en onderwijs. Het kan bijvoorbeeld worden gebruikt om klantinteracties te verbeteren, de emotionele toestand van patiënten in de zorg te monitoren en leerervaringen te verrijken.
Wat zijn de voordelen van affective computing?
Affective computing kan leiden tot persoonlijkere en intuïtievere interacties tussen mens en computer, de patiëntenzorg in de gezondheidszorg verbeteren en leerervaringen in het onderwijs versterken. Het kan ook de gebruikerstevredenheid en -betrokkenheid verhogen.
Wat zijn de beperkingen van affective computing?
Enkele beperkingen van affective computing zijn de complexiteit van het nauwkeurig herkennen en interpreteren van menselijke emoties, het risico op privacyschending en ethische overwegingen rond het gebruik en mogelijk misbruik van emotionele data.
Als gecertificeerd data scientist haal ik met passie het maximale uit de nieuwste technologie om innovatieve machinelearning-toepassingen te bouwen. Met een sterke achtergrond in spraakherkenning, data-analyse en -rapportage, MLOps, conversationele AI en NLP heb ik mijn vaardigheden aangescherpt in het ontwikkelen van intelligente systemen die echt impact maken. Naast mijn technische expertise ben ik ook een sterke communicator met een talent om complexe concepten terug te brengen tot heldere, beknopte taal. Daardoor ben ik uitgegroeid tot een veelgelezen blogger over data science, waar ik mijn inzichten en ervaringen deel met een groeiende community van data-professionals. Op dit moment richt ik me op contentcreatie en redactie, waarbij ik met large language models werk aan krachtige en aansprekende content die zowel bedrijven als individuen helpt het beste uit hun data te halen.
