آیا هوش مصنوعی می‌تواند درک احساسات را یاد بگیرد؟

تحلیلِ آنیِ احساسات، کلان­‌مسأله‌­ای ریاضی است. آیا کامپیوترها قادر به حل آن هستند؟

 

رعنا الکالیوبی (Rana el Kaliouby) بزرگ شدۀ دهه‌ی 1980 در مصر، شیفته‌ی زبان‌های پنهان (hidden language) بود- همان زبانی که چراغ‌های چشمک‌زنِ کامپیوترهای صفر و یکی برای تبدیل الکتریسته به فرمان‌های کامپیوتری بکار می­‌گیرند و بی‌نهایت نشانه‌های غیرکلامی پیچیده‌تری که نوجوانان برای ارسال حجم عظیمی از اطلاعات جنسی به یکدیگر استفاده می‌کنند.

فرهنگ بسته و ترس از ننگ اجتماعی در خاورمیانه برای دخترانی چون الکالیوبی، آنان را حتی از کُدنگاری منصرف می‌کرد، اما او متوقف نشد. وقتی پدرش یک دستگاه آتاری به خانه آورد و از خواهر سه ساله‌ی الکالیوبی خواست تا از طرز کار آن سردرآورد، رعنا با اشتیاق تمام این کار را انجام داد. رعنا با اینکه اجازۀ بیرون­ رفتن نداشت، با همان روش تحلیل آتاری، هم­‌نسلان خود را مورد تحلیل و بررسی قرار می‌داد.

او می‌گوید: «من همیشه اولین نفری بودم که می‌گفتم “عجب! فلان پسر به فلان دختر علاقه‌منده” به خاطر حرکات و نگاه‌­هایی که وجود داشت».

الکالیوبی به اقتفایِ پدر و مادرش که هر دو دانش‌­آموختۀ علوم‌کامپیوتر بودند، می‌دانست که کسب دانش در زبان‌های برنامه‌نویسی، برای حرفۀ او مهارتی اساسی و بنیادیست. اما تا پیش از اتمامِ دانشگاه متوجه نبود که علاقه‌ی او به کدبرداری از رفتار آدم‌ها هم همان‌قدر مهم خواهد بود. زمانی‌که در سال 1998 در دانشگاه آمریکاییِ قاهره در جست‌وجوی یافتن موضوعی برای رساله ارشدش بود به کتابی از روزلند پیکارد (Rosalind Picard) پژوهشگر دانشگاهِ اِم‌آی‌تی برخورد. استدلال کتاب این بود که از آنجا که احساسات[1] نقش بسیار مهمی در تصمیم‌گیری انسان‌ها ایفا می‌کنند و ماشین‌ها اگر بخواهد واقعا نیاز آدمی را بفهمند باید هوش عاطفی داشته باشند. الکالیوبی شیفته‌ی این ایده شد که احساسات را می‌شود اندازه‌گیری کرد، تحلیل کرد و در طراحی سیستم‌هایی به کار روند که واقعا قادرند با مردم ارتباط برقرار کنند. کتاب مذکور به نام رایانش عاطفی (Affective Computing) مسیر او را، همچون نویسندۀ کتاب، تغییر داد.

احساسات نقش بسیار مهمی در تصمیم‌گیری انسان‌ها ایفا می‌کنند و ماشین‌ها اگر بخواهد واقعا نیاز آدمی را بفهمند باید هوش عاطفی داشته باشند.

از آنجا که احساسات نقش بسیار مهمی در تصمیم‌گیری انسان‌ها ایفا می‌کنند ماشین‌ها اگر بخواهد واقعا نیاز آدمی را بفهمند باید هوش عاطفی داشته باشند.

اینک الکالیوبی مدیر اجرایی شرکتِ اَفکتیوا (Affectiva) است، شرکتی که در حال ساختن نوعی از سیستم‌های هوش‌مصنوعی است که دو دهه پیش پیکارد در سر داشت؛ یعنی سیستم‌های هوشمند نسبت به احساسات. نرم‌افزار اَفیکتیوا واکنش‌های احساسی یک کاربر را از طریق الگوریتمی که علائم کلیدی چهره را تشخیص می‌دهد، اندازه‌گیری و پیکسل‌های آن نقاط را برای دسته‌بندیِ حالت‌های بیانی چهره (facial expressions)  تحلیل می‌کند. سپس ترکیب این حالت‌های بیانی در هر یک از احساس‌های مختلفِ هفت‌گانه (مانند غم، شادی و …) و حالت‌های پیچیده‌ی شناختی مانند خواب‌آلودگی و گیجی ترسیم می‌شوند. همچنین الگوریتم‌های دیگری الگوها و تغییرات صدا را تحلیل می‌کنند.

نرم‌افزار اَفیکتیوا به تحلیل‌گرانِ بازار اجازه می‌دهد واکنش به تبلیغات و نمایش‌های تلویزیونی را ارزیابی کنند. این نرم‌­افزارها باعث قدرتمند شدنِ ربات‌های معاشرتیِ خودمانی (furry social robots) می­شود که به یادگیریِ بچه‌ها کمک می‌کنند. و در آینده‌ی نزدیک خواب‌آلود بودن راننده‌ها را به اتومبیل‌شان اطلاع می‌دهد.

با ایجادِ سیستم‌های هوش‌مصنوعی‌ای که داده‌های مربوط به احساسات را  ترکیب می­‌کنند، الکالیوبی و دیگرانی که در حوزه رایانش احساسات هستند جهانی را تصویر می‌کنند که در آن وسایل تکنولوژیک به سرخوردگی یا ملالتِ کاربر واکنش نشان می‌دهند و حتی می‌توانند درد و رنج آدمی را بکاهد.

الکالیوبی می‌گوید: «به گمان من، فناوریِ هوش‌مصنوعیِ احساسات می‌تونه مهمترین جزء سیستم‌های یادگیری آن‌لاین و حتی لباس‌های حساس به سلامت افراد باشه. تصور کنین مُچ‌بند هوشمند شما نسبت به زمان خواب و وعده‌های غذایی شما حساس باشه. یا مثلا بتونه بهتون بگه: اوه! به نظر امروز روزِ پرمشغله‌ایه، تو تحت فشاری، چطوره سه دقیقه استراحت کنی».

 

 

محاسبه‌ی احساسات

تحلیلِ آنیِ احساسات، کلان‌­مسأله­‌ای ریاضی است- معادله‌ای که مغز ما آن را بارها و بارها در طول روز طی چند میکروثانیه حل می‌کند.

«بازی‌هایی مثل شطرنج و “گو”[2] -که اغلب مردم فکر می‌کنند انجامش برای هوش‌مصنوعی بسیار سخت است- در مقایسه با چیزی که در طول چند دقیقه می‌تواند در حالت‌های بیانی چهره رخ دهد، کار سختی نیست». این را روزلند پیکارد بنیان‌گذار و مدیر گروه پژوهشیِ رایانش احساسات در پژوهشکده‌ی رسانه‌ی اِم‌آی‌تی می‌گوید.

در یک بازی تک­‌نفرۀ شطرنج، با برآوردی محافظه‌کارانه، حدود 10120 حرکتِ ممکن وجود دارد، این در زمان خودش چالش بزرگی برای سیستم‌­های هوش مصنوعی بود. امروزه هوش مصنوعی خبره‌تر شده است- سال گذشته الگوریتمِ AlphaZero  گوگل خودش بازی را یاد گرفت و یک برنامه‌ی قهرمانِ جهانی شطرنج به نام Stockfish  را فقط طی چهار ساعت شکست داد- اما این را، به گفتۀ پیکارد، با چیزی مثل تحلیل آنیِ حالتِ چهره “نمی‌توان حتی در یک مرتبه قرار داد”.

انسان‌ها در یک تعامل، برای خلق یک حالت بیانی در چهره، می‌توانند از 10000 حالت ممکنی که ترکیب حرکت ماهیچه‌های صورت به وجود می‌آورند استفاده کنند. هر حالت بیانی از ترکیب حرکت بیش از 40 ماهیچه مجزا به وجود می­‌آید، مثلا درهم کشیدن ابروها، چین‌دادن به بینی یا غنچه‌کردن لب‌ها. این حالت‌های بیانی معمولا با قریبِ 400 حالت صوتی و چندین هزار ژست بالقوه‌ی دست و بدن توأم است. این تبدیلاتِ چهره-صدا-دست در طول یک مکالمه مدام تغییر و اقیانوسی از داده تولید می‌کنند که بی‌وقفه بین افراد در جریان است. درحالی‌که مغز ما این احساسات پیچیده و کثیر را به صورت ناخودآگاه پردازش می‌کند، آموزشِ یک شبکه عصبی مصنوعی برای شناکردن در سونامی داده‌ها یک چالش فناورانه فوق‌العاده است؛ چیزی که ماجرا را پیچیده‌تر می‌کند این واقعیت است که ارتباط غیرکلامی از فرهنگی به فرهنگ دیگر فرق می‌کند.

با وجود این چالش‌ها، هوش عاطفی مصنوعی (artificial emotional intelligence) از لحاظ تکنولوژیکی برای تعداد رو-به-رشدی از شرکت‌ها و پژوهشگران یک فرصت محسوب می‌شود. درحالی‌که این حوزه گام‌های نخستین خود را برمی‌دارد، منابع قابل توجهی برای گسترش ابزارهای پیشرفت‌ه­ای که می­‌توانند واکنش احساسی را تحلیل و پیش‌بینی می‌کنند، اختصاص داده شده است. برخی از ابزارهای درحال ظهور این‌ها هستند: اپلیکیشن‌هایی که مضطرب‌بودن دانش‌آموزان را از پیش اطلاع می‌دهند، نرم‌افزار تحلیل صدایی که به تشخیص بیماریِ روانیِ شیدایی (mania) و شیزوفرنی کمک می‌کند، و برنامه‌هایی که بر مبنای پُست‌های رسانه‌های اجتماعی خطر خودکشی را پیش‌بینی می‌کنند. همراه با این ابزارها پرسش‌هایی جدّی درباره‌ی حریم شخصی و اخلاق مطرح هستند که هنوز پاسخی به خوبیِ پاسخ به مسائل فنی، به آنها داده نشده است.

پیکارد می‌گوید: «پیش از اینکه بتوانیم کامپیوترهایمان را [درباره احساسات] هوشمند بخوانیم، حجم فوق‌العاده عظیمی از داده‌ها و پژوهش‌ها وجود دارند که باید گردآوری و انجام شوند».

 

ایجاد حوزه‌ی مطالعاتی «احساسات»

زمانی‌که الکالیوبی در مصر مبارزه می‌کرد تا به عنوان یک متخصصِ علوم‌کامپیوتر شناخته شود، روزلند پیکارد در بوستن جنگ نسبتا مشابهی را پیش می‌برد. پیکارد سال‌های ابتدایی حضورش در پژوهشگاه رسانه‌ی ام‌آی‌تی را وقف ساختن مدل‌های ریاضی‌ای کرد که بتوانند نحوه تشخیص الگوهای موجود در داده های ماخوذ از جهان توسط مغز را شبیه سازی کنند. او متوجه شد حوزه احساسات بیش از آن‌چیزی که به نظر می‌رسد به این موضوع مربوط است.

پیکارد می‌گوید: «وقتی داشتم چیزای بیشتری درباره نقش احساسات یاد می‌گرفتم به خودم گفتم: این واقعا برای کامپیوترهای هوشمند و هوش‌مصنوعی مهم به نظر می‌رسه، و من مطمئنم که نمی‌خوام انجامش بدم. من یه زنم و این کار می‌تونه فعالیت حرفه‌ای من رو نابود کنه. کی دوست داره با موضوع “عواطف” خودش رو درگیر کنه؟»

پیکارد تلاش کرد پژوهشگران مرد استخدام کند اما کسی را گیر نیاورد. بنابراین خودش کار را آغاز کرد، او روش‌هایی را امتحان کرد برای به دست آوردن داده‌ها در مورد احساسات واقعی و غیرارادی و به کار بردن همان تکنیک‌های یادگیری ماشین که در پژوهش قبلی‌اش استفاده کرده بود. مقاله‌های اولیه او رد شد؛ داوری که نوشته‌های او را ارزیابی می‌کرد برایش نوشته بود: مقاله درباره‌ی مهندسیِ هوشِ عاطفی بیشتر به درد مجله‌های سرگرم کننده‌ی داخل هواپیما می‌خورد.

همانند الکالیوبی، پیکارد مقاومت کرد تا توانست آنچه را که در ابتدا مجموعه‌ی کوچکی از مقاله‌های دانشگاهی بود، به کتابی خط‌شکن تبدیل کند؛ یعنی همان کتاب رایانش عاطفی که اولین بار در سال 1997 منتشر شد.

هفت سال بعد پیکارد، الکالیوبی را ملاقات کرد. الکالیوبیِ حیرت‌زده از این دیدار، در آن‌زمان دانشجوی دکتری بود و داشت نرم‌افزار تحلیل چهره‌ای را طراحی می‌کرد که می‌توانست حالت‌های احساسی را تشخیص دهد. این سیستم که ذهن‌خوان (mind reader) نام داشت با استفاده از ویدئوهای مرکز پژوهش‌های اوتیسمِ دانشگاه کمبریج، آموزش دیده بود. ویدئوها شامل تصاویر چهره‌ی هنرپیشه‌هایی بود که صدها حالت مختلف بیانی چهره را اجرا کرده بودند- در واقع مجموعه‌­ برنامه­‌هایی بود که قصد داشت به بچه‌هایی که از نارسایی اوتیسم رنج می‌برند، بیاموزد چطور نشانه‌های غیرکلامی را بفهمند. برنامه‌ریزی الکالیوبی این بود که پس از فارغ‌التحصیلی به کشورش برگردد و در کنار همسرش زندگی کند. از طرفی پیکارد به او پیشنهاد همکاری در بوستن را داد.

الکالیوبی تعریف می‌کند: «جواب دادم: عاشق این کارم. اما من ازدواج کرده‌م، مجبورم برگردم. پیکارد بهم گفت بین قاهره و بوستون در رفت و آمد باش! اما این دیوانگی محض بود.»

الکالیوبی دکترایش را به پایان رساند و درحالیکه بین قاهره و بوستون در پرواز بود، برای ساختن نسخه جدیدی از ذهن‌خوان دوره‌ی سه ساله‌ای را در پژوهشکده‌ی رسانه‌ی ام‌آی‌تی آغاز کرد. در این مدت، پیکارد ابزارهای جدیدی را مطرح کرده بود که بتواند احساسات را در ضمن داده‌هایی جمع‌آوری کند که برای کامپیوترها قابل خواندن باشند، از جمله‌ی این ابزارها مجموعه‌ای از نوارهای حاوی حسگر بود که رسانایی پوست را اندازه می‌گرفت. این نوارها در کف دست جا می‌گرفت و وقتی کسی از لحاظ روانی متاثر می‌شد و شروع می‌کرد به عرق کردن، سنسورها تغییرات رسانایی الکتریکی در پوست را ثبت می‌کردند. الکالیوبی و پیکارد یک تحقیق چندین ساله را شروع کردند با این باور که ذهن‌خوان و حسگرهای زیست‌سنج می‌توانند به کودکان اتیسم کمک کنند برای اینکه یاد بگیرند موقعیت‌های اجتماعی و واکنش‌های احساسی خود را کنترل کنند.

همینکه پروژه پیشرفت کرد، آنها این دو فناوری را برای جذب همکاری حامیان مالی که از پژوهشکد‌ه‌ی رسانه بازدید می‌کردند، نمایش دادند. سازمان‌ها در صنایع مختلف، از صنایع کوچک گرفته تا بانک‌داری و رباتیک نسبت به داشتن داده‌های بلاواسطه از وضعیت‌های احساسیِ مخاطبانِ هدف استقبال کردند، تا اندازه‌ای که آن دو را شگفت‌زده کرد. بنابراین آنها در سال 2008 از مدیر پژوهشکده‌ی رسانه، فرانک مُس (Frank Moss)، خواستند تیم تحقیقاتی‌شان توسعه یابد. او درخواست آنها را رد کرد اما پیشنهاد دیگری داد: ایجاد یک شرکت. این‌گونه بود که شرکت اَفکتیوا بدون قصدِ قبلی متولد شد.

تقریباً پس از ده سال، اکنون دکتر نِد ساهین (Dr. Ned T. Sahin) دانشمند علوم اعصاب، از نرم‌افزارِ اَفکتیوا بهره می‌برد تا رویای قدیمی رعنا و روزلند را در استفاده از آن فناوری برای کمک به بیماران اوتیسم، تحقق بخشد. ساهین بنیان‌گذار شرکتی به نام «قدرت مغز» (Brain Power) است که برای افراد واجد مشکلات مغزی و شناختی، فناوری‌های پوشیدنیِ مدیریت حیات (wearable life coaching technologies) تولید می‌کند. ساهین و تیمش مجموعه‌ای از اپلیکیشن‌ها را برای عینک‌های واقعیتِ افزوده‌ی گوگل ساخته‌اند که بعضی از آنها با الگوریتم‌های اَفکتیوا کار می‌کنند؛ تعداد زیادی از این‌ها در اصل برای بچه‌ها طراحی شده بود اما حالا برای مخاطبان بیشتری کاربرد دارد.

بازیی به نام «معمای احساسات» (Emotion Charades) ساخته شده که در آن یک هم‌بازی روبروی کاربر می‌نشیند و حالت بیانی خاصی به چهره می‌گیرد. الگوریتم‌های افکتیوا آن احساس را تشخیص داده و یک شکلکِ (emoji) واقعیت افزوده، مطابق با آن احساس در کنار شکلکی که مطابقت ندارد به کاربر ارائه می‌دهند. کاربران با انتخاب احساسِ درست امتیاز می‌گیرند و هم‌زمان تشویق می‌شوند تا درباره‌ی تجربه‌ای که از آن احساس در زندگی خود دارند بحث کنند.

بازی «معمای احساسات» مثل دیگر اپلیکیشن‌های «قدرت مغز» برای زمان‌های کوتاهِ استراحتِ روزانه طراحی شده تا کاربران آن بتوانند مهارت‌های معمول در زندگی را تمرین کنند.

ساهین می‌گوید: «این شبیه به یاد گرفتن دوچرخه‌سواری به کمک چرخ‌های اضافیه که بعدش برداشته میشن.»

الکالیوبی و پیکارد هردو معتقدند رایانش احساسات باید بر نیازهای انسان متمرکز شود. همچنین مردم باید بتوانند درباره‌ی استفاده کردن یا نکردن و یا زمان استفاده از این فناوری تصمیم بگیرند، و بدانند که اطلاعاتشان چطور مورد استفاده قرار می‌گیرد و سطحی از حریم شخصی را همواره حفظ کند. سَنَدِ توافق‌نامه‌ی اَفکتیوا، استفاده از این نرم‌افزار را برای موارد امنیتی و نظارتی ممنوع می‌کند، به‌علاوه سازمان‌های ذی‌نفع را ملزم می‌کند تا پیش از نصب شدن روی هر دستگاهی از رضایت صریح کاربران آن مطلع شوند.

اما هرچه این حوزه گسترش می­‌یابد امکان سوءاستفاده هم بیشتر می‌شود. انجمن‌هایی مثل مرکز استانداردهای الکتریکی و مهندسی الکترونیک (IEEE-SA) اساسنامه‌ای را صادر کرده‌اند که شامل دعوت به کسب رضایت صریح و سیاست شفافیت اطلاعات می‌شود. وقتی احتمالِ استنباطِ واکنشی احساسی در مورد سیستمی وجود دارد، در مواردی که دچار اشتباه شده و یا به شکلی غیرمنتظره موجب آسیب و ناراحتی می‌شود باید به راحتی قابل اصلاح باشد. این‌که سازمان‌ها چنین اساسنامه‌هایی را اجرا می‌کنند یا نه و اگر آری چگونه، سوالی است که پاسخش هنوز مشخص نیست.

خودکارسازیِ سلامتِ روان

مُنمون دو چادوری (Munmun De Choudhury)، استادیار دانشگاه جورجیا تِک، معتقد است اکنون پاسخ دادن به چنین پرسش‌هایی حیاتی است. خانمِ دوچادوری در سال 2010 هنگامی که در حال تکمیل رساله‌اش بود به شکلی نامنتظره پدرش را از دست داد. او درحالی‌که که در غم و شوکِ این فقدان بسر می‌بُرد، از دورنمایی علمی‌تر به این ضایعه می­‌اندیشید- وقتی اتفاق بزرگی در زندگی افراد می‌اُفتد رفتار آنها در رسانه‌های اجتماعی چگونه تغییر می‌کند؟

دوچادوری شروع کرد به ارزیابی پست‌های توییتری مادرانی که تازه بچه‌دار شده‌اند. او انتظار داشت تغییر مثبتی در فعالیت آن‌ها در رسانه‌های اجتماعی ببیند، اما داده‌های او نشان می‌داد برخی از تازه مادران، بیشتر احساسات منفی را بروز می‌دهند و معمولا نسبت به زمان بارداری کمتر پست می‌گذارند. با ظنِّ به این‌که دلیل چنین اتفاقی افسردگی پس از زایمان است، دوچادروی پژوهش دیگری را با همکاری مایکروسافت پیش بُرد که طی آن مقایسه‌ای انجام می‌شد بین داده‌های به دست آمده از پست‌های فیسبوکِ مادرها و مصاحبه‌های حضوری‌شان، پیش و پس از زایمان. او دریافت که بر اساس داده‌های رسانه‌های اجتماعی نه تنها می‌توان افسردگی پس از زایمان را در افراد تشخیص داد بلکه می‌توان پیش‌بینی کرد کدامیک از کاربران به این افسردگی دچار خواهند شد.

از آن پس دوچادوری از رسانه‌های اجتماعی برای شناسایی خطر بیماری‌های روانی، مانند علائم اختلال شیزوفرنی، استفاده کرد. هم‌زمان محققان دیگری الگوریتم‌هایی را ساختند که علائمِ اضطراب، افسردگی و اختلالِ استرسِ پس از سانحه را تشخیص می‌دهد. گروه دیگری در دانشگاه وَندربیلت (vanderbilt)  الگوریتم‌هایی برای پیش‌بینی خطر خودکشی ساختند و به دنبال راه‌هایی برای استفاده از آن در فعالیت‌های پزشکی می­‌باشند. فیسبوک طی سال گذشته ابزارهای متعددی برای پیشگیری از خودکشی به خدمت گرفته است؛ از جمله برنامه‌ی هوش مصنوعی‌ای که پست‌ها و کامنت‌های حاوی واژه‌های مربوط به خودکشی و خودآزاری را اِسکن می‌کند.

دوچادوری می‌گوید: «داده‌های شبکه‌های اجتماعی می‌تواند مثل آمارهای ماموران بهداشت، برای پزشکان و روان‌پزشکان مفید باشد، چراکه حسِ تشخیصِ محلِ احتمالیِ خطرات را به آنها می‌دهد». اما اضافه می‌کند: «در حال حاضر چشم‌اندازِ ما از این‌که چطور استنباط‌های الگوریتمی می‌توانند برای مداخله‌ی مثبت با ما همکاری کنند، واقعا “ابتدایی” است. (واژه‌ای بهتر از ابتدایی نیافتم)»

کریس دَن‌فور (Chris Danforth) مدیر پژوهشکده‌ی «روایت محاسباتی» دانشگاه وِرمانت (University of Vermont’s Computational Story Lab) معتقد است بحث درباره‌ی زمان و نحوه‌ی استفاده از الگوریتم‌های پیش‌بینیِ سلامت روان، وقتی اهمیت ویژه‌ای پیدا می‌کند که سازمان‌های غیرشفافی مثل فیسبوک حضور بیشتری در این حوزه پیدا می‌کنند. دَن‌فور یک نمونه‌ی مفهومی از مدلی محاسباتی‌ طراحی کرده که می‌تواند پیش‌بینی کند آیا فردی با دیدن محتوای تویتر خود یا عکس‌های اینستاگرامش احساس ناراحتی خواهد کرد یا نه؟

روزلند پیکارد هم روی سلامت روان متمرکز شده است. او از سال 2013 حوز‌ه‌ی احساسات را رها کرد و تمرکزش را گذاشت روی پروژه‌های سلامت روان؛ از جمله همکاری با دانشمند و پژوهشگر دانشگاه ام‌آی‌تی، آکانه سانو (Akane Sano)، برای ساختن مدل‌هایی که با استفاده از داده‌های حسگرهای قابل پوشیدن (wearable sensors)، وضعیت روحی، استرس و افسردگی افراد را پیش‌بینی می‌کنند. پیکارد می‌گوید هدفْ ساختن مدل‌هایی است که با پیش‌بینیِ وضعیتِ سلامت روحی و جسمی افراد به آنها کمک کند تا برای سالم‌تر و شادتر زیستن تصمیمات مستند و مدللی اتخاذ کنند. او همچنین استارت‌آپِ اِمپاتیکا (Empatica) را راه‌اندازی کرده است که دستگاه‌های قابلِ پوشیدن برای انجام پژوهش‌های پزشکی می‌سازد. اوایل امسال این استارت‌آپ مجوز وزرات غذا و دارو (Food and Drug Administration) را هم برای تولید ساعت هوشمند دریافت کرد؛ وسیله‌ای که تغییرات رساناییِ پوست و دیگر پارامترها برای هشدار دادن نسبت به حملات ناگهانی (در مغز، قلب و ..) را با هوش مصنوعی به اشتراک می‌گذارد.

در این میان الکالیوبی بیشترِ زمانش را برای توسعه‌ی فناوری اَفکتیوا می‌گذراند. پس از اینکه در سال 2014 کیتِ توسعه‌ی نرم‌افزار به اَفکتیوا افزوده شد، این شرکت گواهی استفاده از نرم‌افزارش را در سازمان‌های مربوط به سلامت، بازی، آموزش، تحلیل بازار و … دریافت کرد. این شرکت اخیراً روی نرم‌افزارهای مربوط به خودرو متمرکز شده است، همچنین تلاش دارد تحلیل صدا را هم در نرم‌افزار «هوش مصنوعی احساسات» ارائه کند. سال گذشته افکتیوا به ائتلافِ «شرکت‌های هوش‌مصنوعی» پیوست که در زمینه‌ی توسعه و گسترشِ مبانیِ اصولِ اخلاقی و آموزشی در سیستم‌های هوش‌مصنوعی فعالیت می‌کند. همچنین الکالیوبی اکنون درحال همکاری با سازمان اقتصاد جهانی برای تهیه‌ی یک دوره‌ی آموزشی در زمینه‌ی اخلاق [هوش مصنوعی] برای مدارس است. او آینده‌ای را تصویر می‌کند که در آن ماشین‌ها به اندازه‌ای با احساسات ما هماهنگ شده‌اند که زندگی ما را شادتر، سالم‌تر و شاید حتی انسانی‌تر می‌کند.

او می‌گوید: «اعتقاد راسخ دارم که ما در حال بنای الگویی جدید دربارۀ نحوۀ تعامل انسان با کامپیوترها هستیم. این اندیشه، نیروی محرک فعالیتهای من بوده‌ است. ما داریم نحوۀ ارتباط انسان‌ها با دیگری را تغییر می‌دهیم.»

 

[1] واژه‌ی emotion در فارسی هم به «احساسات» و هم به «عواطف» ترجمه شده است. من در این ترجمه به فراخور متن از هردو استفاده کرده‌ام.

[2] یک بازی قدیمی پرطرفدار در کشورهای شرق آسیا که روی یک تخته شبکه‌بندی شده (19 در 19) انجام می‌شود و پیچدگی‌های خاصی دارد.

اشتراک مقاله

خبرنامه

درج نظر

خبرنامه شناخت پژوه

دریافت نکات برجسته از مهم ترین اخبار ارسال شده به صندوق ورودی ایمیل شما