A mesterséges intelligencia megtanulja, hogyan olvassa a helyzetet.

Képzeld el, hogy leülsz az íróasztalodhoz és bejelentkezel egy teljesítményértékelésre, miközben egy AI rendszer elemzi a beszélgetést. Hosszú órákat dolgoztál, határidőket egyensúlyozva, és a főnököd megkérdezi, hogy vagy. Azt mondod, jól vagy, és talán még mosolyogsz is, de egy kis hezitálás hallatszik a hangodban. Ahogy változik a testtartásod, a vállad lelóg. Ezek apró jelek, amelyek az emberi szem számára rejtett stresszre utalhatnak. De egy AI modell, amelyet csak arra tanítottak, hogy az érzelmeket „boldognak” vagy „szomorúnak” kategorizálja, valószínűleg nem veszi ezeket észre. Az AI rögzíti a szavakat és a mosolyt, majd tovább lép—és hacsak a főnököd nem lép közbe, a tény, hogy fáradt vagy, szétszórt, és talán napok kérdése, hogy kiégtél, sosem kerül a képbe. Az „érzelmi AI”, amely megbecsüli, hogy az emberek hogyan éreznek az arckifejezések, a hangszín és a viselkedés alapján, hirtelen mindenhol jelen van; használják dolgozói jólétben és toborzó interjúkban, oktatási platformokon és gépjárművezető-monitorozó rendszerekben. Technológiai hívóközponti platformok, mint a NiCE és a Genesys AI-t alkalmaznak annak érzékelésére, ha egy ügyfél frusztráltan hangzik, és valós időben figyelmeztetik az ügynököket, hogy lassítsanak vagy empatikusabban válaszoljanak. Olyan óriáscégek, mint a Meta, és start-upok, mint a Hume AI, fejlesztenek kifejezőbb hangalapú AI rendszereket, amelyek képesek érzelmi jeleket észlelni a „beszélgető” személytől és ahhoz igazítani a kommunikációt. Ráadásul már számos cég kínál virtuális AI társalkodó alkalmazásokat, egy gyorsan növekvő piac, amely 2035-re becslések szerint 555 milliárd dollárt érhet. A robotbarátok is bekerültek a képbe. Például az Intuition Robotics ElliQ egy kicsi eszköz, amely valójában egy fehér íróasztali lámpára hasonlít, és most arra használják, hogy beszélgetésbe vonja az időseket, a magány csökkentésének reményében. De míg az érzelmi AI területe gyorsan fejlődik, a legtöbb létező rendszer korlátozott számú jel érzékelésére összpontosít, hogy egyszerre csak egy specifikus érzelmet címkézzen—ami elégtelen, ha az emberi állapot megértéséről van szó. A valóságban az emberi jelek és érzelmek kontextuálisak, átfedik egymást, és folyamatosan változnak. Egy nevetés jelezheti az örömöt, a idegességet, vagy mindkettőt; egy megemelt hang ugyanolyan könnyen jelezheti az lelkesedést, mint a frusztrációt. Az érzelmek észlelésének megnehezítése érdekében egyénről egyénre nagy eltérések vannak a reakciókban, a demográfiai, kulturális háttér és számtalan egyéb változó függvényében. Más szavakkal, szakadék van aközött, amit elvárunk az AI-tól, és ami valóban teljesíthető. Ezen a szakadékon dolgozik egy új kutatási terület—amit emberi-kontxtusú AI-nak hívunk. Ahelyett, hogy csupán egy bemeneti adatot nézne és azt címkézné, az emberi-kontxtusú AI egyre inkább képes mérlegelni egyéni személyiséget és karaktert, és valós időben nyomon követni az érzelmeket, miközben több bemeneti adatot is kombinál, beleértve az arckifejezéseket, a hangot, a hangszínt, a nyelvezetet és a viselkedést. Lényeges, hogy a válaszokat egy adott környezet kontextusában is értékelik, például egy teljesítményértékelés vagy szakmai coaching során. Az eredmény? A számítógépek megtanulják olvasni a színteret, nem csak a képernyőt. Az érzelmi AI eredete Az érzelemérzékelő AI története majdnem három évtizeddel ezelőtt kezdődött a MIT Media Labban, ahol Rosalind Picard amerikai elektromérnök és számítástechnikus megalkotta az „affektív számítástechnika” kifejezést. Munkája bevezette azt a radikális ötletet, hogy a számítógépeket meg lehet tanítani az emberi érzelmek felismerésére és reagálására. Picard korai kísérletei egyedi modalitásokra összpontosítottak: arckifejezések, hanghordozás és fiziológiai jelek, mint például a bőr vezetőképessége vagy a pulzus. A cél az volt, hogy a gépek betekintést nyerjenek az emberi érzésekbe, segítve ezzel őket empatikussá válni. Izgalmas vízió volt, de akkoriban a tudomány és a hardver még nem volt készen. A számítási teljesítmény korlátozott volt, az érzékelők nyersnek bizonyultak, és az adathalmozás szűk és elfogult volt. Az ezt követő évtizedekben a kutatók és a cégek egyre jobbá váltak az emberek kifejeződési módjainak mérésében. A 2010-es évektől kezdve az érzelemérzékelés—jóléti és érzelmi árnyalatokat kiértékelő jelentések feldolgozása—elkezdett eljutni a mainstreambe. Ugyanakkor a marketingcégek, köztük az én cégem, a Neurologyca, elkezdték videók és webkamerák használatát az ügyfélreakciók mérésére és katalogizálására. A biometrikai eszközök és aktivitásmérők, mint a Fitbite és az Apple órák, szintén mindenhol elterjedtek, új adatfolyamokat generálva az emberek alvásáról, lépésszámáról, stresszszintjéről és más tényezőkről. Nem meglepő, hogy a tudósok hamarosan megerősítették, hogy a nagyobb mennyiségű személyre szabott adatok nagyobb pontossághoz vezetnek az emberi érzelmek olvasásában. 2019-ben a Cornell Egyetem kutatói bemutatták, hogy a különböző típusú jelek kombinálása javítja az érzelemérzékelést. Rendszerük fiziológiai adatokat, mint a elektródokkal mért agyi tevékenység (EEG) és a pulzus, vizuális jelekkel, mint az arckifejezés, egyesítettek, felülmúlva az egyetlen bemenetre támaszkodó rendszereket. Körülbelül ugyanebben az időszakban Picard és csapata a MIT-n azt találta, hogy az emberekre vonatkozó adatokkal képzett humanoid robotok lényegesen jobban olvassák az adott személy reakcióit és érzéseit, mint a személyre szabott adatok nélkül működő robotok. A legutóbbi tanulmányok egybevágnak ezekkel a megállapításokkal. 2024-ben koreai tudósok kimutatták, hogy a fiziológiai, környezeti és személyes adatok egyesítése az érzelem felismerésében 32%-os hibacsökkentést eredményezett. Egy másik, 2025-ben publikált cikk arra mutatott rá, hogy a felhasználóra szabott információk jelentősen fokozzák az érzelemfelismerés teljesítményét. Ma már az eszközeink tudják, kik vagyunk; szokásainkat, hajlamainkat, kedvenceinket és nem kedvelt dolgainkat. Ezek ráadásul egyre kisebbek és hatékonyabbak. Apró, energiatakarékos kamerák és mikrofonok, amelyek a telefonokba, laptopokba, virtuális valóságba és kiterjesztett valóságba vannak beépítve, képesek a humán jelek tucatját egyszerre érzékelni, a szemmozgásoktól és mikrokifejezésektől kezdve a légzési ritmuson és hangmoduláción át egészen a testtartásig. A számítástechnika fejlődése lehetővé tette az audio, video, biometriai és szöveges adatok integrálását, gyakran anélkül, hogy a nyers adatokat a felhőbe kellene továbbítani. A Stanford, Cambridge és MIT kutatói, valamint a japán Kjúshú Egyetem és a kínai Shenyang Northeastern Egyetem Szoftver-főiskolájának kutatói felfedezik, hogyan tudják a különböző adatok fúziója finomítani az ember-gép interakciók érzékenységét és pontosságát. Azonban, a sok áttörés ellenére a gépek még mindig nem képesek megbízhatóan értelmezni az érzelmeket vagy akár a fizikai stresszt sem. Még tavaly egy pszichopatológiai és klinikai tudományos folyóiratban megjelent felmérés azt mutatta, hogy az okosórák stressz pontszámai ritkán, ha egyáltalán, megfeleltek a felhasználók által tapasztalt stressz szintjének. Valójában a megkérdezettek negyede arról számolt be, hogy az okosórák kijelentései közvetlen ellentétben állnak a saját érzéseikkel. Miért ez a diszkrepancia? Nagyjából jól tudunk jeleket rögzíteni, de nem tudunk jól értelmezni. Egy fitnesz tracker azt a következtetést vonhatja le a pulzusodból, hogy stresszelt vagy, és javasolhatja a tréning csökkentését, de nem tudja, hogy a megnövekedett pulzus az izgalomból, a fáradtságból vagy egy extra csésze kávéból származik. Az érzelmek mérése a való világban még nehezebb. Ennek a bonyolult problémának a megoldásához a gépeknek kontextusra van szükségük. A Neuromarketingtől az Érzelemérzékelő AI-ig A cégem, a Neurologyca, 2015-ben alakult Spanyolországban, és neuromarketinggel kezdett. Fontos európai márkákkal és konglomerátumokkal dolgozva társalapítónk, Juan Graña észrevette, hogy a cégeknek hiányzik a megbízható adat a fogyasztókról. Akkoriban a legtöbb ügyfélvisszajelzés kérdőíveken keresztül érkezett, amelyek olyan kérdéseket tettek fel, mint: „Egytől tízig terjedő skálán mennyire boldoggá tesz ez az autóreklám?” vagy „Melyik emoji a legjobban jellemzi a hangulatodat?” Természetesen ezek a túl egyszerű eszközök magas szintű önbevallási torzulásokhoz vezettek, mivel az emberek gyakran tévesen értékelik vagy hamisan nyilvánítják meg a saját reakcióikat. E probléma megkerülése érdekében a Neurologyca laborokat hozott létre, amelyben a neurológiát és a kognitív tudományokat használtuk, hogy pontosabban rögzítsük az emberek termékekre, logókra, hirdetésekre és élményekre adott reakcióit. A biometrikus eszközök, mint a pulzusmérők, szemmozgás-érzékelők és EEG mellett milliók rögzítettek videofelvételeket az emberi reakciókról, rögzítve minden specifikus környezetet és a következő arckifejezéseket és testmozdulatokat. Ehhez több mint 790 referencia pontot térképeztünk fel, beleértve a száj sarkait, a szemek és pupillák méretét, a pislogás sebességét és a fej dőlésszögét. Mindez az adat anonim módon gyűjtődött és tárolódott szigorú európai adatvédelmi szabványok szerint. Ezután ezt az információt összekapcsoltuk az évtizedek során gyűjtött neurológiai és viselkedési kutatások megállapításaival arról, hogy a biometriai adatok, beszédminták és az emberi mozgás hogyan kapcsolódik az érzelmekhez—kutatás, amelyet továbbra is gyűjtünk európai akadémiai intézményektől. Létrehoztunk egy adatbázist a szituációs kontextusokról—például „kutyaeledel-reklám megtekintése” vagy „új dal hallgatása”—és az emberek által kiváltott érzésekről. A cégekkel végzett munkánk során ez a megközelítés nemcsak az árnyalt érzelmek felismerését tette lehetővé, hanem azt is, hogy azonosítsuk, mely reakciók jelzik a pozitív vagy negatív kimeneteket. Például a horrorfilmek előzetesének kontextusa: Kutatásunk segített kideríteni, hogy a legjobban sikerült előzetesek nagyon specifikus érzelmek mixét váltják ki, nevezetesen egy kis félelmet, egy kis szorongást, de némi örömet is. Ezzel a tudással gyorsan értékelhetjük a nézői reakciókat, hogy a filmgyártó kiderítse, hogyan alakíthatja az előzetesét a kívánt hatás érdekében. Néhány év alatt felfedeztük, hogy a nálunk képzett modell pontosan értékelheti az érzelmeket csupán egy webkamera segítségével. Megszűnt az igény arra, hogy fókuszcsoportmunkákat szervezzünk berendezésekkel teli helyiségekben. Ehelyett olyan dolgokat tehettünk, mint új parfümminta küldése fizetett résztvevőknek világszerte, linkkel együtt. Amikor az emberek megnyitották a linket, az aktiválta a kameráikat, lehetővé téve, hogy rögzítsük az arcukat, amikor először szagolják meg a parfümöt. Hirtelen kiterjesztettük a hatósugarunkat: Ahelyett, hogy egy vagy két ország kis fókuszcsoportjait használtuk volna, gyorsan 1000 embert értékelhettünk világszerte, összehasonlítva, hogy valaki Japánban, Indiában vagy Németországban hogyan érez egy adott termékről. Körülbelül négy évvel ezelőtt, amikor az AI elterjedté vált, rájöttünk, hogy modelljeink alkalmazásai messze túlmutatnak a neuromarketing területén. Fontos, hogy ezek a modellek közvetlen megfigyelésekből származnak, nem pedig következtetett mintákból vagy lazán címkézett nyitott adathalmozásokból. A márkák és cégek mellett megállapítottuk, hogy modelljeink integrálhatók az AI rendszerekbe, hogy segítsenek nekik az emberi érzelmek még finomabb szinten való megértésében. Más szóval, egy kontextusréteget tudtunk biztosítani. Az Empatikus AI számára a kontextus kulcsfontosságú Amikor egy „kontextusrétegről” beszélünk, három különböző típust értünk alatta. Az első a szituációs vagy környezeti kontextus; például egy teljesítményértékelés, egy távgyógyászati ülés vagy egy horrorfilm nézése. A második a személyes kontextus, amely egy egyén specifikus történetét, céljait és alapállapotát tartalmazza. A harmadik a viselkedési kontextus, amely az egyén reakcióját vizsgálja az esemény vagy interakció folyamán, valós idejű figyelmi, magabiztossági, elköteleződési és kognitív leterheltségi változások kiértékelésével. A legtöbb létező rendszer ma csak a szituációs kontextusra összpontosít, bár néhány kezd belefoglalni személyes kontextust is. Nagyon kevés tartalmaz viselkedési kontextust, vagy kombinálja ezeket a háromakat értelmes módon. Amit a Neurologycánál felépítettünk, az egy logikai réteg, amely fúzióba hozza a hármat, és strukturált, gép által olvasható információvá alakítja, lehetővé téve az AI rendszerek és ügynökök számára, hogy hatékonyabban reagáljanak. Technológiánk olyan rendszerek fejlesztését segíti elő, amelyek még fejlesztés alatt állnak, valamint már működő alkalmazásokat, például gépjárművezető-biztonsági applikációkat, mint a Netradyne, háztartási asszisztenseket, mint az Amazon Alexa, és egészségügyi AI platformokat, mint a Sully.ai. A működése a következőképpen zajlik: A szituációs kontextus meghatározása történik a platform vagy alkalmazás által, legyen szó szakmai coaching ülésről, meditációs alkalmazásról vagy a gépjárművezető biztonsági monitoráról. A személyes kontextus már létezik minden egyes platformon—ha nem, az személyes adatok megosztásával vagy kamerán keresztül figyelemmel kísérve létrehozható. (A legtöbb wellness és szakmai fejlődés applikáció például tartalmazza a felhasználó profilját, történetét és korábbi ülését.) Végül a viselkedési kontextust valós időben gyűjtjük és elemzzük modelljeink segítségével. Végső soron a logikai rétegünk ezek a három információs áramot ötvözi. Rendszerünk nem rögzít fix súlyokat a három kontextusra. Ehelyett folyamatos kalibrációt biztosít, ahol az egyensúly a specifikus helyzettől függően változik. Például a beszéd szünete bizonytalanságot jelezhet egy teljesítményértékelés során, de valami egészen mást egy relaxációs környezetben. Ha a jelek egyértelműek vagy átfedik egymást, a rendszerünk az alacsonyabb megbízhatósági pontszámokkal tükrözi ezt a bizonytalanságot, ahelyett, hogy kényszerítve lenne egy határozott értelmezésre. Ráadásul a rendszerünk képes működni anélkül, hogy valaha nyers adatokat küldene a felhőbe, ezáltal enyhítve a magánéleti aggályokat. Sok esetben a video-, audio- és biometrikus jelek sosem hagyják el az eszközt. Ehelyett könnyű modelljeink helyben vonják le az információt, és csak a szükséges dolgokat osztják meg. A felhő rendszerek ez idő alatt a betanításra, a mintamintázás elemzésére és a modellek javítására használatosak. Az eredmény: egy hibrid architektúra: a gyorsaság és a magánélet védelme érdekében széles vonalú feldolgozás, míg a felhőalapú tanulás folyamatos fejlődést biztosít. Az eredmény? A kontextus integrálásával az AI rendszerek kezdenek értelmezni az emberi állapot egyes aspektusait, ahogy az interakciók zajlanak, dinamikusan alkalmazkodva az érzelmekhez, ahelyett, hogy csak utólag reagálnának. A potenciális alkalmazások köre széles és még fejlődés alatt áll. Képzelj el egy szakmai fejlődési platformot, amely egy emberi avatár segítségével egy próbainterjút készít és visszajelzést, illetve tippeket ad, hogyan tűnhetsz magabiztosabbnak, szimpatikusabbnak és tájékozottabbnak. Vagy egy meditációs alkalmazást, amely tudja, mennyire aludtál jól, és mennyire vagy szorongó, és javasolhat egy megfelelő légzőgyakorlatot. Vagy egy humanoid robot tanárt, aki képes jelezni, amikor egy diák zavarodott vagy unatkozik, és közbelép, hogy visszavezesse őt a helyes útra. A jövőbeli potenciális veszélyek elkerülése már régóta viták tárgyát képezi az érzelemérzékelő AI etikájáról. Néhány kritikus megkérdőjelezi, hogy a rendszereknek egyáltalán el kellene-e próbálniuk kitalálni az érzelmeket külső jelek alapján. Azt érvelik, hogy az emberek mérhető outputokká redukálása kockázatot jelent az emberi tapasztalatok túlzott leegyszerűsítésére, miközben lehetőséget ad a manipulációra, megfigyelésre és igazságtalan ítéletek kiadósára munkahelyeken, iskolákban és nyilvános területeken. Ezeket a kockázatokat rendkívül komolyan vesszük. Valójában a technológiánk célja, hogy csökkentse az emberi érzelem túlságosan leegyszerűsített értelmezésének veszélyeit. Az emberi-kontxtusú AI nem azon a feltételezésen alapul, hogy a gép határozottan tudja, mit érez valaki. Inkább megpróbálja túlhaladni az egyszerű címkéket azáltal, hogy bevonja a szituációs, személyes és viselkedési kontextust, miközben kifejezetten tükrözi a bizonytalanságot, amikor a jelek félreérthetők vagy hiányosak. Ennek ellenére az etikai aggályok a bevezetés körül valósak, és formálták azokat a projekteket, amelyeket követünk. Például sosem fogadnánk el katonai feladatokat a kihallgatások elősegítésére. Nemcsak etikai okokból: Az érzelmi AI nem képes megbízhatóan észlelni a csalást, és másképp állítani pedig túlságosan túlnyújtaná a technológia valósCapabilities. Míg a technológiánk felhasználható a tömeg viselkedésének és az olyan események előrejelzésének mérésére, mint például egy futballstadion potenciális zűrzavara, nem szeretnénk, ha a technológiánkat megfigyelésre használják. Összességében úgy véljük, hogy a logikai rétegünket bárkire alkalmazni, aki nem adott bele, zavaró és etikai problémákat vetne fel. Európában rendszereinket úgy terveztük, hogy megfeleljenek az EU AI törvény érzelmek felismerésére vonatkozó korlátozásainak a munkahelyeken és az iskolákban; amikor az Egyesült Államokban bővülünk, alkalmazzuk a jogszabály-specifikus irányelveket miközben megőrizzük ugyanazokat a fő etikai kötelezettségeket. Azt sem tanácsoljuk a cégeknek, hogy túlzottan megbízzanak a technológiánkban. A felvételi és elbocsátási döntéseknek nem csak a mi kimeneteink alapján kell eljárniuk. Inkább a logikai rétegünket arra terveztük, hogy támogassa az emberek megértését és felszínre hozza azokat az érzelmeket, amelyek különben észrevétlenek maradnának. Térjünk vissza a teljesítményértékelések szituációjához. Ne felejtsd el az alap AI-t—minden ember, még a nagyszerű menedzserek is figyelmen kívül hagynak dolgokat a beszélgetések során. Sok minden történik egyszerre, ahogy az emberek feldolgozzák, amit mondanak, hogyan válaszoljanak, és a helyzet tágabb kontextusát. Napjainkban sok interakció már virtuálisan vagy videón történik, újabb zavarokat adva, miközben a közös kontextus akadályozva van. Miközben soha nem állítanánk, hogy modelljeink jobban értik az embereket, mint más emberek, úgy véljük, hogy kínálhatunk egy plusz réteget, amely segít a menedzsereknek megfigyelni és értelmezni azokat a viselkedési jeleket, amelyek különben elvesznének, így nagyobb láthatóságot biztosítva a beszélgetés alakulásában. Modellünk képes a pillanatról pillanatra zajló mintákat nyomon követni, például észlelni a figyelem változását, valami, ami nem jutott el, vagy a viselkedés megváltozását. A modell nem mondja meg a menedzsernek, mit jelentenek ezek a pillanatok, vagy mit tegyen miattuk; csupán megkönnyíti az észlelést és a további lépéseket. Az emberi-kontxtusú AI még kezdeti stádiumban van. Az alkalmazási esetek, az elfogadási minták és a tényleges hatás mind még fejlődés alatt állnak. Ugyanakkor az érzelemérzékelő rendszerek gyorsan beépülnek a valós termékekbe és platformokba. Kontextus hiányában—anélkül, hogy tudnánk, miért érzik magukat az emberek úgy, ahogy—az AI kockázatot vállal arra, hogy félreértsen minket kritikus pillanatokban.