Waarom u zich zorgen moet maken over machines die uw emoties lezen

Kan een programma potentiële terroristen detecteren door hun gezichtsuitdrukkingen en gedrag te lezen? Dit was de hypothese die door de US Transportation Security Administration (TSA) in 2003 op de proef werd gesteld, toen deze een nieuw bewakingsprogramma begon te testen, genaamd het programma Screening of Passengers by Observation Techniques, of kortweg Spot.

Tijdens de ontwikkeling van het programma hebben ze Paul Ekman, emeritus hoogleraar psychologie aan de Universiteit van Californië, San Francisco, geraadpleegd. Decennia eerder had Ekman een methode ontwikkeld om minieme gezichtsuitdrukkingen te identificeren en door te koppelen aan overeenkomstige emoties. Deze methode werd gebruikt om "gedragsdetectieambtenaren" te trainen om gezichten te scannen op tekenen van misleiding.

Maar toen het programma werd uitgerold in 2007, zat het in de problemen. Officieren waren verwijzend passagiers voor ondervraging min of meer willekeurig, en het kleine aantal arrestaties dat tot stand kwam waren op beschuldigingen die geen verband hielden met terrorisme. Nog zorgwekkender was het feit dat het programma naar verluidt was gebruikt raciale profilering rechtvaardigen.

Ekman probeerde afstand te nemen van Spot en beweerde dat zijn methode verkeerd werd toegepast. Maar anderen suggereerden dat het falen van het programma te wijten was aan een verouderde wetenschappelijke theorie die de methode van Ekman onderbouwde; namelijk dat emoties objectief kunnen worden afgeleid door analyse van het gezicht.

In de afgelopen jaren zijn technologiebedrijven de methode van Ekman gaan gebruiken om algoritmen te trainen om emotie uit gezichtsuitdrukkingen te detecteren. Sommige ontwikkelaars beweren dat automatische emotiedetectiesystemen niet alleen beter zijn dan mensen in het ontdekken van echte emoties door het gezicht te analyseren, maar dat deze algoritmen afgestemd raken op onze diepste gevoelens, waardoor de interactie met onze apparaten enorm wordt verbeterd.

Maar veel experts die de wetenschap van emotie bestuderen, zijn bezorgd dat deze algoritmen opnieuw zullen mislukken, waardoor beslissingen met veel inzet op basis van foutieve wetenschap worden genomen.

Emotiedetectietechnologie vereist twee technieken: computer vision, om gezichtsuitdrukkingen nauwkeurig te identificeren, en machine learning algoritmen om de emotionele inhoud van die gezichtskenmerken te analyseren en te interpreteren.

Meestal maakt de tweede stap gebruik van een techniek die supervised learning wordt genoemd, een proces waarmee een algoritme wordt getraind om dingen te herkennen die het eerder heeft gezien. Het basisidee is dat als u het algoritme duizenden en duizenden afbeeldingen van blije gezichten met het label "blij" toont wanneer het een nieuwe foto van een blij gezicht ziet, het het opnieuw als "blij" zal identificeren.

Een afgestudeerde student, Rana el Kaliouby, was een van de eerste mensen die met deze aanpak begon te experimenteren. In 2001 ontdekte ze na een verhuizing van Egypte naar Cambridge University om een ​​doctoraat in de informatica te behalen, dat ze meer tijd met haar computer doorbracht dan met andere mensen. Ze dacht dat als ze de computer kon leren herkennen en reageren op haar emotionele toestand, haar tijd ver weg van familie en vrienden minder eenzaam zou zijn.

Kaliouby wijdde de rest van haar doctoraatsstudies aan dit probleem en ontwikkelde uiteindelijk een apparaat dat kinderen met het Asperger-syndroom hielp bij het lezen en reageren op gezichtsuitdrukkingen. Ze noemde het het "emotionele gehoorapparaat".

In 2006 trad Kaliouby toe tot het Affective Computing-lab van het Massachusetts Institute of Technology, waar ze samen met de directeur van het lab, Rosalind Picard, de technologie bleef verbeteren en verfijnen. Vervolgens, in 2009, zij mede-oprichter een startup genaamd Affectiva, het eerste bedrijf dat 'kunstmatige emotionele intelligentie' op de markt brengt.

Lees hier het hele verhaal ...