در قسمت قبل برخی از فرصت‌هایی که هوش مصنوعی و اینترنت اشیا در رابطه با تحلیل احساسات و عواطف در اختیار ما قرار می‌دهد مورد بررسی قرار گرفت، در این قسمت دیگر بخش‌های آن را مورد بررسی قرار می‌دهیم. برخی از تکنولوژی‌های هوش مصنوعی راهکارهای جدیدی را برای شبیه‌سازی هر چه بیشتر محیط‌های فیزیکی در اپلیکیشن‌های اینترنت اشیا ارائه داده‌اند. با شفاف‌سازی روند استفاده از تکنولوژی‌های جدید، می‌توانیم با استفاده از دستگاه‌های IoT و AI آنها را به اهداف اعلام شده خود هدایت کنیم.
احساس عاطفی
در CES چهار سال پیش، به یاد داشته باشید که در معرض تشخیص احساسات فراتر از قلب است. فوق‌العاده بود که چگونه این فناوری به نظر می‌رسید احساسات مختلف سخنران را در زمان واقعی شناسایی کند.
امروزه چند شرکت دیگر وجود دارد که می‌توانند این را به‌عنوان API و همچنین از طریق نرم‌افزار جاسازی شده انجام دهند. این شامل Affectiva، EmoVoice، و Vokaturi است. API علاوه بر صدا، در حال حاضر شامل چشم‌انداز یادگیری ماشین برای ارائه داده‌های احساسی در زمان واقعی و ارائه اطلاعات شخصیتی است.
برای مثال، بینگ، هر دو سن، جنس و احساس را بر اساس تجزیه و تحلیل صورت فراهم می‌کند. هر دستگاهی با یک دوربین می‌تواند عکس بگیرد، آنها را به API آپلود کند، و به طور مداوم اطلاعات را به هر برنامه‌ای که به صورت موازی روی دستگاه اجرا می‌شود، تغذیه کند. شاید بر اساس تشخیص احساسات منفی می‌تواند وجود داشته باشد؟
عاطفی احساساتی
در کنار همه این ویژگی‌ها، برخی از میوه‌های حلق‌آویز وجود دارد که برای کمک به تکنولوژی ما را برای رسیدن به اهداف ما سوق می‌دهد. این اهداف ممکن است به صراحت توسط کاربر بیان شده یا توسط دستگاه برطرف شود. اولین برنامه مطابق است. وقتی که من به طرف جنوب کنتاکی تماس گرفتم، گاهی اوقات وقتی که چشم‌انداز تلفن را پاسخ دادم، خودم را به تصویب رساندم و گفتار من را تسکین داد. تلاش ناخودآگاه این بود که خودم را بیشتر نسبت به شخصی که با آن صحبت می‌کردم مقایسه کنم.
یک مانع بزرگ برای AI ها برای تشخیص و انجام همان کار در تعاملات صوتی وجود ندارد. Cadence، جنسیت و لحن می‌تواند خیلی سریع هماهنگ باشد. بر اساس تحلیل احساسات، ما همچنین می‌توانیم انعطاف‌پذیری تعامل را تطبیق دهیم. آیا پاسخ کاربر کوتاه است؟ سپس پاسخهای ما باید کوتاه باشد.
برنامه دوم واکنش به احساسات منفی است. هنگام تشخیص عواقب منفی، یک سیستم می‌تواند پاسخهای مختلفی را برای کاهش منفی انجام دهد:
- پخش موسیقی موردعلاقه کاربر
- تغییر رنگ چراغ‌ها
- در ابتدا افزایش و سپس کاهش حجم گفتار
- تغییر صدای تأیید
- تغییر زبان مورداستفاده در پاسخ
چالش این است که توسعه دهندگان اکنون باید یک ماتریس ورودی‌ها و پاسخ‌ها را مدنظر قرار دهند. به‌عنوان‌مثال، اگر آمازون قادر به تشخیص احساسات به عنوان بخشی از مهارت الکسا بود، هر دو درخواست کاربر و همچنین احساسات اولیه و ثانوی کاربر را به سازنده مهارت انتقال می‌داد. سازنده مهارت باید پاسخهای نه تنها برای درخواست کاربر بلکه برای احساسات خود ایجاد کند.
یک فرصت برای توسعه دهندگان برای ایجاد پاسخهای خودکار مبتنی بر احساسات وجود دارد و برای تطبیق دادن لایه‌بندی شده، همانطور که در مورد وضعیت ذهن کاربر می‌دانیم، وجود دارد. این جایی است که ما می‌توانیم به یادگیری ماشین بپردازیم تا بدانیم که کدام سازگاری بیشترین تأثیر را در حالت ذهن کاربر دارد.
