Marianne Reddan passou os últimos 10 anos examinando rostos humanos para encontrar traços de duas emoções distintas, mas muito próximas. Surpresa e Medo. E depois de tanto tempo, ele mal aprendeu a diferenciá-los.
É por isso que Reddan, com pós-doutorado na Universidade de Stanford, entendeu que algo vai mudar. Ele entendeu isso quando soube que o EmoNet, um sistema baseado em aprendizado de máquina, aprendeu a distinguir as duas emoções.
O sistema, chamado "EmoNet", não olha apenas as expressões faciais para dar sentido às emoções. Observe também o contexto geral para determinar o sentimento geral, como faria uma pessoa de carne e osso.
Para realizar esta pesquisa (publicado na revista Science Advances) e essa rede neural “treinada” com grandes quantidades de dados levou um ano para ser desenvolvida por pesquisadores da Universidade do Colorado Boulder e da Universidade Duke.
Dos objetos às emoções
Reddan e colegas usaram AlexNet. É um modelo de deep learning (criado com a dinâmica do córtex visual) que treina o computador para reconhecer objetos. Eles o reprogramaram para revisar emoções em vez de objetos.
Philip Kragel, pesquisador do Instituto de Ciências Cognitivas da Universidade do Colorado, forneceu à rede neural 25000 mil imagens e fez com que ela as dividisse em 20 categorias de emoções.
A extensa lista incluía emoções como ansiedade ou tédio, e também outras experiências emocionais menos habituais, como “satisfação estética” ou “dor empática”.
Na segunda fase, as emoções categorizadas foram comparadas com as humanas. 8 voluntários conectados como ressonância magnética funcional observaram 112 imagens. Sua atividade cerebral foi medida em paralelo pela rede neural, para associá-la às imagens (e emoções) já em sua posse.
Construir uma rede neural que reproduz o cérebro humano é um desafio científico que dura há anos. No entanto, mesmo as máquinas mais avançadas avançam à frente da gama de experiências humanas. “As emoções são uma grande parte de nossas vidas diárias” dados Kragel. “Se as redes neurais não os decifrarem adequadamente, sempre terão um conhecimento limitado de como o cérebro funciona.”
Kragel ficou surpreso com o funcionamento do EmoNet, mas isso não quer dizer que o sistema ainda seja perfeito. As duas categorias mapeadas com mais precisão são “desejo sexual” e “ganância/luxúria”, mas às vezes não funciona bem com emoções expressas de forma dinâmica. Surpresa, por exemplo, que pode evoluir rapidamente para alegria ou raiva dependendo da situação. A EmoNet também tem grande dificuldade em encontrar diferenças e nuances entre emoções como adoração, diversão e alegria, devido às suas correlações íntimas.
Existe algum risco?
Hannah Davis, professor de música generativa na Universidade de Nova York, acredita que ensinar emoções a um computador não é perigoso. “Seria perigoso”, diz ele, “se começássemos a distinguir emoções com o mesmo esquematismo e a mesma falta de nuances”.
Como você pode culpá-la? Codificar uma emoção a partir de uma foto não significa compreendê-la ou sentir empatia. E já hoje com as redes sociais podemos ter a percepção de que as pessoas limitaram as suas emoções ao número de emoticons que conseguem encontrar.
“O modelo é capaz de sentir emoções? Definitivamente não. Ele está apenas lendo algumas categorias, certamente não a complexidade da experiência humana. Ele poderia experimentar emoções no futuro? Eu não posso descartar isso. Talvez."
