Επιστήμονες ήταν σε θέση να κάνουν μια τεχνητή νοημοσύνη να κατανοήσει τα υποκειμενικά κριτήριά μας ως προς το πότε ένα πρόσωπο είναι ελκυστικό- και η εν λόγω ΑΙ κατάφερε να επιδείξει αυτή της την κατανόηση δημιουργώντας νέα πορτρέτα, τα οποία ήταν έτσι σχεδιασμένα ώστε να είναι ελκυστικά, σε προσωπικό επίπεδο, σε αυτούς που τα έβλεπαν. Τα αποτελέσματα της έρευνας αυτής μπορούν να αξιοποιηθούν, για παράδειγμα, στη δημιουργία μοντέλων για προτιμήσεις και λήψη αποφάσεων, καθώς και εν δυνάμει ταυτοποίηση υποσυνείδητων τάσεων.
Αναλυτικότερα, ερευνητές από τα Πανεπιστήμια του Ελσίνκι και της Κοπεγχάγης διερεύνησαν εάν ένας υπολογιστής θα ήταν σε θέση να βρει τα χαρακτηριστικά προσώπου που θεωρούμε ελκυστικά και, με βάση αυτά, να δημιουργήσει νέες εικόνες που ταιριάζουν στα κριτήριά μας. Οι ερευνητές χρησιμοποίησαν τεχνητή νοημοσύνη για την ερμηνεία εγκεφαλικών σημάτων και συνδύασαν το interface εγκεφάλου- υπολογιστή με ένα μοντέλο παραγωγής ανθρώπινων προσώπων. Αυτό επέτρεψε στον υπολογιστή να δημιουργήσει εικόνες προσώπων που ανταποκρίνονταν σε συγκεκριμένες προτιμήσεις.
«Στις προηγούμενες μελέτες μας, σχεδιάσαμε μοντέλα που μπορούσαν να ταυτοποιούν και να ελέγχουν απλά χαρακτηριστικά πορτρέτων, όπως χρώμα μαλλιών και συναισθήματα. Ωστόσο σε μεγάλο βαθμό οι άνθρωποι συμφωνούν ως προς το ποιος είναι ξανθός και ποιος χαμογελά. Η ελκυστικότητα είναι ένα πιο προκλητικό αντικείμενο μελέτης, καθώς σχετίζεται με πολιτιστικούς και ψυχολογικούς παράγοντες που πιθανότατα παίζουν υποσυνείδητα ρόλους στις προσωπικές μας προτιμήσεις. Όντως, συχνά βρίσκουμε πολύ δύσκολο να εξηγήσουμε τι είναι ακριβώς αυτό που κάνει κάτι ή κάποιον όμορφο: Η ομορφιά είναι στο μάτι του παρατηρητή» είπε ο Μισιέλ Σπαπέ, ένας εκ των ερευνητών, από το Τμήμα Ψυχολογίας και Λογοπεδικής του Πανεπιστημίου του Ελσίνκι.
Η έρευνα, που συνδυάζει επιστήμη υπολογιστών και ψυχολογία, δημοσιεύτηκε τον Φεβρουάριο στο IEEE Transactions in Affective Computing. Σε πρώτη φάση οι ερευνητές ανέθεσαν σε ένα νευρωνικό δίκτυο (generative adversarial neural network) την αποστολή της δημιουργίας εκατοντάδων τεχνητών πορτρέτων. Οι εικόνες παρουσιάστηκαν, μία τη φορά, σε 30 εθελοντές από τους οποίους ζητήθηκε να παρατηρήσουν πρόσωπα που βρήκαν ελκυστικά ενώ οι αντιδράσεις του εγκεφάλου κατεγράφησαν μέσω EEG (ηλεκτροεγκεφαλογράφημα).
«Ήταν κάπως σαν το Tinder: Οι συμμετέχοντες έκαναν swipe δεξιά όταν έβλεπαν ένα ελκυστικό πρόσωπο. Εδώ, ωστόσο, δεν χρειαζόταν να κάνουν τίποτα πέρα από το να δουν τις εικόνες. Μετρήσαμε τις άμεσες αντιδράσεις του εγκεφάλου στις εικόνες» είπε ο Σπαπέ.
Οι ερευνητές ανέλυσαν τα δεδομένα EEG με τεχνικές μηχανικής μάθησης (machine learning) συνδέοντας μεμονωμένα δεδομένα EEG μέσω ενός brain-computer interfaceσε ένα generative neural network.
«Ένα τέτοιο brain-computer interface είναι ικανό να ερμηνεύει τις απόψεις των χρηστών ως προς την ελκυστικότητα ενός εύρους εικόνων. Ερμηνεύοντας τις οπτικές τους, το μοντέλο AI που ερμηνεύει εγκεφαλικές αντιδράσεις και το generative neural network που δημιουργεί μοντέλα των εικόνων προσώπων μπορούν μαζί να παράγουν μια εντελώς νέα εικόνα προσώπου συνδυάζοντας αυτά που ένα συγκεκριμένο άτομο βρίσκει ελκυστικά» είπε ο αναπληρωτής καθηγητής Τουούκα Ρουοτσάλο, που ηγείται του προγράμματος.
Για να ελέγξουν την αποτελεσματικότητα των μοντέλων, οι ερευνητές δημιούργησαν νέα πορτρέτα για κάθε συμμετέχοντα, προβλέποντας όπως θα τα έβρισκαν ελκυστικά. Όπως διαπιστώθηκε, οι νέες εικόνες αντιστοιχούσαν στις προτιμήσεις των συμμετεχόντων με ακρίβεια άνω του 80%.
