Una de las ramas en crecimiento de la Inteligencia Artificial (AI) es el Affective Computing o Affective AI. Esta, busca el desarrollo de tecnologías capaces de reconocer las emociones humanas, interpretarlas y utilizarlas con algún fin concreto.
El Affective Computing es especialmente interesante para empresas o puestos que requieren entender la toma de decisiones del consumidor. Tenemos que partir del hecho de que en los seres humanos, las decisiones se toman en gran parte en base a emociones. Estamos dirigidos por nuestro inconsciente y somos impulsivos. En trabajos relacionados con ventas, marketing o servicios de atención al cliente, entender las emociones del consumidor y saber dirigirlas es el primer paso para alcanzar el éxito.
Evolución del Affective Computing
Estudios del año 2006 demostraron que, ya para entonces, había máquinas con softwares que superaban a los humanos en el reconocimiento de emociones en base a un discurso de audio.
Aparte del audio, en la última década el reconocimiento de emociones en base a imagen y video ha mejorado notablemente. En 2017 un estudió indicó que las maquinas con esta tecnología podían alcanzar una exactitud del 73% para detectar 7 emociones diferentes. Para dicho estudio se utilizó un modelo simple desarrollado por Ekman que usaba un «Facial Action Coding System«.
Con la rápida evolución del Machine Learning, la resolución de las cámaras actuales y la velocidad de Internet, el Affective Computing se ha vuelto mucho más relevante.
Algunas compañías que se encuentran actualmente entre las de más relevancia en cuanto a Affective Computing son Kairos, Crowd Emotio, Affectiva o Beyond Verbal.
Funcionamiento
La mayoría de los mecanismos de Affective Computing funcionan con Labelled Data y Deep Machine Learning. De forma muy simplificada: aprenden en base a experiencia y a ejemplos ya existentes. Cuantos más ejemplos tenga la máquina en su base de datos, más exactos serán los resultados de sus análisis futuros.
Cuando al sistema se le ofrecen unos inputs, por ejemplo, un video de una persona, lo primero que hace es separar el fondo de la cara y calcular la geometría del rostro. Localiza la nariz, la boca, los ojos y las cejas.
Cuando nuestras emociones cambian, nuestras expresiones faciales cambian. La distancia entre labio superior e inferior se modifica, la longitud de la boca varía, los ojos se abren o se cierran, las cejas se arquean… Estos son el tipo de datos que el sistema compara con los ejemplos que ha ido acumulando en su base de datos. A partir de este análisis, la máquina da una respuesta.
Usos del Affective Computing
El Affective Computing puede utilizarse en campos muy diferentes. Puede emplearse, por ejemplo, para analizar el impacto de una campaña de marketing en base a un piloto. También puede emplearse por RRHH para estudiar a candidatos. Un equipo de ventas, puede usarlo en un punto de venta físico para estudiar la actitud del consumidor frente a un lineal de productos.
Se pueden detectar las emociones de pacientes de Alzheimer, Autismo u otras enfermedades. Además, seguramente cuando está tecnología crezca aun más y sea más exacta emergerán nuevas aplicaciones.
Evidentemente, detrás de los usos de estos sistemas ha de haber una ética que debe ser establecida, aunque como siempre, la tecnología va un paso por delante.
Tampoco podemos limitarnos a pensar en una tecnología de este tipo como un aislado. Al pensar en los usos que se le pueden dar en el futuro, hemos de imaginar las posibles combinaciones de la misma con otras como el Big Data (aquí puede leer un artículo sobre empresas que usan Big Data Analytics), la geolocalización, la Realidad Virtual, la Realidad Aumentada…
Para acabar, algunos artículos ya hablan del impacto que puede tener el Affective Computing ligado a robots de ayuda o de compañía. Por ejemplo, un robot que podría adaptarse al estado de ánimo de una persona (ayudar a calmar a una persona enfadada, animar ante una situación triste…).
Graduado en Ingeniería de Minas por la Universidad de Oviedo y especializado en Marketing y Gestión Comercial por EAE Business School y la Universidad Rey Juan Carlos.
