AI analizuje ton głosu i mowę ciała. Ale nie wie, co naprawdę myślisz

Interhuman AI chce, by systemy sztucznej inteligencji zwracały uwagę nie tylko na to, co ktoś mówi, lecz także na sposób, w jaki to robi. Kopenhaska firma rozwija w tym celu model Inter-2, który — według opublikowanych opisów — analizuje sygnały społeczne w czasie rzeczywistym, korzystając z tekstu, dźwięku i obrazu. Wyniki należy jednak traktować jako ocenę obserwowalnych zachowań, a nie pewny odczyt czyichś myśli lub uczuć. 25

Jakie sygnały rozpoznaje Inter-2?

Według opisu modelu Inter-2 ma wykrywać 10 sygnałów: zgodę, niezgodę, sceptycyzm, pewność siebie, wahanie, frustrację, zainteresowanie, niepewność, dezorientację i stres. Zwraca też ogólną ocenę zaangażowania. 18

Pomysł polega na łączeniu treści wypowiedzi ze wskazówkami takimi jak ton głosu, mimika i mowa ciała. Serwis Tech.eu opisuje analizę tekstu, dźwięku i obrazu, a katalog modeli — wykrywanie sygnałów na podstawie wideo z dźwiękiem. Dostępne opisy wskazują więc na podejście multimodalne, ale nie wyjaśniają dokładnie, jak każde z tych wejść jest wykorzystywane w poszczególnych konfiguracjach produktu. 2518

Ważne zastrzeżenie: model może sklasyfikować zauważone sygnały, ale to nie znaczy, że zna ich przyczynę. Pauza, wyraz twarzy czy zmiana tonu mogą mieć różne wyjaśnienia — nie są uniwersalnym dowodem na określony stan psychiczny.

Po co firmie „inteligencja społeczna” dla AI?

Interhuman AI powstała w Kopenhadze w 2023 roku. Wśród współzałożycieli wymieniani są Paula Petcu, Frederik Sally i Line Clemmensen. 179

Firma zakłada, że asystent AI może potrzebować czegoś więcej niż transkrypcji, by odpowiednio poprowadzić rozmowę. Jeśli system zauważy na przykład oznaki dezorientacji lub spadku zaangażowania, mógłby dostosować swoją odpowiedź. Tech.eu opisuje podejście Interhuman jako uzupełnianie dużych modeli językowych o analizę dźwięku i obrazu. 2

To jednak założenie dotyczące produktu, a nie dowód, że model niezawodnie rozpoznaje intencje każdej osoby w każdej sytuacji. Ten sam sygnał może znaczyć coś innego zależnie od człowieka i kontekstu.

Możliwe zastosowania — i granice tego, co wiadomo

Interhuman wskazuje m.in. na konwersacyjną AI i trening rozmów kwalifikacyjnych. Na swojej stronie opisuje ćwiczenia, które mają pomagać w pracy nad sposobem wypowiadania się. Firma przedstawia też scenariusz analizy wywiadów badawczych, w którym sygnały są przypisywane do odpowiednich fragmentów odpowiedzi. Ten przykład dotyczy wcześniejszego modelu Inter-1, więc nie dowodzi, że wszystkie funkcje są dostępne w Inter-2. 524

Takie przykłady pokazują, jak warstwa analizy sygnałów społecznych mogłaby wspierać coaching lub ułatwiać przeglądanie wywiadów. Same w sobie nie potwierdzają jednak skuteczności modelu w pracy z różnymi osobami, kulturami i sytuacjami. Dostępne źródła nie zawierają wystarczających szczegółów, by niezależnie ocenić tę skuteczność.

Przejrzystość, prywatność i ryzyko nadużyć

Interhuman deklaruje, że wcześniejszy model Inter-1 potrafi wskazać, które obserwowalne sygnały wpłynęły na daną ocenę. Firma opisuje też przypisywanie sygnałów do konkretnych fragmentów odpowiedzi w wywiadzie. Takie wyjaśnienia mogą ułatwiać weryfikację wyników, ale dostępne materiały nie potwierdzają, że każda ocena Inter-2 jest w ten sam sposób objaśniana i możliwa do prześledzenia. 2524

Warunki korzystania z usług firmy wymieniają zastosowania objęte ograniczeniami, w tym wnioskowanie o emocjach danej osoby w miejscu pracy lub placówkach edukacyjnych. Publiczne materiały nie podają jednak wystarczających informacji o zasadach przechowywania danych, uzyskiwania zgody ani praktycznym egzekwowaniu tych ograniczeń. 19

To istotne, bo technologia analizuje twarze, głosy i przebieg rozmowy. Sygnały społeczne można błędnie odczytać albo wykorzystać do monitorowania ludzi. Dostępne informacje nie pozwalają ocenić, jak zabezpieczenia Interhuman odpowiadają na wszystkie te zagrożenia.

Co wiadomo o dalszych planach?

Materiały firmy i opisy medialne przedstawiają obecne, multimodalne podejście Inter-2, ale nie potwierdzają harmonogramu ani konkretnych zobowiązań technicznych dotyczących analizy wyłącznie głosu, rozmów wielu osób, kolejnych modeli czy ekspansji poza Europę. Na razie są to otwarte pytania, a nie ogłoszone funkcje ani daty. 25