Inter-2 від Interhuman AI: які сигнали модель помічає — і чого не може довести

Interhuman AI розробляє для систем штучного інтелекту так званий шар соціального аналізу: він має допомагати враховувати не лише слова співрозмовника, а й те, як вони звучать і як людина поводиться під час розмови. Данська компанія стверджує, що її модель Inter-2 аналізує соціальні сигнали в реальному часі. Її оцінки варто розуміти як інтерпретацію спостережуваної поведінки, а не як достовірне прочитання думок чи почуттів людини. 25

Що, за описом, визначає Inter-2

Моделі приписують визначення 10 сигналів: згоди, незгоди, скепсису, впевненості, вагання, роздратування, зацікавленості, невпевненості, розгубленості та стресу. Окремо вона оцінює загальний рівень залученості. 18

Ідея полягає в тому, щоб поєднати слова людини з іншими ознаками — наприклад, інтонацією, виразом обличчя та мовою тіла. Tech.eu описує аналіз тексту, аудіо й відео, тоді як сторінка моделі вказує на визначення сигналів за відео з аудіо. Отже, відкриті описи підтверджують мультимодальний підхід, але не пояснюють докладно, як саме кожен тип даних обробляють у всіх конфігураціях продукту. 2518

Для чого компанія створює цей інструмент

Interhuman AI заснували в Копенгагені 2023 року. Серед співзасновників компанії названі Paula Petcu, Frederik Sally та Line Clemmensen. 179

Компанія виходить із того, що асистентові на основі ШІ іноді недостатньо мати лише текстову розшифровку розмови. Наприклад, сигнали розгубленості чи втрати зацікавленості могли б допомогти системі змінити пояснення або хід взаємодії. Tech.eu описує підхід Interhuman як поєднання великих мовних моделей з аналізом аудіо й відео. 2

Це задум продукту, а не доказ того, що модель за будь-яких обставин правильно визначає наміри людини. Пауза, вираз обличчя чи зміна тону можуть мати різні пояснення. Тож окремий сигнал не слід сприймати як діагноз або універсальне тлумачення поведінки.

Можливі застосування — і межі того, що відомо

Interhuman називає серед можливих застосувань розмовний ШІ та підготовку до співбесід. На сайті компанії йдеться про тренування навичок подачі відповідей, а матеріал про дослідницькі інтерв’ю описує прив’язування сигналів до відповідних фрагментів відповіді. Водночас цей приклад стосується попередньої моделі Inter-1, а не доводить, що всі такі функції є в Inter-2. 524

Ці приклади показують, як аналіз соціальних сигналів може стати у пригоді під час навчання чи перегляду інтерв’ю. Але самі по собі вони не підтверджують точність моделі для різних людей, культур і ситуацій. У доступних джерелах недостатньо даних, щоб незалежно оцінити її ефективність.

Прозорість, приватність і ризик зловживань

Interhuman повідомляє, що її попередня модель Inter-1 може пояснювати, які поведінкові ознаки вплинули на оцінку сигналу. Компанія також описує прив’язування сигналів до конкретних фраз у відповідях на інтерв’ю. Такі функції можуть допомагати перевіряти висновки, якщо вони доступні, однак джерела не підтверджують, що всі результати Inter-2 мають такі самі пояснення чи прив’язки. 2524

Умови використання компанії визначають деякі сценарії як обмежені. Зокрема, до них належить визначення емоцій людини у робочому чи освітньому середовищі. Водночас відкритих відомостей недостатньо, щоб докладно описати правила зберігання даних, отримання згоди чи практичне забезпечення цих обмежень. 19

Оскільки технологія аналізує обличчя, голос і розмову, ці прогалини важливі. Соціальні сигнали можна витлумачити неправильно або використати для нагляду; наявні дані не дають змоги оцінити, як саме запобіжники Interhuman захищають від усіх таких ризиків.

Що відомо про подальші плани

Наведені матеріали компанії та медіа описують мультимодальний підхід Inter-2, але не підтверджують графіка чи конкретних технічних планів щодо аналізу лише голосу, розмов за участю кількох людей, наступних моделей або виходу за межі Європи. Поки що це відкриті питання, а не оголошені функції чи терміни. 25