Kone tietää tunteesi

Hannamari Lakkala 
Kone tietää tunteesi

Tekoälykeskustelu on vellonut hypoteesitasolla jo vuosikymmeniä, ja vähitellen teknologian edistysaskeleet alkavat tuoda älykkäästi oppivaa konetta lähemmäs nykypäivää ja realisoituvia käytännön sovelluksia. Tekoälyspekulaatioiden puuttuva palikka on kauan ollut tunneäly, mutta nyt tunneoppimisen alalle on noussut kourallinen lupaavia start-upeja, kuten Affectiva, Realeyes, Sension ja Emotient.

Re.Work Deep Learning –konferenssissa San Franciscossa 29.–30.1.2015 käsiteltiin koneoppimista aivotoimintaa jäljittelevien neuroverkkojen avulla. Yksinkertaisuudessaan koneoppimisen idea on, että kone oppii tekemästään ja pystyy kehittämään yhä tarkempia malleja eri aloille. Vaikka suurin osa koneoppimiskeskustelusta kiinnittyykin tällä hetkellä kuva- ja äänioppimiseen, oli tilaisuudessa puhumassa myös muutama tunneoppimisen kehittäjä.

Marian Bartlett Emotientilta esitteli demon Computer Expression Recognition Toolboxista (CERT), joka kameran avulla tunnistaa ihmisen kasvonilmeistä tunteet reaaliajassa. Demo kykenee tunnistamaan myös nopeita ja hienoisia ilmeiden muutoksia.

Bartlett kertoi CERTillä tehdystä tutkimuksesta, jolla selvitettiin tunteiden ja päätöksenteon yhteyttä ja koneen kykyä analysoida tuota yhteyttä. Tutkimuksessa otettiin uusi näkökanta psykologiassa tunnettuun testiin nimeltä ultimaatumipeli. Kyseisessä tutkimuksessa kaksi tutkimushenkilöä tekee päätöksen rahojen jaosta: Pelaaja 1 saa rahaa ja ehdottaa antavansa pelaajalle 2 siitä osan. Jos pelaaja 2 hyväksyy, molemmat saavat sovitun summan rahaa. Rationaalinen päätös pelaajalle 2 olisi aina hyväksyä tarjous, sillä silloin voittaa aina jonkin verran rahaa toisin kuin kieltäytyessään. Käytännössä rationaalinen päätös ei aina tapahdu.  Emotientin testaamassa versiossa tunteita tunnistava kone yritti ennustaa pelaajan 2 päätöksen rahasumman hyväksynnästä tai torjumisesta tarkkailemalla tämän kasvojen ilmeitä tilanteessa. Lopputulosta näin arvatessaan ihmiset olivat oikeassa 52 % kerroista, kun taas kone yllättäen huomattavasti useammin, 72 % kerroista. Syynä koneen ylivoimaisuuteen oli sen parempi kyky erotella tunteita toisistaan ja ennustaa niiden yhteyttä lopputulokseen. Ihmiset uskoivat pääsääntöisesti inhon ennustavan kieltävää lopputulosta. Testissä kävi kuitenkin ilmi, että viha ennusti negatiivista lopputulosta huomattavasti tarkemmin kuin inho. Kone pystyi erottamaan näiden tunnetilojen ilme-erot ja ottamaan nämä loogisesti ja analyyttisesti huomioon ennustuksessaan.

Bartlettin mukaan tunnetilojen tunnistamiselle on monenlaisia kaupallisia sovelluksia. Lääketieteen puolella depression diagnosointi voisi mullistua. Mitä tapahtuisi, jos depressio voitaisiinkin tunnistaa suoraan videokuvasta ilman turhia ja epätarkkoja itsearviointilomakkeita? Eräässä kokeessa jopa huomattiin, että kone arvioi kivun määrän usein paremmin kuin hoitaja, jolle etenkin jatkuva kipu oli vaikeaa huomata. Jatkuvaa kipua tunteva henkilö ei enää korosta kiputilaansa, vaan hänen tuntemuksensa ovat luettavissa hienovaraisemmista ilmeistä. Kone pystyy objektiivisesti ja herkästi huomaamaan myös tällaisia eroja, kun taas hoitaja saattaa verrata potilasta toisiin ja arvioida kivun määrän todellista pienemmäksi valituksen ja akuutin tuskan puuttuessa.

Erityisesti kaupallinen ala on osoittanut kiinnostusta tunneoppimista kohtaan. Markkinointi- ja mainosala hyötyisi paljon automaattisista sovelluksista, jotka analysoisivat käyttäjien tunnereaktioita mainoksiin.  Joshua M. Susskind, myös Emotientilta, kertoi esimerkkinä mainonta-analyysin, jonka he tekivät Super Bowl 2014 –urheilutapahtuman taukojen mainoksista: Emotient analysoi teatterissa peliä seuranneiden koehenkilöiden tunteita kolmen mainoksen aikana reaaliajassa. 

Ensimmäisessä mainoksessa amerikkalainen satiirikko ja koomikko Stephen Colbert mainosti pistaasipähkinöitä. Mainos on lyhyt, ytimekäs ja ennen kaikkea hauska. Katsojat olivat iloisia ja nähtävästi pitivät mainoksessa olleesta Colbertista. 

Toisessa mainoksessa David Beckham juoksi hämmentävän vakavana talojen katoilla yllään vain bokserit mainostaen H&M:n alusvaatteita. Huolimatta Beckhamin hurmaavasta olomuodosta mainos yllätti katsojat ja aiheutti hämmennystä ja jopa ällötystä. Viimeinen mainos oli jatkumoa ensimmäiselle pistaasipähkinämainokselle, ja Colbertin myötä palasi myös katsojien myötämielinen iloisuuskin.

Mainostajille tällainen tieto mainoksen herättämistä tunteista on todella arvokasta. Mitä jos tunneanalyysiin lisättäisiin päätöksentekoarvio? Mitä jos mainostaja saisi heti tietää, kuinka monta uutta ostajaa hän mainoksellaan todennäköisesti saa? Voisiko kone oppia kertomaan, mitkä tunteet johtavat ostopäätökseen? Mielenkiintoista on myös se, riittääkö voimakas brändi ja muistijälki, vaikkei tämän takana ollut tunne olisikaan ollut iloinen. Myös negatiiviset tunteet, kuten huono omatunto tai pelko, voivat johtaa ostopäätökseen. Myötätuntoa taas on jo kauan käytetty esimerkiksi hyväntekeväisyyskampanjoihin osallistumisen motivaattorina. Voisiko kone oppia tuntemaan näiden eri tunteiden vaikutuksen ostopäätökseen tilanteen mukaan?

Koneiden tunneoppiminen on jo nykypäivää. Kysymys on vain siitä, mihin kaikkeen ihminen oppii sitä hyödyntämään.

Hannamari Lakkala

Tutkimusassistentti
Turun yliopiston kauppakorkeakoulu
hannamari.lakkala@utu.fi

NEMO-hankkeessa etsitään vastausta kysymykseen: miten ristiriitaisia ja negatiivisia tunteita voidaan hyödyntää eettisesti kestävällä tavalla asiakaskokemusten ja työilmapiirin parantamisessa, yhteiskuntavastuun viestimisessä sekä kasvun, innovaatioiden ja jopa uusien liiketoimintamallien lähteenä?