JP7157239B2 - 感情認識機械を定義するための方法及びシステム - Google Patents
感情認識機械を定義するための方法及びシステム Download PDFInfo
- Publication number
- JP7157239B2 JP7157239B2 JP2021505376A JP2021505376A JP7157239B2 JP 7157239 B2 JP7157239 B2 JP 7157239B2 JP 2021505376 A JP2021505376 A JP 2021505376A JP 2021505376 A JP2021505376 A JP 2021505376A JP 7157239 B2 JP7157239 B2 JP 7157239B2
- Authority
- JP
- Japan
- Prior art keywords
- personality
- matrix
- processor
- behavioral
- situation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Description
機械はまだ人的交流の技術をマスターしていない。多くのチャットボットが不揃いにユーザを欺いているが、機械とのコミュニケーションは、反復的で、論理的で、明らかに人間的でないことが多い。人間は通常、合理的に行動しない。我々は何十もの認知バイアスを有する。しかしながら、これらの行動は「予想通りに不合理」である。知能機械が人間と同じように「非合理的に」行動するのを止めるものはない。
入力をもう少し詳しく見ると、知能システム(機械とネットワークサービスとが連携することを意味する)は、人間よりも優れた、聴覚、視覚、及びその他の感覚の手がかりを捉え、覚え、比較する能力を有することができる。
視覚102から始めると、確実にカメラ技術は、人間が見ることができる全てのものをISが見得るレベルまで向上しており、本開示のいくつかの態様では、それ以上である。すなわち、背後、上方、下方、遠距離、ほぼ無光、人間の目には不可視であるが、一部の動物には検知できる赤外線及び紫外線などの周波数範囲である。実際に、ISは、X線、マイクロ波、電波などの他の電磁波を(そのようなセンサを使用して)見得る。人間が何を見ているかを理解するために、ISは人間の視覚の限界を知り、人間である場合に何を見ているかを考えるようにプログラムされるが、必要であれば他のデータが利用可能であり、超人的な視覚(及び見たものの超人的な記憶及び精度)が作り出される。マシンビジョン及び/または物体認識を使用して、ISは、人間を含む物理世界の物体を検出及びカテゴリ化して、現実的な人間の反応を定式化することが可能であり得る。
聴覚103に関して、高解像度のバイノーラル録音は、人間が何をどのように聞いているかを既に非常によく模倣している。本開示の態様によれば、ISは音をオブジェクトとして記録し得、これは、Dolby Atmosのようなシステムが音声を個別のオブジェクトとして再生するのと同様であり、General Harmonics、Celemony、Red Pill及びSonyなどの企業から他のシステムが開発されており、これらはステレオまたはサラウンドフィールドから音をキャプチャして個々の要素に分離することができる。たとえば、限定はしないが、ISまたはISで支援された人間は、交響曲を聴いており、第1バイオリンのみまたはフレンチホルンのみを聴きたい場合があり、ISはそれらの楽器のみを分離し、現実世界を実質的に(独立成分分析(ICA)などのスペクトル分解法を用いて)詳細な調整が可能なレコーディングスタジオに変えることができる。いくつかの実施形態では、ISはヒト生物学に統合され得、人間はコンサート中に「フレンチホルンがもう少し大きかったらいいのに」と単純に考える場合があり、あなた(またはあなたのサイボーグ構成部分)は「ミックスを変える」ことができる。この統合により、人は聞いたもの全てを覚えることができるだけでなく、それを別のミックスで聞き返すことができる。
電子鼻は、人間が認識する匂い及び味に加え、犬などの他の動物が認識する匂い及び味を認識し得る。異なる人間は異なる匂い及び味に対して異なる反応を有するが、あなたの匂いの感じ方と比べた私の匂いの感じ方を知ることは(「smell」は動詞として使用)、厳密には機械学習データ分析の問題である。これは単に識別の問題であるので、クオリアは関与しないことに留意されたい。ISは確実に、異なる文化または異なる個人が好む食品の味及び匂いを理解するように学習し得る。実際に、ISが適切なハードウェアを使用して食べ物を食べる(咀嚼して飲み込む)としたら、食感も知る(というよりメモリに記憶する)ことができる。エネルギーのために食物を消化する必要は必ずしもない(ただし、そう設計することはできる)。しかしながら、機械は、人間または任意の特定の人間として、飲食物の味わいの細かい点を全て理解するように(というよりそう理解しているように外部の人が感じるよう)訓練することができる。ISインスタンスを有するJonathan Goldの機械をレストランが雇って、メニュー選びを支援することができる。あるいは、レストランのチェーンは、適切な訓練及びハードウェアを有するISコックを使用して、顧客の好みに基づいて調味料を動的に調整することができる。
触覚で物体を識別する能力は、人間の感知のコア機能の1つである。タッチセンサを使用して、初期接触、接触位置、スリップ、曲率半径、及びエッジを検出すると共に、未知の場所にある未知の特性を有する物体を巧みに扱えるようにする3軸力を決定し得る。他の感覚と同様に、本開示の目的のために、受け取り及び提供の両方の高解像度のタッチが時間の経過と共にもっと利用できるようになると想定する。
本開示の核心は、我々の存在の心理面及び感情面に関係している。人間は、他の人間の感情の状態及び傾向を認識するのがかなり得意である。人は、誰かが怒っているのか幸せなのか、または何十もの他の感情を見分けることができる。他人の感情及び傾向の分析は、人々が言ったことだけでなく、ボディランゲージを読むこと、微妙な表情を含む表情、声色及び声の高さ、匂いならびに身体的観察、たとえば、紅潮した肌、鳥肌、涙などにも基づいている。これに対する人の解釈は、自身の経験、先入観、及び予想によって幾分色づけされる。被害妄想的な人々は、他人が自分を陥れようと躍起になっていると考えるが、ある人の予想を他の人の行動に、一般的には環境に対応付けるはるかに多くの微妙なバージョンがある。本開示では、どのようにしてISが人間と同等以上に感情及び行動の傾向を理解できるかを見ていく。
本開示の態様によれば、ISは所与の感情入力に対して適切な反応を示し得る。入力と入力を取り巻く周囲環境とに応じて、ISは感情で、たとえば共感、怒り、軽蔑、集団思考で反応し得る。いくつかの実施態様では、ISは、たとえば、購入、販売、または掃除もしくは料理などの行動の決定によって、入力及び周囲環境に反応し得る。知能機械が身体的な微細な手がかり(顔の表情及び他のボディランゲージ、匂い、接触など)で感情を読み取るように教えられると、知能デバイス(ロボットなど)は、人間が共感や軽蔑などを体験できるように、顔の表情、匂い、汗などの身体的行動を模倣するように教えることができる。
状況ベースラインは、ISが任意の状況または交流に持ち込む基本的な性格の構造である。状況ベースラインには3つの構成要素があり、1つ目は基本性格タイプまたは性格要素である。人間の場合、これらは主に遺伝及び幼児期の結果であり、人間の基本的な視点を表していることが多い(たとえば、虐待された子供は、典型的には、信用することを学ばなくなる)。人間の反応能力を複製するという観点からの次の発展的なレイヤは、発達フィルタ(Developmental Filter)である。発達フィルタは、我々の基本的な性格の上にある文化的及び社会的なオーバーレイである。これは、家族、コミュニティ、友人などを含み得る、我々の社会的及び文化的環境によって決定される。3つ目の要素は関係性フィルタ(Relationship Filter)である。これらは、コンテキストに基づいて我々に作用するフィルタである。これは、現在の場所及び人々との既存の関係性を反映している。
外向性301->内向性302
感覚303->直観304
思考305->感情306
判断307->知覚308
- 経験への開放性(独創的/好奇心旺盛vs.一貫性/用心深い)401
- 誠実性(効率的/組織的vs.気楽/不注意)402
- 外向性(社交的/精力的vs.孤独/控え目)403
- 協調性(友好的/思いやりvs.挑戦的/孤立)404
- 神経症傾向(敏感/神経質vs.安定/自信)405
本開示の態様によれば、ISは人間の行動を模倣するように設計され得、そうするためにISの履歴が作成され得る。脚本家が脚本を書く場合、彼らは一般的に「バイブル」を持っており、これにはキャラクターを作り上げたものが記載されている。脚本はキャラクターが生まれた場所を全く参照しない場合があるが、アイオワの農場で育ったのか、マンハッタンのタウンハウスで育ったのかを知ることは、キャラクターの振る舞い方に、ひいては役者のそのキャラクターの演じ方に大きく影響する。同様に、発達フィルタは、ISのキャラクターバイブルである。たとえば、幸せな結婚は、不幸な結婚とは大きく異なって行動に影響し、不幸だった1回目の結婚の後の幸せな2回目の結婚ではさらに異なる。
次は、図7に示すように、IS700と、それがやりとりしている人701または人々702及び場所703、704、705との関係性である。この空間では多くの心理学的分析が行われてきた。本開示の態様によれば、技術的関係性データのコーパスが、心理学的調査から生成され得る。心理学的調査では、たとえば、限定はしないが、以下の質問に回答する。部下ではなく上司と関わる場合にどのように感じるか(これは基本性格タイプの影響を受け、すなわち、プロトコルを順守する人か、それとも平等主義者か)?他の家族の成員についてはどうか?遺伝(たとえば、少しも一緒に育っておらず、会っただけの親戚)についてどう感じるか?環境についてはどうか?オフィス環境で最も快適か、それともバーまたは誰かの家でもっとリラックスするか?話し相手が小柄であるか、または太っている人の場合に、優越感を抱いたり、気取ったりするか?しっかりとアイコンタクトを取るか?身体的な手がかりにどれくらい敏感か?環境の雑音についてはどうか?いくつかの実施態様では、調査は、各問題の感じ方に関する重み及び大きさを決めるように調査対象者に求める質問を含み得る。他の実施形態では、重み及び大きさは、人間によって回答された心理学的調査集から統計的に作成される。
任意の行動反応には、無数の反応が存在する。同じ状況でも、人によって反応が異なる。影響を受ける可能性のある領域のいくつかを図8に示す。IS801は人802との関係を有し、これには、仕事上の関係、ロマンチックな魅了、知的興味または趣味の愛好、育った場所、家族環境が育てていたもの、既往歴、関係歴、心理タイプ及び傾向、といったものが含まれる。
ここでは、図9に高レベルで示すように、前述のレイヤ、すなわち、基本性格要素900、発達フィルタ901、関係性フィルタ902、及び行動マスク903を取り上げ、これらを目下のタスク反応905のためのオペレータとして使用する。タスクは、たとえば、限定はしないが、会話で質問に答えること、何かを言ったばかりの人を見ること、商品を購入するか否かを決めること、第一希望が利用できない場合に別のレストランもしくは時間または日付を選ぶこと、買い物袋の代わりを提供すること、または基本的には人間が今日行い得る任意の反応、とすることができる。重要な質問の1つは、「反応がどの程度人間的であって欲しいか」である。人間は合理的な行為者ではなく、本開示の態様によれば、ISは非合理性を模倣するように構成され得る。たとえば、限定はしないが、誰かが動揺しているが、それについてできることはないと仮定する。もしかすると、その人は飛行機に乗り遅れたばかりで、今や結婚式に時間通りに行くことができない。合理的な行為者は、それについてできることはなく、全ての選択肢が検討済みであり、最善の方法は謝罪文を送ることである、と言うかもしれない。しかしながら、人間の行為者は、次のようにと言うかもしれない。「なんてことだ!大変残念だ!助ける方法を何か思いつくか考えよう。まず、時間内にそこにたどり着く別の方法があるかを確認しよう。」適切な小休止及びより多くの同情の後、「翌朝彼らが新婚旅行に向けて出発するときにあなたが現れて別れを告げるのと、単にメモまたはテキストを送るのと、どちらを好むと思うか?」と言うかもしれない。重要なのは、人間は結果と同じくらい過程を大切にするということである。したがって、ISは、過程の意識を与えるための適切な行動関数レイヤ904のパラメータを提供することによって、人間の反応を模倣するように設計され得る。
各ISIには成長または発達の経路がある。この経路にはいくつかの重要なポイントがあるが、1つのポイントは、それが代替不可能になるポイントであり、すなわち、人間と初めて交流するときである。たとえば、限定はしないが、個人用(コンシェルジュ)カスタマーケア担当者である、Daleと呼ばれるISを考えることとする。Daleは、個々の顧客の完全なカスタマーケア履歴を、その顧客のあらゆるメーカーのデバイス全てにわたって知っている。Daleは、状況ベースラインを通じて形成された性格を有する。顧客は、いくつかの状況ベースラインから選択することができ、または性格プロファイルに基づいてそれらから1つを選択してもらうこともできる。ここで、今後は顧客とISとの交流に基づいて、性格が形成されることになる。1年後、Daleは、顧客が面白いと思うもの、顧客がおしゃべりを好むか、すぐに本題に入るのを好むか、そしてもちろん顧客の購入及びサポート履歴の全てを知ることになる。これは、その個々の顧客のためだけのペルソナである。別の人間の顧客が同じ状況ベースラインを有する担当者で始めた場合、その顧客の「Dale」ISのインスタンスは、長い間、同じままにはならない。ISがこの顧客と交流するとき、その関係は、Daleと最初の顧客との関係とは異なって発展する。本開示の目的のために、状況ベースラインを通じて形成されたペルソナ(すなわち、未使用の性格)を、本明細書ではベースラインペルソナと呼び、「人的交流によってカスタマイズされた」各ペルソナは、ISI(知能システムインスタンス)である。2人の顧客が結婚し、全てのデバイスと、個人用カスタマーケア契約とを共有する場合、それはサポートペルソナを共有する必要があるということを意味するわけではない。一方の配偶者のサポートペルソナは引き続きDaleであり、他方の配偶者は引き続きAlex(2人の配偶者が出会う前の他方の配偶者のサポートペルソナ)であるが、Dale及びAlexは両方とも、2人の配偶者の共有のデバイス履歴の全てにアクセスすることができるが、誰が電話をかけるかに応じて、DaleまたはAlexのいずれかが電話の相手になる。本開示の態様は、両方の配偶者がDaleとAlexの両方と共に電話会議に参加し、全員が同時に電話中となり、性格はおそらく自然に混ざり合う実施態様を含む。このようにして、ISは、あなたとあなたの妻とのために「強化された」カスタマーサポート体験を生み出す。
これらの行動バイアスをキャプチャ及びカテゴリ化した後、「人間のように振る舞う」ときにそれらを模倣するように、機械学習(ディープニューラルネット、機械学習、CNN、RNN、GANなど)が実装され得る。図13を見ると、基本性格1300の他のレイヤの一部、すなわち、発達フィルタ、関係性フィルタ、及び行動マスクについては、上記で論じている。人間の認知行動をマッピングする際の次のレイヤは、行動バイアスをマッピングすることである。人間のように振る舞うようISを訓練するために、取られ得るステップがいくつかある。行動収集1301は、認知バイアス1302に関して我々が有する知識に基づいて、心理学者によって構築されたエキスパートシステムから始まる。これは、人間の世界と人間/ISの仮想世界との両方で観察可能な行動データ1303によって拡張され、強化され、大部分が置き換えられる。観察可能な行動データは、人間の世界での会話を観察することによって生成され得る。認知バイアス及び心理学的プロファイルのモデルに基づいて、特定の会話設定で人がどのように反応するかについての予想があり、反応がモデルと異なる場合、モデルが更新される。この状況では、会話設定は、既知の心理学によって、人間同士の会話を受動的に観察することを通じて生成され得、または人間とISとの間の会話を通じて能動的に生成され得る。ISは既知の心理学的プロファイルを有する人間に対してトピックを提供するか、またはそれについて話し合い、予測される反応に基づいて人間の反応を評価し得る。予測されたモデルは、実際の人間の反応に基づいて更新され得る。次に、行動分析が認知バイアスにマッピングされる1304。結果として得られる行動バイアスを使用して、(上記の全てのレイヤに基づいて)ISが特定のタイプの個人である場合にどのように反応するか1305、また、それらが異なる行動及び選択にどのように適用されるか1306を帰属させる。個々の行動予想1305と環境選択1306との組み合わせは、ISの行動バイアス1307を作成する関数として適用される。関数1308の挙動及び動作は観察され得、その学習は観察可能な行動データ1303にフィードバックされる。ISのインスタンスが機能すると、それらはGAN(敵対的生成ネットワーク)を使用して相互に訓練を開始し、進化を続けることができる。
本開示の態様によれば、ISシステムは、いくつかの異なるタイプのニューラルネットワークのうちの1つまたは複数を含み得、多くの異なるレイヤを有し得る。限定ではなく例として、分類ニューラルネットワークは、1つまたは複数の畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、及び/または動的ニューラルネットワーク(DNN)からなり得る。
図30に示すように、敵対的生成NN(GAN)レイアウトを訓練するには、2つのNNが必要である。2つのNNは互いに対向して設定され、第1のNN3002は、ソース反応3001及びターゲット反応3005から合成ソース反応3005を生成し、第2のNNは、反応3006をターゲット反応3004またはそれ以外のいずれかとして分類する。第1のNN3002は、第2のNN3006によって行われた分類に基づいて訓練される3008。第2のNN3006は、分類がターゲット反応3004を正しく識別したか否かに基づいて訓練される3009。以下、生成NNまたはGNNと呼ぶ第1のNN3002は、入力反応(z)を取得し、それらを表現G(z;θg)にマッピングする。
minGmaxDV(D,G)=Ex~pdata(x)[logD(x)]+Ez~pz(z)[log1-logD(G(z))
エキスパートシステムは、典型的には、前向き連鎖または後向き連鎖のいずれかを使用する。本開示の態様によれば、エキスパートシステムのいくつかの実施形態は、前向き連鎖を使用し得る。さらに、本開示の実施形態は、プロスペクト理論を使用し、エキスパートシステムの開発及び訓練を支援するために合成データセットを生成し得る。図14に示すように、最初は認知バイアスのセット1400がある。この分野は継続的に拡大しているが、現在47個の一般的なものがある:プライミング、作話、確証バイアス、後知恵バイアス、テキサスの名射手の誤謬、先延ばし、正常性バイアス、内観、利用可能性ヒューリスティック、傍観者効果、ダニング=クルーガー効果、アポフェニア、ブランド忠誠心、権威に訴える論証、無知に訴える論証、藁人形論法、人身攻撃の誤謬、公正世界誤謬、公共財ゲーム、最後通牒ゲーム、主観的承認、カルトの洗脳、集団思考、超正常解発因、感情ヒューリスティック、ダンバー数、魂を売る、自己奉仕バイアス、スポットライト効果、第三者効果、カタルシス、誤情報効果、同調、消去抵抗、社会的手抜き、透明性の錯覚、学習性無力感、身体化された認知、アンカー効果、注意、セルフ・ハンディキャッピング、自己成就予言、瞬間の自己、一貫性バイアス、代表性ヒューリスティック、予断、コントロールの錯覚、及び根本的な帰属の誤り。当業者によって知られているように、既知のバイアスの分野は現在拡大しており、十分なプログラミングによって任意数のバイアスが追加され得るので、上記のリストが限定なく提供されていることに留意されたい。これらのバイアスは、専門家によって確認される1401。次いで、(なおも専門家を使用して)各行動にベースライン値が割り当てられる1402。次いで、これらのベースライン値は、ベースラインバイアスのエキスパートシステム定量化のデータストア1403に記憶される。最終的に、これが完全に正確であるか否かは問題ではなく、その理由は、本システムは時間の経過と共に実際の行動からより多くを学習することになるためであるが、この処理を開始し、行動を見るためのレンズを我々に与えるためには、ベースラインが必要となる。
ベースライン性格への影響を計算するには、まず、ベースライン性格の状態を表記する方法が必要である。そのために、一連のマトリクスが使用され、各マトリクスは、社会的または心理学的ドメイン内のいくつかの次元であり、各レイヤは、その下のレイヤに基づいて作用するマスクまたは関数である。図15は、性格ベースライン1500を構成する構成要素のブロック図を示している。DNA、RNA、性別、身体的属性、マイヤーズ・ブリッグス、5因子、性格特性で構成されるベースレイヤ1501、生い立ち、国、州、都市、地区、宗教、文化、家族構成などで構成される文化レイヤ1502、初期学習環境、育児、学習の焦点、教育、仕事経験などで構成される訓練レイヤ1503、国、町、物理的環境などで構成される一般環境レイヤ1504と、社会環境、天気、時刻、及びその他の関連因子で構成される特定環境レイヤ1505と、が存在する。
ベースレイヤの最初の構成要素はDNAである。人間の包括的な幻影(simulacrum)は、人間の性格に影響する全てではないにしても多くの因子を含み、これは遺伝子構成を含む。本開示の態様によれば、ベースレイヤのDNAは、性格に影響する重要な既知の遺伝子配列として、または性格に影響する遺伝的に前もって定められた条件として表され得る。ベースレイヤのDNAに関する情報は、たとえば、限定はしないが、性格、たとえば、身体的性別及び性同一性、体型、協調、視力及び聴力、ならびに他の身体的プリミティブ、たとえば、心臓病または糖尿病の傾向に影響を与える因子であり得る。失読症及び左利きのような精神物理学的プリミティブもある。DNA因子は、ベースレイヤマトリクスの最初の次元であり得る。これらの遺伝子は、RNAによるそれらの転写及び調節に基づいて発現する場合と発現しない場合があるので、RNAはベースレイヤマトリクスの次の次元を形成する。RNAは時間の経過と共に異なって発現するので、主に人生の初期段階で動的な効果がある。さらに、初期段階では社会学的影響があり、授乳または睡眠訓練のような発達のごく初期段階のものもある。DNA及びRNAに関連するマトリクスの次元は、遺伝学者によって定義され得、DNAが性格にどのような影響を与えるかについての情報が増えるにつれて変化し得る。ごく初期の発達に関するマトリクスの次元は、幼児期専門の心理学者によって定義され得る。マトリクスの各エントリに重み付けする必要があることに留意されたい。この場合もやはり、この分野の専門家の意見に基づいた基本的な重み付けから始めることができるが、最終的な重み付け及びその性格への影響は、観察及び経験に基づいて時間の経過と共に更新される。ベースレイヤマトリクスの次の次元は、図16に示すような性格の連続体である。上記で論じたように、本開示の態様によるいくつかの実施態様では、外向性->内向性1601、感覚->直観1602、思考->感情1603、判断->知覚1604の軸に沿った重み付け1600のマトリクスにおけるマイヤーズ・ブリッグス・タイプ指標(MBTI)のパーセンテージは、ベースレイヤマトリクスの次元に1セットの数値を提供する。別の次元は、ビッグファイブ性格特性、すなわち、経験への開放性、誠実性、外向性、協調性、神経症傾向によるものであり得る。他の性格の連続体によって表されるもう1つの次元があり、たとえば、マキャヴェリズム、達成欲求、認知欲求、権威主義、ナルシシズム、自尊心、楽観主義、及び無感情症などである。これら全ての因子の組み合わせを使用して、ベースレイヤマトリクスを作成し得る。これは、最も基本的なレベルで性格を表現したものである。次のレイヤは文化レイヤである。
文化レイヤは、ISがどのように育ったと考えられるかを捉えている。このレイヤは図17に示すようなISに関する背景情報、たとえば、限定はしないが、以下を含む。ISはどの国、州、都市、地区で育ったか1701?ISは都会または地方のどちらで育ったか1702?ISはどの宗教に入っているか1703?ISはどのような政治情勢で育ったか1706?ISはどのような文化で育ったか1704、また、どのような家族構成がその生い立ちの一部だったか1705。
この文脈では、訓練を、ごく早い年齢から始まるISの教育または学習と呼ぶ。このレイヤでは、たとえば、限定はしないが、ISに関する以下の質問に回答する。授乳、アイコンタクト、読み聞かせから育児までの初期学習環境の影響はどのようなものか。年齢と共に、学習環境はどのようなものであるか?たとえば、それは共学か?大規模なクラスまたは小規模なクラスはあるか?それは崩壊しているか、または集中しているか?高等教育及び仕事経験についてはどうか?ISインスタンスはどのように訓練されたか?大学に行ったか?専攻は何だったか?男子学生社交クラブ/女子学生クラブに参加したか?成績は何だったか?大学院の学位または証明書についてはどうか?以前の職歴についてはどうか?これらの因子は全て、ISインスタンスの性格に影響を与える。実質的に、仮想的な履歴書がISインスタンスに対して作成される。訓練レイヤは、ISが思い出すために、実際のイベントを企画しなくてよい(たとえば、「1995年のあの素晴らしかったAEPiのハロウィーンビアバッシュを思い出して。Jefferyはとても酔っていたね」)。訓練レイヤは、ISの充実したバイブルを作成して、独特の人間的な性格を確保するだけで十分である。いくつかの実施態様では、キャラクターバイブルは、作成者がISの独自の歴史を記述できるツールを使用して、ユーザまたはソフトウェアプログラマによって作成され得る。他の実施形態では、ISは、状況に基づいて、自身のバイブルを用いて自身のインスタンスを作成する。さらに他の実施形態では、顕著な特徴が略述され得、かつ、ISが選択可能な選択肢を提供するハイブリッドモデルが構築され得、たとえば、限定はしないが、ISの基礎となる元型は不変のまま、ISインスタンスのバイブルの分岐が選択され得る。
一般環境レイヤは、ISの現在の状態のコンテキストを記述する。換言すれば、ISがユーザと関わることにつながったイベントについて記述する。このレイヤは、たとえば、限定はしないが、このISはどこで働いているか?という質問に回答し得る。人生の初期学習段階に影響を与えた同じ因子の一部は、仕事または遊びの環境に影響を与える。ISインスタンスは、コールセンターにいるか、バーにいるか、キューブにいるか、セールスの電話をかけているか、または法律事務所で訴訟担当者として働いているか?いくつかの実施形態では、一般環境レイヤは、以下の基本的なキャリア分類から開始し得る。農業、食品及び天然資源、建築及び建設、芸術、オーディオ/ビデオ技術及び通信、企業経営及び管理、教育及び訓練、ファイナンス、政府及び公的行政機関、健康科学、ホスピタリティ及び観光、福祉、情報技術、法律、公安、刑務官及びセキュリティ、製造、マーケティング、セールス及びサービス、科学、技術、工学及び数学、ならびに運輸、流通及びロジスティクス。次いで、生い立ちのコンテキストで使用したのと同じ文化的変数及びコンテキスト変数:大陸→国→郡→町→地区、都会→郊外→地方をその上にオーバーレイする。次いで、追加の分岐が追加され得、たとえば、大企業←→小企業、大規模ビル←→小規模ビル、労働力はどの程度多様であるか(複数の軸で)、会社/幹部の政治/宗教は何か、などである。分類のドメイン及びサブドメインは、社会科学者によって定義され得るが、カテゴリ、それらの重み付け、及び重要性は全て、ユーザとの関わりの結果、及びそれらの入力がそれらの出力の値にどの程度関連しているかに依存する。
次のレイヤは特定環境レイヤである。ここでは、ISインスタンスの行動を作成するための最新の要素がキャプチャされる。このレイヤは、たとえば、限定はしないが、以下の質問に回答し得る。天気はどのようか?交通はどうだったか?私の朝はどうだったか?たとえば、ISIの構築された家族に基づいて、ISIは一般的に幸せな結婚を送っている場合があり、学校に送り出さなければならない2人の子供がいて、平均的に分散したサプライズイベントがあり(子供の具合が悪くなった、宿題を忘れたなど)、ISIのムード、ひいてはその行動は、これらの準備的な因子の影響を受ける。
訓練の次のタスクは、ISが人間の行動を学習することである。今日の市場には、自動音声認識(ASR)技術及び自然言語処理(NLP)を使用して人間の行動を分析する多くの対話型音声応答(IVR)システムがある。ここでのアプローチは、それを会話のベースラインとして使用することである。本開示の態様によれば、ISは、目下のコンテキスト(この人は買い物をしている、またはビーチにいるなど)だけでなく、個人的及び社会的なコンテキストも持ち込んで、人間の社会的行動について知るように構成される。
ここで、全ての人間は、各行動バイアスの程度が異なる。ある人は非常に「分析的」で「現実的」であり得、別の人はより感情的で大げさな傾向があり得る。大げさな傾向がある場合でも、それは大抵、一部のドメインに限られている。高校のバスケットボールチームで自分の役割を誇張する同じ人物は、ギリシャへの旅行の詳細を思い出すときに非常に正確であり得る。状況ベースラインは基本的に、スタックを上って(DNA→初期発達+遺伝子調節→基本性格要素→発達フィルタ→関係性フィルタ)形成されたISの性格であることを思い出されたい。
図21は、ISインスタンスをそれが置かれている状況にマッピングする、スタック内の次のレイヤを示している。状況ベースライン2100及び行動バイアス2101をマッピングして、各ISインスタンス2102の状況バイアスを作成し、次に、バイアスを状況環境に帰属させる2103。
このスタックでの次の段階は、ISが人的交流に持ち込む完全な心理学的プロファイルを作成することである。これを行うために、図23に示すようにデータを保持及び操作するための配列のマトリクスが作成され得る。様々なデータセットが配列内の列及び行に割り当てられる。これは多くの方法で行うことができるが、限定ではなく例として、いくつかの配置を選択しよう。配列1は、状況ベースラインのベースレイヤ2300である。その配列内に、因子2301が配置され、行1はDNAであり、行2はRNAであり、行3はマイクロバイオームであり、行4は性別連続体である、などとなっており、身体的属性を含む行を経由し、それに続いて、マイヤーズ・ブリッグス軸、5因子の性格特性軸、及びその他の性格特性がある。
上記で論じたように、データはチャットセッション、テキストメッセージ、ビデオなどからキャプチャされるが、それでも、表現される性格特性にマッピングされる必要がある。
人間分類器によってラベル付けされた会話の分析から、社会的状況の分類が作成され得る。繰り返しになるが、心理学者及び社会学者は、ベースラインの予想のセットと、それらを行動2600、2601、2602、2603、及びサブ行動2604、2605など、さらに下の分類2606、2607に構造化したグループと、を作成することができる。やはり繰り返しになるが、これらのグループは完全に決定的なものではなく、出発点にすぎない。任意の選択の成功は、社会的状況の分類により、設定した目標がどれだけ近く達成されるかによって測定される。これは、目標がどのように設定、管理、更新、及び統治されるかという全ての最大の問題に到達し始める。この会話の分類は、自然言語処理(NLP)、感情分析、及び感情検出の発展に基づいて拡張され、継続的に適応される。感情の検出はテキスト及び音声に限定されず、視覚的な手がかりを使用して大きな進歩を遂げていることに留意されたい。
次のステップは、この全てのデータを取得し、それを使用して完全なベースライン性格を定義することである。図27は、図24の上に構築されている。これは、人間が初めてISIと交流する時点でのISIの性格である。この時点までに、非常に幅広く深い因子のマトリクス2700を作成している。まず、人間が性格を組み立てるために使用できるダッシュボードを作成する。3つの初期レイヤ(ベース2703、文化2704、及び訓練2705)と、2つの環境(一般2706及び特定2707)とに関する全てのデータを、一連の列及び行として、値を変更するためのフェーダーまたはその他の入力タイプと共に配置することができ、基本的な機能性について人間がテストすることができる。この時点で、ISインスタンスは非常に論理的になる。それらはまだ思いやり及びユーモアならびに他のあらゆる種類の人間の感情を持って反応するが、非常に(おそらく過度に)論理的になる。完全なベースライン性格を作成した後、認知バイアスまたは行動マスク2708ならびに発達フィルタ2709及び関係性フィルタ2710を追加する。
ISIの性格は、多次元行列を使用して記述され得る。便宜上、ここで説明するマトリクスは16×2×8に制限する(たとえば、外向性2800、感覚2801、思考2802、判断2803、開放性2804、誠実性2805、協調性2806、神経症傾向2807、マキャヴェリズム2808、達成2809、認知2810、権威主義2811、ナルシシズム2812、自尊心2813、楽観主義2814、及び無感情症2815)×(大きさ2816及び重み付け2817)が8次元(レイヤ、フィルタ、及びマスク)。心理学者及び社会学者は、16個の最も重要な因子を選択する(行列演算のためにマトリクスの次元を単純に保つため)。レタリングを使用して、レイヤ、フィルタ及びマスクの各次元を表し得る:B(ベースレイヤ2818)、C(文化レイヤ2819)、T(訓練レイヤ2820)、D(発達フィルタ2821)、R(関係性フィルタ2822)、G(一般環境レイヤ2823)、S(特定環境レイヤ2824)、及びB(行動マスク2825)。ISIの性格マトリクスは、ISIの性格特性を記述するように構成される任意のサイズであり得ることを理解されたい。これで、ISが振る舞うことができる性格の表現が作成される。畳み込みニューラルネットワーク(CNN)が動作する方法と異ならない方法で、我々のレイヤを畳み込んで集約レイヤを作成することができる。図28のマトリクスを見ると、その内容が引用により本明細書に組み込まれている、http://www.iaeng.org/publication/WCE2010/WCE2010_pp1824-1828.pdfで入手可能な、Ashu M. G. Solo et al. “Multidimensional Matrix Mathematics: Notation, Representation and Simplification, Part 1 of 6”の、多次元行列を表現するためのアプローチを使用している。
フィードバックループは非常に重要である。ISIは数十億もの小さな決定を下し得、それらの決定のそれぞれがどれほどうまくいったかを知ることが重要である。そのために、本システムは行動の手がかりを監視し、それらをISIの性能の尺度として使用し得る。不成功の明らかな指標のいくつかの実施例は、限定はしないが、反応の遅延(不在を示す過度に長い遅延はカウントしない)、同じトピックへ戻る(テキスト分析を使用して何かが理解されなかったか否かを判定する)、怒り、否定性(dismissiveness)などである。
本開示のいくつかの実施形態では、ダッシュボードは、人間がISIの性格の異なる変数を試せるようになる異なる性格パラメータから作成され得る。他の実施形態では、ISは、状況及び関与するエンティティに基づいて、自身の性格パラメータを選択し得る。もちろん、性格設計者は、256個以上の変数のいずれかを手動で設定し、その後ISインスタンスをテスト会話または交流に連れて行き得る。いくつかの実施形態では、ISインスタンスは既知のエンティティ、たとえば、限定はしないが、Abraham LincolnもしくはKatherine HepburnまたはGreys AnatomyのMeredith Greyをモデルにし得る。さらに他の実施形態では、ユーザはISIの特定の性格を要求することができ、または、さらに他の実施形態では、既知の性格が混合され得、たとえば、限定はしないが、Winston Churchillは、Diane Sawyerと混合され、James Earl Jonesのような声と、Harry Potterのような癖を持つ。このようにして、本物の人間のような交流を行う、ユニークで楽しくエキサイティングな仮想性格が作成され得る。
様々なフィルタ、マスク、及び関数によって適切な反応が準備されたので、ISはリアルタイムでもっともらしく反応する必要がある。いくつかの実施形態では、反応の計算時間を分からなくするために、プログラムされた遅延が追加され得る。たとえば、質問された後、ISIは即座に「うーん」または「あぁ」と反応する場合があり、一方、より長いより良い反応を計算する。さらに、本開示のいくつかの態様によれば、身体的反応、たとえば、微妙な表情及び他の体の動き、声色、呼吸、汗、皮膚の色(血流)などが、適切な反応にマッピングされ、ISは人間の感情を理解できるようになる。
本開示の態様によれば、ISIは、ビデオゲーム及びテキストヘルプラインなどの仮想環境に実装され得る。さらに、ISIとのさらなる「現実世界」の交流を可能にする他の新しい仮想環境が作成され得、ISIはより昔ながらの人間の役割を果たし得、たとえば、限定はしないが、ISIは株式売買人、用務員、医師であり得る。ISIは仮想環境を通じてより広い世界と交流し得る。さらに、いくつかの実施形態では、この技術は、訓練用のVRメガネまたは部屋の有無にかかわらず使用することができる。
上記及び下記のシステムは、任意の文化的環境で機能する。しかしながら、結果は文化的環境によって異なる。一部の文化(オランダ人など)は非常に遠慮がなくぶっきらぼうであり得るが、他の文化(日本人など)は非常に繊細で状況を踏まえる。心理学者、社会学者、及び当技術分野で熟練したその他の人々は、文化的サブグループごとに結果を取り出す必要があり、ISはその文化的環境内で機能する必要がある。
図31は、たとえば、図5、図10、または図13など、本明細書全体を通して図に示したような方法を実装するための知的エージェントシステムを示している。本システムは、ユーザ入力デバイス3102に結合されたコンピューティングデバイス3100を含み得る。ユーザ入力デバイス3102は、コントローラ、タッチスクリーン、マイクロフォン、キーボード、マウス、ジョイスティック、またはユーザが本システムに音データを含む情報を入力することを可能にする他のデバイスであり得る。ユーザ入力デバイスは、触覚フィードバックデバイス3121に結合され得る。触覚フィードバックデバイス3121は、たとえば、振動モータ、フォースフィードバックシステム、超音波フィードバックシステム、または空気圧フィードバックシステムであり得る。
Claims (20)
- プロセッサと前記プロセッサに結合されたメモリとを備えるシステムで実行される、知的エージェントを訓練するための方法であって、
a)前記プロセッサが、性格マトリクスを作成することと、
b)前記プロセッサが、認知バイアスマトリクスを前記性格マトリクスと組み合わせることと、
c)前記プロセッサが、前記組み合わせられた認知バイアスマトリクス及び性格マトリクスに基づいて、状況に対する行動関数を生成することと、
を含む、方法。 - 前記性格マトリクスは、マイヤーズ・ブリッグス・タイプ指標に対応するパラメータを少なくとも含む、請求項1に記載の方法。
- 前記性格マトリクスは、ビッグファイブ性格特性に対応するパラメータを含む、請求項1に記載の方法。
- 前記性格マトリクスは、1つまたは複数の伝記的パラメータを少なくとも含む、請求項1に記載の方法。
- 前記1つまたは複数の伝記的パラメータは、場所的、歴史的、文化的、または教育的パラメータを含む、請求項4に記載の方法。
- 前記行動関数は、分類された人的交流データから構成され、前記人的交流データは、前記性格マトリクスのパラメータに基づいて分類される、請求項1に記載の方法。
- 前記行動関数は、前記分類された人的交流データで訓練されたニューラルネットワークによって生成され、前記ニューラルネットワークの訓練は、前記性格マトリクスによって変更される、請求項6に記載の方法。
- プロセッサと前記プロセッサに結合されたメモリとを備えるシステムで実行される、知的エージェントを使用するための方法であって、
a)前記プロセッサが、状況を把握することと、
b)前記プロセッサが、組み合わせられた認知バイアスマトリクス及び性格マトリクスに基づいた行動関数を前記状況に適用して、前記状況への反応を生成することと、
を含む、方法。 - 前記状況を把握することは、自然言語処理データで訓練されたニューラルネットワークを少なくとも使用することを含む、請求項8に記載の方法。
- 前記自然言語処理データは、ユーザの質問に対する少なくとも1つの事前に答えられた回答を含む、請求項9に記載の方法。
- 前記行動関数は、前記ニューラルネットワークによって決定された回答を変更する、請求項9に記載の方法。
- 前記性格マトリクス及び前記認知バイアスマトリクスは、少なくとも大きさ及び重みを含む、請求項8に記載の方法。
- c)前記反応の成功の指示を監視すること
をさらに含む、請求項8に記載の方法。 - 成功の指示を監視することは、マシンビジョンまたは音声分析を使用して感情的心理を特定することを含む、請求項13に記載の方法。
- 成功の指示を監視することは、ユーザの反応の遅延、同じトピックへ戻ること、前記ユーザの否定性、または前記ユーザの怒りを監視することを含む、請求項13に記載の方法。
- 反応の成功の前記指示を使用して、前記認知バイアスマトリクスまたは前記性格マトリクスを調整することをさらに含む、請求項13に記載の方法。
- 前記状況を把握することは、マシンビジョンまたは物体認識からの視覚情報を使用することを含む、請求項8に記載の方法。
- 前記行動関数は、分類された人的交流データで訓練されたニューラルネットワークによって適用され、前記ニューラルネットワークの訓練は、前記性格マトリクスによって変更される、請求項8に記載の方法。
- プロセッサと、
前記プロセッサに結合されたメモリと、
前記メモリに組み込まれた非一時的命令と、
を備え、前記非一時的命令は、実行されると、前記プロセッサに方法を実行させ、前記方法は、
a)状況を把握することと、
b)組み合わせられた認知バイアスマトリクス及び性格マトリクスに基づいた行動関数を前記状況に適用して、前記状況への反応を生成することと、
を含む、知的エージェントシステム。 - コンピュータ可読媒体に組み込まれた非一時的命令であって、実行されると、コンピュータに方法を実装させ、前記方法は、
a)状況を把握することと、
b)組み合わせられた認知バイアスマトリクス及び性格マトリクスに基づいた行動関数を前記状況に適用して、前記状況への反応を生成することと、
を含む、非一時的命令。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/718,071 | 2019-12-17 | ||
US16/718,071 US20210182663A1 (en) | 2019-12-17 | 2019-12-17 | Methods and systems for defining emotional machines |
PCT/US2020/065680 WO2021127225A1 (en) | 2019-12-17 | 2020-12-17 | Methods and systems for defining emotional machines |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022517457A JP2022517457A (ja) | 2022-03-09 |
JP7157239B2 true JP7157239B2 (ja) | 2022-10-19 |
Family
ID=76318183
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021505376A Active JP7157239B2 (ja) | 2019-12-17 | 2020-12-17 | 感情認識機械を定義するための方法及びシステム |
Country Status (6)
Country | Link |
---|---|
US (1) | US20210182663A1 (ja) |
EP (1) | EP3857452A4 (ja) |
JP (1) | JP7157239B2 (ja) |
KR (1) | KR20210079264A (ja) |
CN (1) | CN113383345A (ja) |
WO (1) | WO2021127225A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11651161B2 (en) * | 2020-02-13 | 2023-05-16 | International Business Machines Corporation | Automated detection of reasoning in arguments |
WO2023212145A1 (en) * | 2022-04-28 | 2023-11-02 | Theai, Inc. | Controlling generative language models for artificial intelligence characters |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120284080A1 (en) | 2011-05-04 | 2012-11-08 | Telefonica S.A. | Customer cognitive style prediction model based on mobile behavioral profile |
US20120290521A1 (en) | 2011-05-11 | 2012-11-15 | Affectivon Ltd. | Discovering and classifying situations that influence affective response |
US20190138595A1 (en) | 2017-05-10 | 2019-05-09 | Oracle International Corporation | Enabling chatbots by detecting and supporting affective argumentation |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4590555B2 (ja) * | 2004-09-02 | 2010-12-01 | 国立大学法人長岡技術科学大学 | 感性状態判別方法及び装置 |
CN105045777A (zh) * | 2007-08-01 | 2015-11-11 | 金格软件有限公司 | 使用互联网语料库的自动的上下文相关的语言校正和增强 |
US20120219934A1 (en) * | 2011-02-28 | 2012-08-30 | Brennen Ryoyo Nakane | System and Method for Identifying, Analyzing and Altering an Entity's Motivations and Characteristics |
US8732101B1 (en) * | 2013-03-15 | 2014-05-20 | Nara Logics, Inc. | Apparatus and method for providing harmonized recommendations based on an integrated user profile |
CN104717921B (zh) * | 2012-08-24 | 2019-02-19 | 新加坡科技研究局 | 自学性认知训练装置及其方法 |
CN103996143A (zh) * | 2014-05-12 | 2014-08-20 | 华东师范大学 | 一种基于隐式偏见和好友兴趣的电影评分预测方法 |
US9626622B2 (en) * | 2014-12-15 | 2017-04-18 | International Business Machines Corporation | Training a question/answer system using answer keys based on forum content |
US9619434B2 (en) * | 2015-02-03 | 2017-04-11 | International Business Machines Corporation | Group generation using sets of metrics and predicted success values |
US10884503B2 (en) * | 2015-12-07 | 2021-01-05 | Sri International | VPA with integrated object recognition and facial expression recognition |
CN107145900B (zh) * | 2017-04-24 | 2019-07-26 | 清华大学 | 基于一致性约束特征学习的行人再识别方法 |
US20190080799A1 (en) * | 2017-09-08 | 2019-03-14 | Sony Interactive Entertainment LLC | Identifying and targeting personality types and behaviors |
CN107944472B (zh) * | 2017-11-03 | 2019-05-28 | 北京航空航天大学 | 一种基于迁移学习的空域运行态势计算方法 |
JP6663944B2 (ja) * | 2018-03-01 | 2020-03-13 | Kddi株式会社 | ユーザに対するコンテンツの共感影響力を推定するプログラム、装置及び方法 |
CN108596039B (zh) * | 2018-03-29 | 2020-05-05 | 南京邮电大学 | 一种基于3d卷积神经网络的双模态情感识别方法及系统 |
CN110059168A (zh) * | 2019-01-23 | 2019-07-26 | 艾肯特公司 | 对基于自然智能的人机交互系统进行训练的方法 |
-
2019
- 2019-12-17 US US16/718,071 patent/US20210182663A1/en active Pending
-
2020
- 2020-12-17 KR KR1020217003052A patent/KR20210079264A/ko not_active Application Discontinuation
- 2020-12-17 EP EP20842660.1A patent/EP3857452A4/en active Pending
- 2020-12-17 WO PCT/US2020/065680 patent/WO2021127225A1/en unknown
- 2020-12-17 CN CN202080004735.5A patent/CN113383345A/zh active Pending
- 2020-12-17 JP JP2021505376A patent/JP7157239B2/ja active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120284080A1 (en) | 2011-05-04 | 2012-11-08 | Telefonica S.A. | Customer cognitive style prediction model based on mobile behavioral profile |
US20120290521A1 (en) | 2011-05-11 | 2012-11-15 | Affectivon Ltd. | Discovering and classifying situations that influence affective response |
US20190138595A1 (en) | 2017-05-10 | 2019-05-09 | Oracle International Corporation | Enabling chatbots by detecting and supporting affective argumentation |
Also Published As
Publication number | Publication date |
---|---|
KR20210079264A (ko) | 2021-06-29 |
WO2021127225A1 (en) | 2021-06-24 |
US20210182663A1 (en) | 2021-06-17 |
EP3857452A4 (en) | 2023-01-25 |
EP3857452A1 (en) | 2021-08-04 |
CN113383345A (zh) | 2021-09-10 |
JP2022517457A (ja) | 2022-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Airoldi | Machine habitus: Toward a sociology of algorithms | |
Puntoni et al. | Consumers and artificial intelligence: An experiential perspective | |
Floridi | The fourth revolution: How the infosphere is reshaping human reality | |
Hildebrandt | Smart technologies and the end (s) of law: novel entanglements of law and technology | |
Floridi | The Ethics of Artificial Intelligence: principles, challenges, and opportunities | |
Dormehl | The formula: How algorithms solve all our problems--and create more | |
WO2017217507A1 (ja) | コミュニケーションを支援する人工知能システム | |
Sharabi et al. | Why settle when there are plenty of fish in the sea? Rusbult’s investment model applied to online dating | |
Mascarenhas et al. | A dimensional model for cultural behavior in virtual agents | |
Serrano | Grokking machine learning | |
JP7157239B2 (ja) | 感情認識機械を定義するための方法及びシステム | |
Romele et al. | Digital habitus or personalization without personality | |
Armstrong | Big Data, Big Design: Why Designers Should Care about Artificial Intelligence | |
Elliott | Algorithmic intimacy: The digital revolution in personal relationships | |
Lazzeretti | The Rise of Algorithmic Society and the Strategic Role of Arts and Culture | |
Andrejevic et al. | Media backends: digital infrastructures and sociotechnical relations | |
Bode et al. | Data worlds: an introduction | |
McGlotten | Streaking | |
Jaques | Social and affective machine learning | |
Seligman | Artificial intelligence/machine learning in marketing | |
Utesheva | Designing Products for Evolving Digital Users | |
Darby | Artificial intelligence as religion: an evolutionary account and philosophical study | |
Jamieson | Towards an Ethics of Hybrid Agency in Performance | |
Kaiser | Interfaces and Us: User Experience Design and the Making of the Computable Subject | |
Hradec et al. | FABLES: Framework for Autonomous Behaviour-rich Language-driven Emotion-enabled Synthetic populations |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210204 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220329 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220510 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221006 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7157239 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |