KR20210079264A - 감정적 기계를 정의하는 방법 및 시스템 - Google Patents

Abstract

성격 매트릭스를 생성하는 단계, 인지 편향 매트릭스를 성격 매트릭스와 조합하는 단계, 조합된 인지 편향 매트릭스 및 성격 매트릭스에 기초하여 상황에 대한 행동별 함수를 생성하는 단계를 포함하는 지능형 에이전트를 트레이닝시키는 방법이 개시된다.

Description

감정적 머신을 정의하는 방법 및 시스템

본 개시의 양태들은 전문가 시스템에 관한 것으로, 특히 본 개시의 양태들은 더 큰 행동 복제를 위해 심리적 및 사회학적 정보를 사용하는 전문가 시스템 및 기계 학습의 개발에 관한 것이다.

기계와 네트워크 서비스가 함께 작동하는 것을 의미하는 지능형 시스템은 인간보다 청각적, 시각적 및 기타 감각적 단서들을 기억하고 비교할 수 있는 더 큰 능력을 가질 수 있다.

시력으로부터 시작하여, 카메라 기술은 지능형 시스템(IS)이 인간이 할 수 있고 훨씬 더 많은 - 뒤, 위, 아래, 먼 거리, 거의 빛이 없는 곳, 사람의 눈에는 보이지 않지만 일부 동물들에 의해 감지될 수 있는 적외선 및 자외선과 같은 주파수 범위에서 모든 것을 볼 수 있는 수준으로 향상되었다. 사실상, IS는 X-선, 마이크로파 및 전파와 같은 다른 전자기파를 볼 수 있다. 인간이 보는 것을 이해하기 위해, IS는 인간의 시각의 한계를 알고 그들이 인간이라면 무엇을 보게 될지 고려할 것이지만, 원할 경우 다른 데이터를 사용할 수 있어 초인적인 시각(및 보였던 것의 초인적인 기억과 정확성)을 생성한다.

청각과 관련하여, 고해상도 바이노럴 녹음은 이미 인간들이 듣는 것과 매우 흡사하지만 왜 거기서 멈추는가? IS가 청각 환경의 개별 요소들에 대해 관찰할 수 있도록 성능으로부터 개별 사운드들 또는 어간들을 분리할 수 있는 시스템들이 개발중에 있다.

맛과 냄새는 어떠한가? "1982 년부터, 냄새와 풍미를 감지하고 인식할 수 있는 흔히 전자 코라고 하는 기술들을 개발하기 위한 연구가 진행되었다." 그 이후로, MIT의 안드레아스 메르신과 슈광 장이 나노코(Nano-Nose)로 DARPA 상을 수상한 후각 인식이 어떻게 작동하는지 더 잘 이해하면서 작업이 크게 발전했다.

터치로 물체들을 식별하는 능력은 인간 감지의 핵심 기능들 중 하나이다. 바이오택(BioTac) 촉각 센서는 “성능뿐만 아니라 때로는 인간의 지각보다 훨씬 더 나은 성능으로, 컴플라이언스, 질감 및 열 속성들을 기반으로 물체들을 구별하고 식별할 수 있는 능력”을 가지고 있다.

스탠포드 스쿨의 이룬 왕, 미할 코진스키는 2017년 연구를 수행했는데, 이는 안면 이미지들로부터 성적 성향을 인간 대조군보다 더 높은 정확도로 감지하는 심층 신경망의 능력을 입증했다.

일부 시스템들은 이제 인간보다 더 정확하게 감정과 행동 단서들을 읽을 수 있다. 매사추세츠 공과대학교의 감성 컴퓨팅(Affective Computing) 연구소의 과학자들은 파울 에크만(Paul Ekman)과 월리스 V 프리센(Wallace V Friesen)이 1980년대에 개발했지만 훨씬 더 발전한 얼굴 움직임 해독법(Emotion Facial Action Coding System; EMFACS)으로부터 진화한 "인공 감정 지능"을 시장에 내놓기 시작했다.

이러한 맥락에서 본 개시의 양태들이 발생한다.

본 발명의 교시들은 첨부 도면들과 함께 다음의 상세한 설명을 고려함으로써 쉽게 이해될 수 있다:
도 1은 본 개시의 양태들에 따른 IS의 구성요소들의 개략적인 오버뷰이다.
도 2는 본 개시의 양태들에 따른 일련의 계층들로서 인간 행동의 다이어그램도이다.
도 3은 본 개시의 양태들에 따른 마이어스 브릭스 성격 유형(Meyers Briggs Personality Typing) 연속체를 도시하는 블록도이다.
도 4는 본 개시의 양태들에 따른 5대 성격 특성들의 다이어그램 뷰이다.
도 5는 본 개시의 양태들에 따른 상황별 기준 및 감지 입력들과 출력들을 도시하는 블록도이다.
도 6은 본 개시의 양태들에 따른 발전 필터의 파라미터들의 개략도이다.
도 7은 본 개시의 양태들에 따른 관계 필터의 요소들의 예시적인 도면이다.
도 8은 본 개시의 양태들에 따른 행동 마스크들의 요소들의 예시적인 도면이다.
도 9는 본 개시의 양태들에 따른 행동별 함수들을 포함하는 멘탈 스택의 예시적인 도면이다.
도 10은 본 개시의 양태들에 따른 행동별 함수들의 상세 요소들을 도시하는 다이어그램이다.
도 11은 본 개시의 양태들에 따른 행동에 기반한 관측 함수들을 통한 DNA로부터의 완전한 스택을 보여주는 블록도이다.
도 12는 본 개시의 양태들에 따를 지능형 시스템의 기준 페르소나와 개별 인스턴스들 사이의 연결을 보여주는 다이어그램이다.
도 13은 본 개시의 양태들에 따른 행동 바이어스들과 다양한 필터들 및 마스크들의 매핑을 도시하는 블록도이다.
도 14는 본 개시의 양태들에 따른 전문가 시스템이 행동 또는 인지 바이어스들을 매핑하는데 사용되는 방법을 보여주는 다이어그램이다.
도 15는 본 개시의 양태들에 따른 성격 기준을 구성하는 계층들을 도시하는 블록도이다.
도 16은 본 개시의 양태들에 따른 MBTI 가중치를 보여주는 표이다.
도 17은 본 개시의 양태들에 따른 문화적 계층들을 도시하는 블록도이다.
도 18은 본 개시의 양태들에 따른 행동 수집을 보여주는 블록도이다.
도 19는 본 개시의 양태들에 따른 상황적 바이어스 세트를 생성하기 위해 상황별 기준이 행동 바이어스들에 대해 매핑되는 방법을 도시하는 블록도이다.
도 20은 본 개시의 양태들에 따른 각각에 가중치를 부여하는 행동 바이어스들에 대한 심리적 파라미터들의 의 매핑을 보여주는 블록도이다.
도 21은 본 개시의 양태들에 따른 상황에 대한 IS 인스턴스를 구성하는 행동 바이어스 매트릭스의 예를 보여주는 표이다.
도 22는 본 개시의 양태들에 따른 각 IS에 대한 상황적 환경들에 대한 입력 바이어스들을 도시하는 블록도이다.
도 23은 본 개시의 양태들에 따른 성격 매트릭스의 예를 보여주는 표이다.
도 24는 본 개시의 양태들에 따른 기준 성격 매트릭스들의 대안적인 뷰를 보여주는 표이다.
도 25는 본 개시의 양태들에 따른 행동 데이터를 캡처 및 분석하는 것을 도시하는 블록도이다.
도 26은 본 개시의 양태들에 따른 사회 분류학의 뷰를 보여주는 블록도이다.
도 27은 본 개시의 양태들에 따른 전체 성격 매트릭스를 포함하는 파라미터들의 테이블 뷰이다.
도 28은 본 개시의 양태들에 따른 성격들을 설명하는 데 사용되는 매트릭스의 분류되지 않은 매트릭스 뷰이다.
도 29a는 본 개시의 양태들에 따른 지능형 시스템에서 사용하기 위한 순환신경망의 단순화된 노드 다이어그램이다.
도 29b는 본 개시의 양태들에 따른 지능형 시스템을 사용하기 위한 펼쳐진 순환신경망의 단순화된 노드 다이어그램이다.
도 29c는 본 개시의 양태들에 따른 지능형 시스템에서 사용하기 위한 컨볼루션 신경망의 단순화된 다이어그램이다.
도 29d는 본 개시의 양태들에 대한 지능형 시스템의 개발에서 신경망을 트레이닝하기 위한 방법의 블록도이다.
도 30은 본 개시의 양태들에 따른 지능형 시스템에서 생성적 대립쌍 신경망의 트레이닝을 도시하는 블록도이다.
도 31은 본 개시의 양태들에 따른 지능형 에이전트 시스템의 블록도를 도시한다.

다음의 상세한 설명은 예시의 목적으로 많은 특정 세부 사항들을 포함하지만, 당업자라면 다음 세부 사항들에 대한 많은 변형들 및 변경들이 본 발명의 범위 내에 있음을 이해할 것이다. 따라서, 이하에 설명되는 본 발명의 예시적인 실시예들은 청구된 발명에 대한 일반성을 잃지 않고, 그리고 제한을 부여하지 않고 명시된다.

서론

기계들은 아직 인간 상호 작용들의 기술을 마스터하지 못했다. 많은 채팅 봇들이 사용자들을 비정기적으로 속였지만, 기계들과의 통신은 종종 반복적이고 논리적이고 분명히 비인간적이다. 인간들은 일반적으로 합리적으로 행동하지 않는다. 우리는 수십 가지의 인지적 편견들을 가지고 있다. 그러나, 이러한 행동들은 "예측할 수 없을 정도로 비합리적"이다. 인간이 하는 것과 동일한 방식들로 지능형 기계가 "비이성적으로" 행동하는 것을 막을 수 있는 것은 없다.

행동 경제학 분야에서, 경계 합리성, 전망 이론, 시간 간 선택, 넛지 이론, 행동 금융 및 행동 게임 이론의 분야들에서 많은 연구가 수행되었다. 이러한 이론들이 진화하고 더 긍정적이되면서, 인간이 경제적 결정들을 내릴 때와 동일한 방식으로 지능형 기계가 행동하는 것을 막을 수 있는 것은 없다. 대안으로, IS 강화 인간이 덜 비합리적이되는 것을 막을 수 있는 것은 아무것도 없다.

본 개시의 양태들은 함께 취해질 때 지능형 시스템들 또는 IS들을 정의하고 구축하기 위한 완전한 시스템을 제공할 다수의 구성 요소들로 세분될 수 있다. 이러한 IS는, 장치들, 네트워크들, 스토리지, 데이터 구조들, 처리, 알고리즘들, 입력들, 출력들 및 이에 반드시 제한되는 것은 아니나, 심층 신경망, 컨볼루션 신경망, 재조합 신경망, 전문가 시스템 생성적 대립쌍 네트워크 및 트레이닝 및/또는 추론을 사용하는 인공 신경망 포함을 포함하는 다양한 인공 지능 기술들 중 일부 또는 전부를 포함한다. 목표는 IS들 - 보다 인간처럼 행동하도록 하기 위해 간단한 채팅 봇들에서 완전한 휴머노이드 로봇들의 인스턴스들을 포함함 -을 교시하기 위한 것이다. 이를 위해, 우리는 인간의 반응들, 심리적, 사회학적, 신체적 - 그리고 지능형 시스템(IS)이 이들을 모방할 수있는 방식들을 평가할 것이다.

문제는 여러 구성 요소들로 세분화될 수 있다. 도 1을 보면, IS(100)가 인간이 시각(102), 청각(103), 촉각(104), 미각(105) 및 후각(106)을 가지고 가지고 있는 것과 동일한 입력들을 레코딩(101)할 수 있음을 알 수 있다. 다음으로, IS는 이러한 입력들을 - 거의 실시간으로 - 분석 및 계산(108)하고, 햅틱, 음성 생성 및 로봇 공학을 사용하여 반응(109)을 수행할 수 있다. IS들에 의해 구성된 반응들은 다른 인간들에 의해 인간과 구별할 수 없는 방식들로 인간 반응들을 모방할 수 있어야 하며, 잠재적으로 훨씬 더 공감적(또는 마키아벨리적)일 수 있어야 한다. 이 개시의 대부분은 이러한 이해들과 반응들의 사회적 및 심리적 측면들을 다룰 것이다. 마지막으로, 이러한 시스템들이 어떻게 가상 환경을 생성하고 현실 세계에서 반응하는 데 사용될 수 있는가? 높은 수준의 아키텍처에 대해 좀 더 자세히 살펴보기로 한다.

입력들

입력들을 좀 더 자세히 살펴보면, (기계와 네트워크 서비스가 함께 작동하는 것을 의미하는) 지능형 시스템은 인간보다 청각적, 시각적 및 기타 감각적 단서들을 기억하고 비교할 수 있는 더 큰 능력을 가질 수 있다.

시각

시각(102)으로부터 시작하여, 확실히 카메라 기술은 IS가 인간이 할 수 있는 모든 것을 볼 수 있고 본 개시의 일부 양태들에서 훨씬 더 많이 볼 수 있는 수준으로 향상되었다. 뒤, 위, 아래, 먼 거리, 거의 빛이 없고 인간의 눈에는 보이지 않지만 일부 동물들에 의해 감지될 수 있는 적외선 및 자외선과 같은 주파수 범위에서. 사실상, IS는 X-선, 마이크로파 및 전파와 같은 다른 전자기파를 (이러한 센서들의 사용을 통해) 볼 수 있다. 인간이 보는 것을 이해하기 위해, IS는 인간의 시각의 한계를 알고 그들이 인간이라면 무엇을 보게 될지 고려할 것이지만, 원할 경우 다른 데이터를 사용할 수 있어 초인적인 시각(및 보였던 것의 초인적인 기억과 정확성)을 생성하도록 프로그래밍될 것이다. 기계 시각 및/또는 물체 인식을 사용하여, IS는 인간을 포함한 물리적 세계의 물체들을 감지하고 분류하여 현실적인 인간 반응들을 공식화할 수 있다.

청각

청각(103)과 관련하여, 고해상도 바이노럴 레코딩은 이미 인간이 듣는 내용과 방식을 매우 유사하게 모방한다. 본 개시의 양태들에 따르면, IS는 돌비 애트모스와 같은 시스템들이 오디오를 개별 객체들로 재생하는 것처럼 사운드를 객체들로 녹음할 수 있으며, 스테레오 또는 서라운드 필드에서 사운드를 캡처하고 이를 개별 요소들로 분리할 수 있는 제너럴 하모닉스, 셀레모니, 레드 필 및 소니와 같은 회사들의 다른 시스템들이 개발되고 있다. 예를 들어, 제한 없이, IS 또는 IS 보조를 받는 사람은 교향곡을 듣고 제1 바이올린이나 프렌치 호른만을 듣고 싶을 수 있으며 이러한 악기들만 분리할 수 있어, IS는 본질적으로 세부 제어를 사용하여(개별 성분 분석(ICA)과 같은 스펙트럼 분해 방법들을 사용하여) 실제 세계를 레코딩 스튜디오로 바꿀 수 있다. 일부 실시예들에서, IS는 인간 생물학에 통합될 수 있고, 인간은 단순히 생각할 수 있지만 콘서트에서 "나는 프렌치 호른이 좀 더 큰 소리를 냈으면 좋겠다"고 생각할 수 있으며, 당신(또는 당신의 사이보그 구성 요소)은 "믹스를 변경"할 수 있다. 이 통합을 통해, 사람은 모든 것을 기억할 수 있을 뿐만 아니라 당신은 이를 다른 믹스로 다시 들을 수 있다.

미각 및 후각

전자 코는 사람이 인식하는 냄새와 맛을 인식할 수 있으며, 다른 동물들, 예를 들어 개들이 인식하는 냄새와 맛도 인식할 수 있다. 사람마다 각기 다른 냄새들과 맛들에 대한 반응들이 다르지만, 이는 내가 냄새를 맡는 방법과 당신이 냄새를 맡는(동사로 사용됨) 방법을 아는 것은 엄연한 기계 학습 데이터 분석 문제이다. 이는 단순히 식별의 문제이기 때문에, 감각질(Qualia)은 관여되지 않는다. IS들은 다른 문화들이나 다른 개인들이 선호하는 음식의 맛과 냄새를 인식하는 법을 확실히 배울 수 있다. 사실상, IS가 적절한 하드웨어로 음식을 먹으면(저작하고 삼키면), 텍스처도 알 수 있다 (또는 메모리 내에 저장할 수도 있다). 에너지를 위해 (설계될 수도 있지만) 반드시 음식을 소화시킬 필요는 없을 것이다. 그러나, 기계는 인간 또는 임의의 특정 인간으로서 음식과 음료에 대한 감상의 모든 미묘함들을 인식하도록 (또는 인식하도록 외부인들에 의해 지각되도록) 트레이닝될 수 있다. 식당에서 메뉴를 판단하는 데 도움을 주기 위해 IS 인스턴스가 있는 조나단 골드 기계가 고용될 수 있다. 대안으로, 레스토랑 체인은 적절한 트레이닝과 하드웨어를 갖춘 IS 요리사를 통해 고객들의 취향에 기초하여 양념들을 동적으로 조정할 수 있다.

촉각

터치로 물체들을 식별하는 능력은 인간 감지의 핵심 기능들 중 하나이다. 터치 센서들은 초기 접촉, 접촉 위치, 슬립, 곡률 반경 및 에지들를 검출하고, 뿐만 아니라 알려지지 않은 위치들에서 알려지지 않은 속성들을 갖는 물체들의 능숙하게 다룰 수 있도록 하는 3축 힘을 결정하는 데 사용될 수 있다. 다른 감각들과 마찬가지로, 이 개시를 위해, 우리는 고해상도 터치- 주고받는 것 둘 다 -가 시간이 지남에 따라 더 많이 이용 가능하게 될 것으로 가정할 것이다.

행동별 분석

이 개시의 핵심은 우리 존재의 심리적, 정서적 측면과 관련이 있다. 인간들은 다른 인간들의 감정 상태들과 성향들을 인식하는 데 꽤 능숙하다. 사람은 누군가가 화가 났는지, 행복한지 또는 수십 가지 다른 감정들을 구분할 수 있다. 다른 사람들의 감정들과 성향들에 대한 분석은 사람들이 말하는 내용뿐 아니라 - 미세한 표현들, 목소리 음색 및 음높이, 냄새 및 홍조 피부, 소름, 눈물 등과 같은 신체적 관찰들을 포함하는 - 바디 랭귀지, 표정에 대한 읽기를 기반으로 한다. 이에 대한 사람의 해석은 자신의 경험, 선입견 및 기대에 따라 다소 색이 윤색된다. 편집증적인 사람들은 다른 사람들이 그들에게 일부러 못된 행동을 한다고 생각하지만, 한 사람의 기대를 다른 사람의 행동과 일반적으로 환경에 매핑하는 더 많은 미묘한 버전들이 있다. 이 개시는 IS가 인간들뿐만 아니라 감정들과 행동별 경향들을 어떻게 이해할 수 있는지 또는 더 잘 이해할 수 있는지를 살펴볼 것이다.

본 개시의 양태들에 따르면, IS는 IS와 상호 작용하는 사람의 감정들, 예를 들어 슬픔, 기쁨, 분노, 공감 또는 경박함을 고려할 수 있다. 더욱이, 본 개시의 양태들에 따른 IS는 텔레비전, 빌보드, 쇼룸 윈도우에서의 판매, 가격 변동 또는 군중 행동과 같은 다른 입력들과 상호 작용하고 이로부터 지속적으로 학습할 수 있다.

감정 입력들에 반응하기 전에, IS는 이를 읽고 "이해"할 수 있어야 한다. 이 개시는 감정을 읽는 프리미티브들에 초점을 맞추지 않는다. 대신에, 본 개시의 양태들은 모든 요소들을 수집하고 이들이 환경의 심리학 및 사회학에 대해 의미하는 바를 분석하지만, 다른 기술들이 기본 프리미티브들을 포착하는 데 사용될 수 있다고 가정할 것이다.

반응들

본 개시의 양태들에 따르면, IS는 주어진 감정 입력에 대해 적절한 반응을 보일 수 있다. 입력과 입력을 둘러싼 상황들에 따라, IS는 예를 들어, 감정 이입, 분노, 경멸, 집단 사고와 같은 감정으로 반응할 수 있다. 일부 구현예들에서, IS는 예를 들어, 구매, 판매와 같은 행동 또는 예를 들어 청소하거나 요리하기 위한 것과 같은 행동하기 위한 결정으로 입력 및 상황들에 대응할 수 있다. 지능형 기계들이 물리적 미세 단서(얼굴 표정 및 기타 바디 랭귀지, 냄새 터치 등)로 감정들을 읽도록 교육을 받으면, 지능형 장치들(예를 들어, 로봇들)은 얼굴 표정, 냄새, 땀 등과 같은 신체적 행동들을 모방하도록 교육되어 인간들이 감정이입, 경멸 등을 경험할 수 있도록 할 수 있다.

IS 데이트 상태와 함께 먹을 때, 그녀/그는 음식의 맛과 냄새를 인식하고 적절하게 - 심지어 사람의 알려진 선호도를 고려하여 - 반응할 수 있다. 무거운 식사가 끝날 때, 그녀/그는 포만감을 느끼고, 무기력하며, 술에 취해 성적으로 흥분한 행동을 할 수 있다.

인간들은 일반적으로 합리적으로 행동하지 않는다. 우리는 수십 가지의 인지적 편견들을 가지고 있다. 그러나, 이러한 행동들은 "예측할 수 없을 정도로 비합리적"이다. 인간이 하는 것과 동일한 방식들로 지능형 기계가 "비이성적으로" 행동하는 것을 막을 수 있는 것은 없다.

합리적이고, 심지어 매우 합리적이며, 공감적(또는 덜 이상적으로는 조작적) 반응들을 하는 데 필요한 단계들이 상세히 분석된다. 도 2에 도시된 바와 같이, 인간 행동은 일련의 계층들로 볼 수 있다. 감지 분석 엔진(200)에는 많은 입력들이 있다. 우선, 상기에 설명된 바와 같은 감지 레코딩(201)이 있다. 환경 요인들(202)도 있으며, 이는 나중에 더 자세히 설명될 것이다. 반응 계산(203)을 구성하는 데 필요한 다른 핵심 요소들은 일반적으로 우리의 행동을 형성하는 성격 요소들(204)이다. 그런 다음, 행동별 마스크(205) -, 우리가 다른 사람들에게 자신을 제시할 때 착용하는 마스크와 다양한 비트들 또는 바이트들을 필터링하여 이들을 출력으로부터 제거하는 것을 말하는 컴퓨터 프로그래밍 시 마스크를 둘 다를 말한다. 그 후, 행동별 함수들(206) - 원하는 출력을 생성하기 위해 입력 세트에서 작동하는 알고리즘 또는 연산 세트가 있지만 심리적 의사 결정에 적용하는 수학적 의미의 함수들을 사용하여 - 논의될 것이다.

상황별 기준

상황별 기준은 IS가 모든 상황이나 상호 작용에 가져올 수 있는 기본 성격 구조이다. 상황별 기준에는 세 가지 구성 요소들이 있다: 첫 번째는 기본 성격 유형 또는 성격 요소들이다. 인간의 경우, 이는 대부분 유전학 및 유아기의 결과이며 종종 인간들의 근본적인 관점(예를 들어, 학대를 받은 아동, 일반적으로 신뢰하는 법을 배우지 않음)을 나타낸다. 인간의 반응 능력을 복제하는 관점에서 볼 때 다음 발달 계층은 발달 필터이다. 발달 필터는 우리의 기본 성격 위에 문화적, 사회적 오버레이이다. 이는 가족, 커뮤니티, 친구 등을 포함할 수 있는 우리의 사회적, 문화적 환경에 의해 주도된다. 세 번째 요소는 관계 필터이다. 콘텍스트에 기초하여 우리에게 작용하는 필터들이 있다. 이는 현재 장소 및 사람들과의 기존 관계들을 반영한다.

본원에 사용된 바와 같이, 기본 성격 요소들은 기본 인간 특성들의 정량화 및 분석을 말한다. 의심할 여지없이 이러한 특성들에는 유전적 구성 요소가 있으며, 미래에는 유전적 구성 요소들이 기본 성격 요소들의 분석에 틀림없이 기용될 것이다. 일부 실시예들에서, 기본 성격 요소들은 기본 성격 분석에 대한 심리적 (및 데이터) 접근 방식으로 제한된다. 대안적인 실시예들에서, 심지어 유전적 특성들 및 소인들도 고려되며, 이러한 유전적 특성들은 유전적 코드 마커들로 인한 특정 성격 특성들에 대한 유전적 지도 및 가능성을 사용하여 적용될 수 있다.

당업계의 어떠한 성격 모델링 시스템도 기본 성격 요소들로 사용될 수 있다. 예를 들어, 제한 없이, 성격 유형들은 일반적으로 두 가지 다른 모델들 중 어느 하나를 사용하여 심리학 문헌에서 설명된다. 한 모델은 마이어스 브릭스 성격 유형(Meyers Briggs Personality Typing)으로, 칼융의 원형(Jungian architypes)을 기반으로 하며, 도 3에 도시된 바와 같이 성격을 16개의 이진 조합들로 세분화한다:

- 외향형(301) -> 내향형(302)

- 감각형(303) -> 직관형(304)

- 사고형(305) -> 감정형(306)

- 판단형(307) -> 인식형(308)

다른 일반적인 성격 분석 도구는 5대 성격 특성 또는 5대 요인 모드로, 원래 어니스트 튜프스와 레이몬드 크리스탈의 작업에 기반을 두었고, 나중에는 J. M. 딕만과 루이스 골드버그가 발전시켰으며, 일부에 의해 모든 성격 특징들의 이면에 있는 기본 구조를 나타낸다고 여겨진다.

도 4에 도시된 바와 같이, 5대 성격 특징들(400)은 일반적으로 다음과 같이 설명된다:

- 경험에 대한 개방성(창조적/호기심 대 일관성/조심성)(401)

- 성실성(효율적/조직적 대 느긋함/부주의함)(402)

- 외향성(발산/활력적 대 고립성/내성적)(403)

- 우호성(친절함/동정적 대 도전적/분리적)(404)

- 신경성(민감성/신경성 대 안전함/확신성)(405)

성격관상학자들에 의한 다음의 특성 연구를 포함하여, 수많은 다른 성격 연속체들이 있다. 이들은 이에 제한되는 것은 아니나, 다음을 포함한다:

- 마키아벨리즘: 종종 이중성을 통해 다른 사람들의 행동을 조작하는 개인을 말한다. 마키아벨리안들은 종종 돈과 권력에 관심이 있고, 이 퀘스트에서 다른 사람들을 실용적으로 사용한다.

- 성취욕구: 성취가 절실한 사람들은 많은 것을 성취하고 스스로에 대한 우수성의 높은 기준을 설정하기를 원한다. 그들은 먼 목표를 위해 지속적이고 열심히 일할 수 있다.

- 인지욕구: 인지욕구가 높은 사람들은 사물을 이해하는 것에 보람을 느끼고 이 퀘스트에서 상당한 인지적 노력을 기꺼이 사용한다. 이러한 개인들은 배우고 새로운 것을 이해하려는 과정을 즐긴다.

- 권위주의: 권위주의자들은 위의 사람들에게 전적으로 순종하고 부하들로부터 완전한 순종을 기대하는 엄격한 사회 위계를 믿는다. 규칙들을 엄격하게 준수하는 권위주의적 성격은 불확실성에 매우 불편하다.

- 나르시시즘: 자기애적 성격은 자기애가 너무 강해서 높은 수준의 허영심, 자만심, 및 이기심을 낳는다. 자기애적 개인은 종종 다른 사람에게 공감하거나 다른 사람에게 감사하는 데에 문제가 있다.

- 자존감: 자신을 긍정적으로 평가하는 경향. 자존감은 자신이 다른 사람보다 낫다고 믿는 것을 의미하는 것이 아니라, 단지 자신이 가치 있는 사람이라는 것을 의미한다.

- 낙관주의: 미래에 긍정적인 결과를 기대하는 경향. 낙관적인 사람들은 좋은 일이 일어나기를 기대하고 그로 인해 종종 더 긍정적인 결과들을 얻음.

- 실감정증: 자신의 감정을 인식하고 분류하는 능력이 없다. 이러한 사람들은 다른 사람들의 감정을 인식하는 데 어려움을 겪는다.

분명한 것은, 이러한 성격 특성들은 성향들이다. 이들은 결정적(또는 "규범적")인 것은 아니다. 따라서, 마이어스 브릭스 용어의 ISTJ는 ENFP보다 장바구니를 이중 확인할 가능성이 80 % 더 높다. 이러한 경향들은 기본 레벨에서 IS가 다양한 사회적 상황들에서 반응하는 방식에 영향을 미칠 것이다. 일부 실시예들에서, IS의 기본 성격은 기본 성격 요소들을 축으로 사용하여 다중 축들을 따라 연속체에 설정될 수 있다.

예를 들어 제한 없이 "크리스?"라는 IS 엔티티를 생성한다고 가정한다. 이는 성격에 영향을 미치기 때문에 우리는 젠더와 성적 선호도를 선택할 수 있지만, 더 많은 것이 있다. 예를 들어, 마이어스 브릭스를 기본 성격 접근 방식으로 사용하여, 우리는 크리스가 75 % 외향성, 25 % 내향성; 43% 감각형, 57%; 직관형; 27% 사고형, 73% 감정형 및 48% 판단형, 52% 인식형이라고 결정할 수 있다. 유사한 파라미터들이 5대 요소 접근 방식에 사용될 수 있다. 크리스는 경험에 대한 개방성 척도가 38 %, 성실성 척도가 72 %, 외향성 척도가 81 %, 신경증 척도가 22 %일 수 있다. 다른 실시예에서, 우리가 창조한 성격들은 마키아벨리니즘, 성취욕구, 인지욕구, 권위주의, 나르시시즘, 자존감, 낙관주의 실감정증 및 AI 행동 분석의 결과로 밝혀진 성격관상학자들 또는 다른 사람들에게 알려진 것들과 같은 다른 연속체들에 따른 척도들을 가질 수 있다.

이 모든 것이 기본 성격 유형(500)이 되며, 이는 도 5에 도시된 바와 같이 상황별 기준(501)의 일부이다. 이 완전한 상황별 기준(501)은 IS가 현재 관계로 가져오는 것이다. 기본 성격 유형 외에 두 가지 구성 요소가 있다. 우선, 사람들이 자라나는 환경은 행동, 즉 발달 필터(502)의 영향을 받는다. 이는 출생 이후 사람의 발달에 영향을 미쳤을 수 있는 모든 것 - 가족과의 관계, 사람이 양육된 문화, 정치 환경, 심지어 날씨 - 을 포함한다. 사람들은 또한 그 사람들과 및 그들 주변 사물들과의 관계인, 관계 필터(503)에 의해 영향을 받는다. 이는 그 사람이 말하고 있는 것들 및 이들과 그 사람의 이력을 포함한다. 예를 들어, 관계의 영향은 다른 사람과의 상호 작용이 사무실, 리조트, 누군가의 집 등에서 이루어지는지 여부에 따라 달라질 수 있다.

일부 구현예들에서, 성격 유형의 표현은 16개의 기본 성격 구성 요소들을 가질 수 있으며 각각에 관련된 두 가지 요인들을 가질 수 있다. 요인 1)은 IS가 한쪽 또는 다른쪽에 얼마나 강한 지에 따라 100 %까지 척도를 기준으로 각 성격 요소의 크기로서, 예를 들어 이들은 74 % 내향성, 25 % 나르시시즘, 17 % 판단형, 49 % 마키아벨리안 등이다. 요인 2)는 주어진 상황 내에서 16 가지 성격 구성 요소들 각각의 중요성의 가중치로서, 예를 들어, 당면한 작업에 대한 나르시시즘 또는 사고형 또는 경험에 대한 개방성이 얼마나 중요한가 하는 것이다. 그러나, 본 개시의 양태들은 이러한 구현예들에 국한되지 않는다.

그런 다음, 이 상황별 기준은 시각(505), 청각(506), 후각(507), 미각(508) 및 촉각(509)의 감지 입력(504)에 의해 영향을 받는다. 그런 다음, 이러한 입력들은 기준 인지 반응(511)을 생성한 감정 판독 필터(510)에 의해 판독된다. 그런 다음, 이러한 반응들은 행동별 함수 알고리즘(512)으로 공급된 다음, 감지 출력(513)을 생성한다.

발전 필터

본 개시의 양태들에 따르면, IS는 인간의 행동을 모방하도록 설계되어, IS의 이력이 생성될 수 있도록 할 수 있다. 시나리오 작가가 대본을 쓸 때, 이들은 일반적으로 캐릭터를 만든 것을 설명하는 "바이블"이 있다. 대본은 캐릭터가 태어난 곳을 언급하지 않을 수도 있지만, 캐릭터가 아이오와의 농장에서 자랐는지 맨해튼 타운하우스에서 자랐는지 아는 것은 그 캐릭터가 행동하는 방식과 그에 따라 배우가 해당 캐릭터를 연기할 방식에 큰 영향을 미친다. 동일한 방식으로, 발전 필터는 IS에 대한 캐릭터 바이블이다. 예를 들어, 행복한 결혼 생활은 불행한 결혼 생활에 있는 것 및 불행했던 첫 번째 결혼 후 행복한 두 번째 결혼 생활에 있는 것과는 매우 다르게 사람의 행동에 영향을 미친다.

도 6에 도시된 바와 같이, 발전 필터(600)에 영향을 미치는 요인들은 몇 가지 핵심 버킷들로 세분될 수 있다. 유아기 발달(602)은 가족 요소들(크기, 형제자매, 부모 등), 교육, 재정 상황, 건강 등과 같은 것들을 포함한다. 다음은 현재 관계 이력(603)에 대한 데이터이며, 또한 우리는 교육 데이터(604), 작업 이력(605) 및 해당 분야의 전문가에 의해 관련되는 것으로 결정될 임의 개수의 기타 요인들(606)을 추적할 수 있다.

본 개시의 양태들에 따르면, 지능형 시스템은 다양한 종류의 인공 지능(딥 러닝, 컨볼루션 신경망, 생정적 대립쌍 신경망 등)을 사용하여 트레이닝될 수 있으며, 본질적으로 다른 기계들의 학습을 즉시 제공할 수 있어, 이해의 깊이가 기하급수적으로 증가할 것이다. 임의의 여러 IS 간의 상호 작용들은 인간 역사의 실제 상호 작용과 비교되고 미세 조정될 수 있다. 테스터들은 IS에 대해 다른 성격들을 선택하고 이들을 실행하여 성능 차이를 확인할 수 있다. 모든 인간을 완전히 정확하게 표현할 필요는 없으며, 몇 가지 문서화된 인간 상호 작용 이력만으로도 충분할 수 있다는 점에 유의해야 한다.

관계 필터

다음은, 도 7에 도시된 바와 같이, IS(700)와 사람(701) 또는 사람(702) 및 상호 작용하는 장소(703, 704, 705)와의 관계이다. 이 공간에는 많은 심리적 분석이 있었다. 본 개시의 양태들에 따르면, 기술적 관계 데이터의 코퍼스는 심리 설문 조사로부터 생성될 수 있다. 심리 설문 조사는 예를 들어 제한없이 다음과 같은 질문들에 답할 것이다: 부하 직원과는 반대로 상사와 관계될 때 어떤 기분이 드는가(이는 기본 성격 유형에 의해 영향을 받을 것이다 - 그들은 규약을 지키는 사람인지 아니면 평등주의자인지)? 다른 가족 구성원들을 어떻게 되는지? 사람은 유전학에 대해(예를 들어, 함께 자라지 않았지만 방금 만난 친척에 대해) 어떻게 느끼는지? 환경은 어떠한지? 사무실 환경에서 가장 편안한지, 아니면 술집이나 누군가의 집에서 더 편안한지? 대화 상대가 키가 작거나 뚱뚱하다면, 우월함을 느끼거나 잘난 체하는지? 그들이 눈을 잘 맞추는지? 그들이 물리적 단서에 얼마나 민감한지? 환경의 소음은 어떠한지? 일부 구현예들에서, 설문 조사는 설문 조사 참여자에게 각 문제에 대해 그들이 어떻게 느끼는지에 대한 가중치와 크기를 정의하도록 요청하는 질문을 포함할 수 있다. 다른 실시예들에서, 가중치 및 크기는 인간들에 의해 답변된 심리 설문 조사 모음으로부터 통계적으로 개발된다.

행동별 마스크들

모든 행동별 반응에는, 무한한 수의 반응들이 있다. 동일한 상황에서, 각기 다른 사람들은 각기 다르게 반응할 것이다. 가능한 영향을 주는 영역 중 일부가 도 8에 도시되어 있다. IS(801)는 비즈니스 협회, 낭만주의 매력, 지적 관심사 또는 취미에 대한 사랑, 그들이 성장한 곳, 성장한 가족 환경은 어떠한지, 그들의 건강 이력은 어떠한지, 관계 이력, 그들의 심리적 유형 및 성향들을 어떠한지와 같은 것들을 포함하는 사람(802)과 관계가 있다.

임의의 특정 IS는 특정 반응들을 가리도록 설계되어야 한다. IS는 다른 사람을 보호하거나 자기 방어를 하는 경우를 제외하고는 폭력을 가리도록 설계되어야 하지만 여전히 해를 끼치지 않는다. 이러한 관계 필터들 또는 행동별 마스크들은 생활사를 기반으로 한 일반화된 경향이며 배경과 유전학을 기반으로 가장 중요하다. 일부 배경은 최근일 수 있고, 일부는 더 오래된 것일 수 있으며, 표면 아래에 더 근본적인 것일 수 있다.

행동별 함수들

여기는, 도 9의 높은 레벨로 도시된 바와 같이, 선행 계층들을 수행하는 곳이다. 기본 성격 요소들(900), 발달 필터(901), 관계 필터(902) 및 행동별 마스크(903)은 이들을 당면한 태스크 반응(905)에 대한 연산자들로 사용한다. 태스크는 예를 들어 제한없이; 대화 시 질문에 답하기, 방금 말한 사람보기, 항목 구매할지 말지 여부를 결정, 첫 번째 선택이 이용 가능하지 않은 경우 다른 레스토랑이나 시간 또는 날짜를 선택, 쇼핑객에게 대체물을 제공 또는 기본적으로 오늘날 인간이 할 수 있는 모든 반응일 수 있다. 한 가지 핵심 질문은 "우리는 어떻게 인간이 반응하기를 원하는가?"이다. 인간들은 합리적 행위자들이 아니며, 본 개시의 양태들에 따르면 IS는 비합리성을 모방하도록 구성될 수 있다. 예를 들어, 그리고 제한 없이, 누군가가 화가 났지만 그에 대항할 수 있는 것이 아무것도 없다고 가정한다. 아마도 그 사람은 방금 비행기를 놓쳤고 지금은 제 시간에 결혼식에 갈 수 없을 것이다. 이성적인 배우라면, 이에 대해 할 수 있는 일이 없고 모든 옵션들이 조사되었으며 가장 좋은 것은 사과 문자를 보내는 것이라고 말할 수 있다. 그러나, 인간 행위자는 “오 마이 갓, 실망이야! 우리가 도울 수 있는 방법을 생각해 보자. 먼저 제 시간에 도착할 수 있는 다른 방법이 있는지 살펴보자.”라고 말할 수 있다. 적절한 멈춤과 더 많은 공감 후에, 그들은 “그들이 다음날 아침에 신혼 여행을 떠나는 작별 인사를 하기 위해 나타나거나 그냥 쪽지나 문자를 보냈으면 좋겠다고 생각할까?”라고 말할 수 있다. 포인트는 인간들이 결과에 대해 그들이 하는 것만큼 프로세스에 훨씬 많은 관심이 있다는 것이다. 따라서, IS는 프로세스 인식을 제공하는 적절한 행동별 함수 계층(904) 파라미터를 제공함으로써 인간 반응들을 모방하도록 설계될 수 있다.

다른 예로서, 매장에서 시계 가격을 책정한다고 가정하자. 인간은 "앵커링"으로 알려진 인지 편향의 영향을 받는다. 일 예로서, 한 항목의 가격이 매우 비싸면 실제로는 여전히 비싸더라도 다른 항목이 더 합리적으로 보이게 한다. 행동별 함수 계층(904)에서 적절한 마스크들 또는 필터들을 갖는 IS는 아래에서 논의되는 바와 같이 인간 편향으로 반응하도록 개발될 수 있다.

인간들은 인간을 만드는 것의 일부인 인지 편향들로 가득 차 있다. 인간들은 선택을 하거나 가치를 결정하기 전에 모든 요인들을 합리적으로 분석한다고 믿지만, 진실은 첫 번째 인식이 마음에 남아 미래의 인식과 결정에 영향을 미친다는 것이다. 또 다른 인지 편향은 “작화증”이다. 사람들은 자신이 자신에게 거짓말을 할 때를 안다고 믿지만 우리가 무의식 속에서 형성된 아이디어로부터 받는 끊임없는 넛징을 인식하지 못한다. 행동 심리학은 적어도 다음과 같은 명명된 편향들을 입증한 연구로 가득 차 있다:

프라이밍, 작화증, 사후 확신 편향, 명사수의 오류, 미루기, 정상성에 대한 편향, 자성, 가용성 휴리스틱, 방관자 효과, 더닝 크루거 효과, 아포페니아, 브랜드 애호도, 권위에 호소하는 논증, 무지에 근거한 논증, 허수아비 공격의 오류, 인신공격의 오류, 공평한 세상의 오류, 공공재 게임, 최후통첩 게임, 주관적 검증, 컬트 인독트리네이션, 집단 사고, 감정 휴리스틱, 던바의 법칙, 매진, 자기 위주 편향, 조명 효과, 제3자 효과, 카타르시스, 순응, 소거 격발, 수퍼노멀 릴리서들, 기본적 귀인 오류, 대표성 휴리스틱, 소셜 로핑, 학습성 무기력, 앵커링 효과, 자기 충족적 예언, 순간, 통제의 환상, 일관성 편향 및 기대.

제한없이 몇 가지 간단한 예들만으로도 이것이 일반적으로 어떻게 작동하는지를 입증하기에 충분할 것이다. 더닝 크루거 효과의 예를 들어보자. 더닝 크루거 효과는 사람들이 자신의 인지 능력을 그보다 더 큰 것으로 잘못 평가하는 인지 편향이다. 이는 환상적 우월성의 인지 편향과 관련이 있으며 사람들이 자신의 능력 부족을 인식하지 못하는 데서 온다. 학습 보조자로 설계된 IS의 경우, 더닝 크루거 효과와 같은 인지 편향을 추가하면 IS가 사용자와 더 관련이 있고 학습을 더 즐겁게 만들 수 있다. 예를 들어 한 사람이 자바스크립트로 프로그래밍하는 법을 배우고 있으며 모든 질문에 답할 수 있는 전문 프로그래머가 있다고 가정하자. 그러나, 이는 공유된 발견에서 비롯되는 것(프로그래밍 포함)을 배우는 기쁨 때문에 재미가 없다. 더닝 크루거 효과 편향이 있는 IS는 그 사람의 순진한 열정을 공유할 것이다. 이는 모든 태스크에도 해당될 것이다. 제한이 아닌 예로서, 농구를 배우는 것을 고려해 보자. a) 항상 모든 바스켓을 만든 사람 또는 b) 자신의 단점들을 고통스럽게 알고 있는 사람과 플레이하면 재미가 없을 것이다. 자유투나 슬램 덩크를 할 수 있는 실제 가능성을 냉정하게 계산할 수 있는 기계보다는 약간의 인간적 격려와 능력 개발에 대한 순수한 믿음을 공유하는 것이 더 흥미롭다.

사후 과잉 확신 편향은 사람들이 이미 발생한 사건을 사건이 발생하기 전에 실제보다 더 예측 가능하다고 인식하는 경향을 말한다. 이 경우에, 완벽한 기억력과 지각력을 갖는 IS는 그것이 얼마나 자주 사건을 정확하게 예측했는지 정확히 알고, 날씨가 악화될 것이라고 말할 것이다. 물론, 인간은 온도 변화, 아마도 기압("내 관절염이 작용하고 있다") 등의 느낌을 기반으로 예측을 한다. 내일 비가 올 것이라고 예측하고 비가 오지 않을 것이라고 예측하는 사람은 예측한 것을 잊고 있지만, 비가 오면 “내 그럴 줄 알았다!"라고 기억하고 말할 것이다.

도 10은 이 지점까지의 전체 스택을 예시한다. 상황(1000)은 상황별 기준(기본 성격 요소들, 발달 필터 및 관계 필터)과 행동별 마스크로 만들어지며, 이들은 프라이밍, 작화증, 정상성에 대한 편향 등과 같은 행동별 함수들(1001)을 통해 필터링되고 반응(1002)을 작성한다.

IS는 다음과 같은 결정을 내릴 수 있다. 인지 편향은 예를 들어, 다음과 같은 함수로 설명될 수 있다: 행동 f(사후 과잉 확신 편향) = (축 #1에서 프로그래밍된 경험 정도) (축 #2에서 n에 프로그래밍된 경험 정도) (각 축의 고유한 이벤트 예측 가능성). 예를 들어, 선원의 경우 프로그래밍된 경험 정도는 선원이 해변의 날씨 축에서 경험하거나 선원이 사막에서 일기 예보를 경험한 것과 관련이 있다. IS 시스템 관점에서, IS는 기본 성격 요소들(마이어스 브릭스, 유전적 구성, 젠더 등)를 의미하는 - "상황"에 의해 준비되었다. 발전 필터(문화 및 사회적 양육)에 의해 수정된 다음, 행동별 마스크들(관련된 사람들과의 나의 현재 관계, 사회 위계 등)에 의해 추가로 수정된 관계 필터(사람 및 환경에 대한 장기적인 관계)에 의해 맥락화된다). 이는 함수, 예를 들어 행동 f(사후 과잉 확신 편향)가 작동하는 기본적인 맥락을 만들었다.

본 개시의 맥락 내에서 지능형 시스템들을 논의할 때, 인지 편향, 행동별 편향이라고 부르는 것이 더 타당하다. 이러한 행동별 편향들을 모방하도록 IS를 트레이닝시키는 것이 이후 섹션에서 논의될 것이다.

기계 학습을 사용하여 IS를 트레이닝하는 방법을 살펴보기 전에, 도 11에 도시된 바와 같이 전체 스택을 자세히 살펴보는 것이 유용하다. 우리 행동에 가장 낮은 레벨의 입력은 DNA(1100)이다. DNA가 성격에 영향을 미치는 방법은 IS를 위해 특별히 생성된 여러 요인들 또는 IS를 모델로 삼는 사람과 관련된 요인들에 따라 달라진다. DNA(1100) 바로 위에는 초기 발달(1101)을 기반으로 IS가 패턴화되는 방법이다. 초기 발달 단계에서 일어나는 일들(학대, 극심한 빈곤, 완전한 사랑 등)은 사람들을 매우 깊고 일반적으로 영구적으로 형성하며 IS의 성격에도 영향을 미칠 것이다. 같은 기간에(그리고 더 낮은 수준으로 계속됨) 유전적 요인과 환경적 요인의 조합으로 행동을 제어하는 유전자 조절(1102)이 있다. 그 위에는 상황별 기준(1103)을 구성하는 - 먼저 기본 성격 요소들(1104)로 구성되고, 그 다음에는 발달 필터(1105) 및 관계 필터(1106)로 구성됨 - 요소들이 있다. 스택 위로 더 올라가면 행동 편향(1108)을 분석하고 이러한 편향을 개인(1109)과 환경 또는 행동 및 선택(1110)에 전가시키는 행동 마스크들(1107)이 있다. 이 모든 데이터로부터 행동을 생성하는 데 행동 함수들(1111)이 사용될 수 있다. 이 후, 시스템이 그 경험으로부터 계속 학습함에 따라 함수들을 기반으로 한 상호 작용의 결과들이 행동 마스크들로 다시 피드백된다.

페르소나

각 ISI는 성장 또는 발전 경로가 있다. 이 경로는 다수의 핵심 포인트들이 있지만 한 포인트는 대체 불가능하게 되는 지점 - 즉, 이들이 처음으로 인간과 상호 작용할 때 - 이다. 예를 들어, 그리고 제한 없이, 개인(컨시어지) 고객 관리 담당자인 데일이라는 IS가 있다고 가정해 보자. 데일은 모든 제조업체의 모든 고객 기기에 걸쳐 개별 고객의 전체 고객 관리 이력을 알고 있다. 데일은 상황별 기준을 통해 발전된 성격을 가지고 있다. 고객은 다수의 상황별 기준에서 선택하거나 성격 프로필에 기초하여 그들에 대해 하나를 선택할 수 있었다. 이제, 앞으로 나아가 고객과 IS와의 상호 작용을 기반으로, 그들의 성격이 발전할 것이다. 1 년 후, 데일은 고객이 채팅을 좋아하든, 곧바로 업무를 시작하든, 물론 고객의 모든 구매 및 지원 내역에 대해 고객이 재미있다고 생각하는 것이 무엇인지 알 것이다. 이는 개별 고객만을 위한 페르소나이다. 다른 인간 고객이 동일한 상황별 기준을 가진 담당자로 시작하는 경우, 해당 고객의 "데일" IS 인스턴스는 오랫동안 동일하게 유지되지 않을 것이다. IS가이 이 고객과 상호 작용할 때, 관계는 데일과 첫 번째 고객의 관계와 다르게 발전할 것이다. 본 개시의 목적을 위해, 상황별 기준 (또는 우리의 버진 성격들)을 통해 개발된 페르소나는 본원에서는 기준 페르소나라 지칭되며,"인간 상호 작용에 의해 맞춤화된" 각 페르소나는 ISI(지능형 시스템 인스턴스)이다. 두 명의 고객들이 결혼하여 모든 그들 장치들과 개인 고객 관리 계약을 공유하는 경우, 지원 페르소나를 공유해야 한다는 의미는 아니다. 한 배우자의 지원 페르소나는 여전히 데일이고 다른 배우자의 지원 페르소나는 여전히 알렉스(두 배우자들이 서로 만나기 전에 다른 배우자에 대한 지원 페르소나)이지만 데일과 알렉스는 둘 다 두 명의 배우자에 대한 모든 집단 장치 이력에 대한 액세스를 가질 것이지만 전화하는 사람에 따라 데일 또는 알렉스가 전화의 다른 끝에 있을 것이다. 본 개시의 양태들은 두 배우자들이 데일 및 알렉스 모두 전화로 동시에 컨퍼런스 콜을 하고 성격들이 자연스럽게 혼합되는 구현예들을 포함한다. 따라서, IS는 당신과 당신의 아내를 위한 "향상된" 고객 지원 경험을 생성한다.

도 12에 도시된 바와 같은 데이터 관리를 위한 본 개시의 양태들에 따르면, 기준 페르소나(1200)의 저장소 또는 즉석에서 기준 페르소나를 생성하는 요소들이 있으며, 각각의 새로운 상황에서 하나의 기준 페르소나로부터 IS 인스턴스(1201)가 생성된다. 이 인스턴스는 각 상호 작용 후에 저장 및 업데이트되거나 이전 상호 작용의 파라미터들을 기반으로 필요할 때마다 동적으로 다시 생성될 수 있다. 일부 실시예들에서, IS 인스턴스들은 레이턴시를 없애기 위해 제한된 기간 동안 캐시되지만 파라미터들은 저장되므로, 장기간 오프라인 상태이더라도 중단된 위치에서 정확하게 재구성될 수 있다.

지능형 시스템의 트레이닝

기계 학습(딥 신경망, 기계 학습, CNN들, RNN들, GAN들 등)은 구현될 수 있다. 이러한 행동별 편향들을 포착하고 분류한 다음 "인간 행동" 시 이를 모방하도록 구현될 수 있다. 도 13을 보면, 기본 성격(1300)의 다른 계층들 중 일부는 발전 필터, 관계 필터 및 행동별 마스크들 위에 논의되었다. 인간 인지 행동을 매핑하는 다음 계층은 행동별 편향을 매핑하는 것이다. IS가 인간으로 행동하도록 트레이닝하기 위해, 취할 수 있는 다수의 단계들이 있다. 행동 수집(1301)은 인지 편향들(1302)에 대한 우리가 갖고 있는 지식을 기반으로 심리학자들에 의해 구축된 전문가 시스템으로 시작한다. 이는 인간 세계와 인간/IS 가상 세계 둘 다에서 관찰 가능한 행동별 데이터(1303)에 의해 증강되고, 강화되고 대부분 대체된다. 관찰 가능한 행동별 데이터는 인간 세계의 대화를 관찰함으로써 생성될 수 있다. 인지 편향들 및 심리적 프로필의 모델을 기반으로 특정 대화 설정에서 사람이 어떻게 반응할지에 대한 기대가 있으며 반응이 모델과 다를 때 모델이 업데이트된다. 이 상황에서, 대화 설정은 알려진 심리학을 가진 인간들 간의 대화를 수동적으로 관찰하여 생성되거나 인간과 IS 간의 대화를 통해 능동적으로 생성될 수 있다. IS는 알려진 심리적 프로필을 가진 인간과 주제를 제공하거나 논의하고 예측된 반응들을 기반으로 인간의 반응을 측정할 수 있다. 예측 모델은 실제 인간 반응들에 기초하여 업데이트될 수 있다. 다음으로, 행동 분석은 인지 편향들(1304)에 매핑된다. 결과적인 행동별 편향들은 그들이 특정 유형의 개인(1305)(위의 모든 계층들을 기반으로 함)인 경우 IS가 반응하는 방식과 이들이 다른 행동들 및 선택들(1306)에 어떻게 적용되는지를 전가하는 데 사용된다. 개별 행동별 기대(1305)와 환경 선택(1306)의 조합은 IS의 행동별 편향(1307)을 생성하는 함수로서 적용된다. 함수들(1308)의 행동 및 작업이 관찰될 수 있고 학습이 관찰 가능한 행동 데이터(1303)로 다시 피드백된다. IS의 인스턴스들이 작동되면, GAN(생성적 대립쌍 신경망)으로 서로 트레이닝을 시작하여 진화를 계속할 수 있다.

일반 신경망 트레이닝

본 개시의 양태들에 따르면, IS 시스템은 여러 다른 유형의 신경망들 중 하나 이상을 포함할 수 있으며 많은 다른 계층들을 가질 수 있다. 제한이 아닌 예로서, 분류 신경망은 하나 또는 다중 컨볼루션 신경망(CNN), 반복 신경망(RNN) 및/또는 동적 신경망(DNN)으로 구성될 수 있다.

도 29a는 노드들(2920)의 계층을 갖는 RNN의 기본 형태를 도시하는 것으로, 그 각각은 활성화 함수(S), 하나의 입력 가중치(U), 반복적 은닉 노드 전이 가중치(W) 및 출력 전이 가중치(V)를 특징으로 한다. 활성화 함수(S)는 당업계에 알려진 임의의 비선형 함수일 수 있으며 (쌍곡 탄젠트(tanh)) 함수로 제한되지 않는다. 예를 들어, 활성화 함수(S)는 S상(Sigmoid) 또는 ReLu 함수일 수 있다. 다른 유형의 신경망과 달리, RNN들은 전체 계층에 대해 하나의 활성화 함수 및 가중치 세트를 갖는다. 도 29b에 도시된 바와 같이, RNN은 시간 T 및 T+1을 통해 이동하는 동일한 활성화 함수를 갖는 일련의 노드들(2920)로 간주될 수 있다. 따라서, RNN은 이전 시간 T로부터 현재 시간 T+1로 결과를 공급함으로써 이력 정보를 유지한다.

일부 실시예들에서, 컨볼루션 RNN이 사용될 수 있다. 사용될 수 있는 또 다른 유형의 RNN은 입력 게이트 활성화 함수, 출력 게이트 활성화 함수 및 망각 게이트 활성화 함수를 갖는 RNN 노드에 메모리 블록을 추가하는 장단기 메모리(Long Short-Term Memory; LSTM) 신경망으로서, 이는 본원에 참조로서 병합된, 호크레이터 및 슈미트허버에 의한 "장단기 메모리" 신경 계산 9(8):1735-1780 (1997)에 의해 설명된 바와 같이, 네트워크가 더 긴 기간 동안 일부 정보를 유지할 수 있도록 한다.

도 29c는 본 개시의 양태들에 따른 CRNN과 같은 컨볼루션 신경망의 예시적인 레이아웃을 도시한다. 이 도면에서, 컨볼루션 신경망은 높이가 4 단위이고 너비가 4 단위의 크기를 갖는 입력(2932)에 대해 생성되어 총 면적이 16 단위로 주어진다. 도시된 컨볼루션 신경망은 스킵 값이 1인 높이가 2 단위이고 폭이 2 단위의 크기인 필터(2933) 및 크기 9의 채널(2936)을 갖는다. 명확성을 위해, 도 2c에는 채널들의 제1 열과 그 필터 윈도우들 간 연결부들(2934)만이 도시된다. 그러나, 본 개시의 양태들은 이러한 구현예들에 국한되지 않는다. 본 개시의 양태들에 따르면, 분류법(2929)를 구현하는 컨볼루션 신경망은 임의 개수의 추가 신경망 노드 계층들(2931)을 가질 수 있으며, 임의 크기의 추가 컨볼루션 계층, 완전 연결된 계층들, 풀링 계층들, 최대 풀링 계층들, 국부 대비 정규화 계층들 등과 같은 이러한 계층 유형들을 포함할 수 있다.

도 29d에서 볼 수 있듯이, 신경망(NN)을 트레이닝하는 것은 NN(2941)의 가중치 초기화로 시작한다. 일반적으로, 초기 가중치는 랜덤으로 분배되어야 한다. 예를 들어, 탄젠트 활성화 함수가 있는 NN은

과

사이에 분포된 랜덤 값들을 가져야 하며, 여기서, n은 노드에 대한 입력들의 수이다.

초기화 후 활성화 기능과 옵티마이저가 정의된다. 그런 다음, NN에 특징 벡터 또는 입력 데이터 세트가 제공된다. 각기 다른 특징 벡터들 각각은 알려진 라벨들이 있는 입력들로부터 NN에 의해 생성될 수 있다. 마찬가지로, NN은 알려진 라벨링 또는 분류법을 갖는 입력들에 대응하는 특징 벡터들이 제공될 수 있다. 그런 다음, NN은 특징 또는 입력(2943)에 대한 라벨 또는 분류법을 예측한다. 예측된 라벨 또는 등급은 알려진 라벨 또는 등급(지상 검증이라고도 함)과 비교되고 손실 함수는 모든 트레이닝 샘플들(2944)에 대한 예측들과 지상 검증 간 총 오류를 측정한다. 제한이 아닌 예로서, 손실 함수는 교차 엔트로피 손실 함수, 2차 비용, 삼중항 대조 함수, 지수 비용 등일 수 있다. 목적에 따라 여러 가지 다른 손실 함수들이 사용될 수 있다. 제한이 아닌 예로서, 트레이닝 분류기들의 경우, 교차 엔트로피 손실 함수가 사용될 수 있는 반면, 사전 트레이닝된 임베딩 학습의 경우 삼중항 대조 함수가 사용될 수 있다. 그런 다음, NN은 손실 함수의 결과를 사용하고 적응적 기울기 하강 등의 역전파와 같은 신경망에 대한 알려진 트레이닝 방법들을 사용하여 최적화되고 트레이닝된다(2945). 각 트레이닝 시기에서, 옵티마이저는 트레이닝 손실 함수(즉, 총 오류)를 최소화하는 모델 파라미터들(즉, 가중치들)을 선택하려고 한다. 데이터는 트레이닝, 검증 및 테스트 샘플들로 분할된다.

트레이닝 동안, 옵티마이저는 트레이닝 샘플들의 손실 함수를 최소화한다. 각 트레이닝 시기 후에, 검증 손실 및 정확도를 계산함으로써 검증 샘플에서 모드가 평가된다. 큰 변화가 없으면, 트레이닝이 중단될 수 있고 테스트 데이터의 라벨들을 예측하는 데 결과적인 트레이닝된 모델이 사용될 수 있다.

따라서, 신경망은 이러한 입력들을 식별하고 분류하기 위해 알려진 라벨들 또는 분류범들을 가진 입력들로부터 트레이닝될 수 있다. 마찬가지로, NN은 알려진 라벨 또는 분류법을 갖는 입력들로부터 특징 벡터를 생성하기 위해 설명된 방법을 사용하여 트레이닝될 수 있다.

생성적 대립쌍 NN 트레이닝

생성적 대립쌍 NN(GAN) 레이아웃을 트레이닝 하려면 도 30과 같이 두 개의 NN이 필요하다. 2개의 NN은 소스 반응(3001)과 타겟 반응(3005)으로부터 합성 소스 반응(3005)을 생성하는 제1 NN(3002)과 반응(3006)을 타겟 반응(3004)으로 분류하거나 그렇지 않은 것으로 분류하는 제2 NN이 서로 반대로 설정된다. 제1 NN(3002)은 제2 NN(3006)에 의해 만들어진 분류법을 기반으로 트레이닝된다(3008). 제2 NN(3006)은 분류법이 타겟 반응(3004)을 올바르게 식별했는지 여부를 기반으로 트레이닝된다(3009). 이하 생성적 NN 또는 G_NN으로 지칭되는 제1 NN(3002)은 입력 반응들(z)을 취하여 표현 G(z; θ_g)에 매핑한다.

제2 NN(3006)은 이하 변별적 NN 또는 D_NN이라고 한다. D_NN은 라벨이 지정되지 않은 매핑된 합성 소스 반응들(3006)과 라벨이 지정되지 않은 반응(x) 세트(3004)를 가져와서 타겟 반응 세트에 속하는 것으로 반응들을 분류하려고 시도한다. D_NN의 출력은 반응이 타겟 반응 세트(3004)에서 나올 확률을 나타내는 단일 스칼라이다. D_NN은 데이터 공간 D(x; θ_d)를 가지며, 여기서 θ_d는 NN 파라미터들을 나타낸다.

생성적 대립쌍 NN의 트레이닝 동안 사용되는 NN 쌍은 상기에 설명된 컨볼루션 네트워크와 유사하지만 각 계층이 완전히 연결되어 있는 다층 퍼셉트론일 수 있다. 생성적 대립쌍 NN은 다층 퍼셉트론에 국한되지 않으며, CNN, RNN, 또는 DNN으로 구성될 수 있다. 추가로, 대립쌍 생성적 NN은 임의 개수의 풀링 또는 소프트맥스 계층들을 가질 수 있다.

트레이닝 동안, G_NN(3002)의 목표는 D_NN의 반대의 결과를 최소화하는 것이다. 즉, G_NN은 log(1-D(G(z)))를 최소화하도록 트레이닝된다. 학습 초기에 D_NN이 타겟 반응 세트와 매우 다르기 때문에 높은 신뢰 수준으로 매핑된 입력 반응들을 거부하는 문제들이 발생할 수 있다. 결과적으로 방정식 log(1-D(G(z)))는 빠르게 포화되고 학습 속도가 느려진다. 이를 극복하기 위해, 초기에 G는 학습 초기에 훨씬 더 강한 기울기를 제공하고 동일한 고정된 역학 지점을 갖는 log D(G(z)))를 최대화함으로써 트레이닝될 수 있다. 추가로, GAN은 본원에 참조로서 통합된, https://arxiv.org/pdf/1703.10593.pdf (2018년 8 월 30 일)에서 이용 가능한, Zhu 등의 “주기-일치 대립쌍 신경망을 이용한 이미지에 페어링되지 않은 이미지 변환" ArXiv, ArXiv:1703.10593v5 [cs.CV]에서 논의된 매핑 결과들을 더욱 향상시키기 위해 주기 일치 손실 함수를 포함하도록 수정될 수 있다.

D_NN(3006)을 트레닝하는 목적은 트레이닝 데이터 세트에 올바른 레벨을 할당할 확률을 최대화하는 것이다. 트레이닝 데이터 세트는 매핑된 소스 반응들과 타겟 반응들을 모두 포함한다. D_NN은 트레이닝 데이터 세트의 각 반응이 타겟 반응 세트에 속할 확률을 나타내는 스칼라 값을 제공한다. 이와 같이 트레이닝 동안, 목표는 log G(x)를 최대화하는 것이다.

제1 및 제2 NN은 함께 제2 NN(3006)을 속이기 위한 반응을 생성하려는 제1 NN(3002)와 2 인용 미니맥스 게임을 형성한다. 게임의 방정식은 다음과 같다: min_G max_D V(D,G) = E_x~pdata(x) [log D(x)] + E_z~pz (z) [log 1- log D(G(z))]

G_NN과 D_NN은 D_NN을 최적화한 다음 G_NN을 최적화하는 단계적 방식으로 트레이닝된다. 이 프로세스는 판별기에서 더 이상 개선이 보이지 않을 때까지 여러 번 반복된다. 이는 트레이닝 반응이 매핑된 입력 반응일 확률(p_z)가 트레이닝 반응이 소스 반응일 확률(p_data)과 같을 때 발생한다. 즉, p_z = p_data 일 때 대안적으로 D(x)= ½이다. 일반적으로 신경망에 대해 상기에 논의된 것과 유사하게, G_NN과 D_NN은 미니배치 확률적 기울기 하강 또는 호환 가능한 신경망을 트레이닝하기 위한 임의의 다른 알려진 방법을 사용하여 트레이닝될 수 있다. 대립쌍 생성적 신경망의 트레이닝 및 구성에 대한 보다 많은 정보는 https://arxiv.org/abs/1406.2661에서 굿펠로우 등의 "생성적 대립쌍 망” arXiv:1406.2661을 참조하라.

전문가 시스템

전문가 시스템들은 일반적으로 순방향 체이닝 또는 역방향 체이닝을 사용한다. 본 개시의 양태들에 따르면, 전문가 시스템의 일부 실시예들은 순방향 체이닝을 사용할 수 있다. 추가로, 본 개시의 실시예들은 전문가 시스템의 개발 및 트레이닝을 지원하기 위해 전망 이론을 사용하고 합성 데이터 세트를 생성할 수 있다. 도 14에서 볼 수 있듯이, 초기에는 일련의 인지 편향들(1400)이 있다. 이 분야는 지속적으로 확장되고 있지만 현재 47개의 공통된 분야가 있다: 프라이밍, 작화증, 확증 편향, 사후 확신 편향, 명사수의 오류, 미루기, 정상성에 대한 편향, 가용성 휴리스틱, 방관자 효과, 더닝 크루거 효과, 아포페니아브랜드 애호도, 권위에 호소하는 논증, 무지에 근거한 논증, 허수아비 공격의 오류, 인신공격의 오류, 공평한 세상의 오류, 공공재 게임, 최후통첩 게임, 주관적 검증, 컬트 인독트리네이션, 집단 사고, 수퍼노멀 릴리서들, 감정 휴리스틱, 던바의 법칙, 매진, 자기 위주 편향, 조명 효과, 제3자 효과, 카타르시스, 오정보 효과, 순응, 소거 격발, 소셜 로핑, 투명성 착각, 학습성 무기력, 체화된 인지, 앵커링 효과, 주의, 자기 불구화, 자기 충족적 예언, 순간, 일관성 편향, 대표성 휴리스틱, 기대, 통제의 환상 및 기본적 귀인 오류. 상기 목록은 알려진 편향들의 분야가 현재 확장되고 있고 당업자에 의해 알려진 충분한 프로그래밍으로 임의 개수의 편향들이 추가될 수 있으므로 제한없이 제공된다는 점에 유의해야 한다. 이러한 편향들은 전문가들(1401)에 의해 확인된다. 그런 다음 (여전히 전문가들을 사용하여) 기준 값은 각 행동(1402)에 귀속된다. 그런 다음, 이러한 기준 값들은 기준 편향의 전문가 시스템 정량화의 데이터 저장소에 저장된다(1403). 궁극적으로, 이는 시스템이 시간이 지남에 따라 실제 동작에서 더 많은 것을 학습할 것이기 때문에 완전히 정확한지 여부는 중요하지 않지만 프로세스를 시작하고 동작을 볼 수 있는 렌즈를 제공하기 위해 기준이 필요하다.

전문가 시스템의 개발은 인지 편향을 결정하고 이를 상황별 환경들에 매핑하고 각 행동(1402)에 기준 값을 부여하는 것으로 시작한다. 예를 들어, 제한 없이: 아포페니아(관련되지 않은 것들 간의 연결과 의미를 잘못 인식하는 경향)에 대한 일부 기준 수치를 얻기 위해, 심리학자들은 우연의 일치(아는 사람을 만나거나 같은 반의 사람들이 같은 생일을 갖는다는 것을 발견하는 것을 말함)를 살펴보고 가장 흔한 100개의 우연의 일치들을 나열한다. 그런 다음, 심리학자는 통계 및 실험 데이터로부터 예상 가능한 놀라움 정도에 대한 각 사건의 가능성의 가중치를 결정한다. 이 통계 및 실험 데이터는 인간 피험자에 대한 조사 또는 관찰을 통해 생성될 수 있다. 이러한 매핑들은 기본 매핑- 어떠한 개인의 성격도 전혀 기반으로 하지 않고 일반적인 예상 반응들만을 기반으로 함 - 이다. 전문가 시스템들에 대해 좋은 것은 자연스럽게 가중치가 부여되어 결과가 이진 결과에 국한되지 않는다는 것이다. 예를 들어, 제한 없이, 고향에서 휴가 중 누군가를 만나는 것을 보라. 사회적 연결, 일반적인 미디어, 일반적인 사회적 행동, 기후 및 휴가 일정으로 인해, 공통 친구들을 공유하는 사람과 마주치는 것은 그리 드문 일이 아닐 수도 있지만, 항상 놀랍다. 예를 들어, 라스베가스의 큰 리조트에서, 확률은 봄 방학 동안 30번의 사회적 상호 작용마다 한 번 일어날 것이라고 제안할 수 있지만, 질문을 받았을 때 사람들은 100번 중 한 번 일어날 것이라고 제안했다. 따라서, 이 특정 아포페니아 사례의 경우, 3.33(100/30)의 "과잉 가능성 값"이 주어질 것이다. 일부 수(아마도 수십 개)의 아포페니아 예들이 수집되고 가장 일반적인 상황들에 대한 아포페니아 기준 세트가 예들에서 생성된다. 이들은 다른 모든 행동별 편향 기준 데이터로 저장된다. 그런 다음, 전문가 시스템이 인간에게 아포페니아가 적용될 수 있는 사회적 상황들에 직면할 때, 전문가 시스템은 상황에 적절한 기준을 적용한다. 각 행동 편향에 대한 전문가 시스템 기준을 정의하는 유사한 접근 방식을 사용할 수 있다.

기준 성격 생성

기준 성격에 미치는 영향을 계산하기 위해, 먼저 기준 성격의 상태를 알려주는 방법이 있어야 한다. 이를 위해, 각 매트릭스가 사회적 또는 심리적 도메인 내의 다수의 차원들이고 각 계층이 그 아래 계층에 작용하는 마스크 또는 함수인 일련의 매트릭스들이 사용된다. 도 15는 성격 기준(1500)을 구성하는 구성 요소들의 블록도를 도시한다. DNA, RNA, 젠더, 물리적 속성들, 마이어스 브릭스, 5대 요인, 성격 특성들로 구성된 베이스 계층(1501); 양육, 국가, 주, 시티, 지역, 종교, 문화, 가족 구조 등으로 구성된 문화 계층(1502), 조기 학습 환경, 육아, 학습 초점, 교육, 업무 경험 등으로 구성된 트레이닝 계층(1503), 국가, 타운, 물리적 환경 등으로 구성된 일반 환경 계층(1504) 및 사회 환경, 날씨, 시간 및 기타 관련 요소들로 구성된 특정 환경 계층(1505)이 있다.

각 매트릭스 내 데이터의 견고성과 관련하여, 설명들이 완전히 정확할 필요는 없다. 누군가가 나르시시즘의 척도로 13 %라고 설명되면, 그 숫자가 포인트가 아니기 때문에 그것이 정확한 숫자인지는 중요하지 않다. 목적은 성격 결과를 얻는 것이므로 시스템은 시간이 남에 따라 실제 행동별 결과들을 기반으로 성격 요인들을 정량화하고 시간이 지남에 따라 매트릭스들, 마스크들 및 함수들을 구성하는 다양한 파라미터들의 가중치를 조정하도록 학습할 것이다. 트레이닝 세트는 처음에는 전문가 시스템에 의해 설명되는 행동 분석이다. 전문가 시스템은 순방향 체인의 각 링크가 선행들에서 파생되는 선형이다. 그러나, 심리 시스템에는, 많은 요인들이 있으며 반드시 결정적이지는 않다. 대신에, 수백 개의 다른 추론적 요인들이 각 예상 행동과 관련될 수 있다. 예를 들어, 제한 없이, 나르시시즘의 구성 요소들은 다음과 같을 수 있다; 1) 과장된 감각의 자존감이 있다; 2) 자격이 있고 지속적이고 과도한 칭찬이 필요의 감각이 있다; 3) 우월함을 보증하는 업적 없이도 우월한 것으로 인정받을 것으로 기대한다; 4) 업적과 재능을 과장한다; 5) 성공, 힘, 탁월함, 아름다움 또는 완벽한 짝에 대한 환상에 사로 잡혀 있다; 6) 그들이 우월하다고 믿고 똑같이 특별한 사람들과만 어울릴 수 있다; 7) 대화를 독점하고 열등하다고 생각되는 사람들을 얕보거나 무시한다; 8) 특별한 호의와 그들의 기대에 의문의 여지가 없는 컴플라이언스를 기대한다; 9) 원하는 것을 얻기 위해 다른 사람들을 이용한다; 10) 다른 사람의 필요와 감정을 인식할 능력이 없거나 꺼려한다; 11) 다른 사람들을 부러워하고 다른 사람들이 그들을 부러워한다고 믿는다; 12) 거만하거나 거만하게 행동하며, 자만하고, 자랑스럽고, 가식적으로 대한다; 13) 모든 것의 최고를 고집한다. 사람이 이러한 모든 구성 요소들과 강한 연관성을 가지고 있다면, 이들은 확실히 자기애적이다. 그러나, 구성 요소들의 반을 적당히 가지고 있다면, 이들은 여전히 자기애적이지만 정도는 더 낮다. 심리적 프로파일이 알려진 사람, 이 경우 13 % 자기애적 사람에 대한 대화 분석이 수행될 수 있다. 일반적인 반응들과 단서들은 심리학자들에 의해, 처음에, 정의된 일련의 단서들을 사용하여 이러한 대화들로부터 결정될 것이다. 따라서, 나르시시즘의 정도에 대한 결정에 가중치를 두는 구성된 원리 세트가 구성되어 있다. 다른 모든 다른 심리적 구성 요소들에 대한 유사한 목록들이 구성된다. 13 %에 가까운 나르시시스트인 알려진 모든 성격들이 관찰될 수 있으며, 자신의 성격을 구성하는 다른 요인들이 무엇인지를 결정하고 다른 성격 특성들이 발견되면, 이들은 나르시시즘의 척도로 다시 매핑된다.

다음 요인들의 그룹들은 신경망의 입력 벡터들로 사용될 수 있다. 라벨이 성격 측정의 척도에 기초하는 일련의 행동들에 대한 라벨을 예측하도록 기계 알고리즘을 사용하여 트레이닝된 신경망은 성격 측정의 척도에 기초하여 요인들의 그룹들에 라벨을 붙이는데 사용될 수 있다. 그런 다음, 이러한 요인들을 생성한 언어(예를 들어, 원래 트레이닝 세트의 고양이)는 심리적 정의와 관련하여 어떤 언어가 어떤 경향들을 생성하는지 결정하는 데 사용된다. 그로부터, 다른 심리적 프로파일들에 해당하는 언어가 생성될 수 있다.

베이스 계층

베이스 계층의 제1 구성 요소는 DNA이다. 인간의 포괄적인 시뮬라크르는 인간의 성격에 영향을 미치는 모든 요인들 중 전부는 아니지만 많은 요인들을 포함하며 이는 유전적 구성을 포함한다. 본 개시의 양태들에 따르면, 베이스 계층의 DNA는 성격에 영향을 미치는 중요한 알려진 유전적 서열들 또는 성격에 영향을 미치는 유전적으로 예정된 조건들로 표현될 수 있다. 베이스 계층의 DNA에 대한 정보는 예를 들어 제한없이 신체적 젠더 및 젠더 정체성, 바디 유형, 조정, 시각 및 청각적 예민함 및 심장 질환 또는 당뇨병 경향과 같은 기타 신체적 프리미티브들과 같은 성격에 영향을 미치는 요인들일 수 있다. 난독증과 왼손잡이와 같은 정신 물리학적 프리미티브들도 있다. DNA 요인들은 베이스 계층 매트릭스의 첫 번째 차원일 수 있다. 이러한 유전자들은 RNA에 의한 전사 및 조절을 기반으로 자신을 발현하거나 발현하지 않을 수 있으므로 RNA는 베이스 계층 매트릭스의 다음 차원을 형성한다. RNA는 시간이 지남에 따라 그 자체를 다르게 표현하므로 - 대부분 삶의 초기 단계에서 - 동적 효과를 갖는다. 추가로, 초기 단계들은 사회학적 영향이 있는 동안, 일부는 모유 수유 또는 수면 트레이닝과 같은 발달 초기 단계에 있다. DNA 및 RNA와 관련된 매트릭스의 차원들은 유전학자에 의해 정의될 수 있으며 DNA가 성격에 미치는 영향이 무엇인지에 대한 정보가 증가함에 따라 변할 수 있다. 매우 초기 발달을 위한 매트릭스의 차원들은 초기 유아기 심리학자들에 의해 정의될 수 있다. 매트릭스의 각 엔트리에는 가중치가 적용되어야 한다는 점에 유의해야 한다. 다시, 해당 분야 전문가들의 의견들에 기반하여 기본 가중치로 시작할 수 있지만 최종 가중치와 성격에 미치는 영향은 관찰과 경험을 기반으로 시간이 지남에 따라 업데이트될 것이다. 베이스 계층 매트릭스의 다음 차원은 도 16에 도시된 바와 같은 성격 연속체이다. 상기에 논의된 바와 같이, 본 개시의 양태들에 따른 일부 구현예들에서, 외향형 -> 내향형(1601), 감각형-> 직관형(1602), 사고형 -> 감정형(1603), 판단형 -> 인식형(1604)의 축들을 따라 가중치 매트릭스(1600)에서 백분율로 표시된 마이어스 브릭스 유형 지표(MBTI)는 베이스 계층 매트릭스의 차원에 대한 하나의 숫제 세트를 제공한다. 또 다른 차원은 5대 성격 특성들에 의한 것일 수 있다: 경험에 대한 개방성, 성실성, 외향성, 우호성 및 신경성. 마키아벨리즘, 성취욕구, 인지욕구, 권위주의, 나르시시즘, 자존감, 낙관주의 및 실감정증과 같은 기타 성격 연속체로 대표되는 차원이 하나 더 있다. 이러한 모든 요인들은 베이스 계층 매트릭스를 생성하는 데 함께 사용될 수 있다. 이는 가장 기본적인 수준에서 성격을 표현한 것이다. 다음 계층은 문화 계층이다.

문화 계층

문화 계층은 IS가 어떻게 양육되는지를 포착한다. 이 계층은 도 17에 도시된 바와 같이 그리고 제한 없이 다음과 같은 IS에 대한 배경 정보를 포함한다; IS가 성장한 국가, 주, 시티 및 지역(1701)은 어디인가? IS는 도시에서 자랐는가 아니면 지방에서 자랐는가(1702)? IS는 가입된 종교가 무엇인가(1703)? IS가 성장한 정치 풍토는 어땠는가(1706)? IS는 어떤 문화에서 성장하고(1704) 그 양육의 일부인 가족 구조가 어떠했는가(1705)?

문화들에 걸쳐 매우 다양하게 존재한다. “아시아 문화는 보다 집단주의적이고, 이러한 문화권의 사람들은 덜 외향적인 경향이 있다. 중남미 문화권의 사람들은 경험에 대한 개방성에서 더 높은 점수를 받는 경향이 있는 반면, 유럽인은 신경성에서 더 높은 점수를 받았다.” 이러한 차이는 모두 문화 계층에 의해 포착되며 IS의 다른 성격들에 기여한다.

문화가 성격에 미치는 영향의 또 다른 예로서, 집단주의 문화(일반적으로 아시아, 아프리카 및 남미)에 사는 사람들은 개인의 욕구보다 사회적 조화, 존중, 집단 욕구에 가치를 두는 반면, 개인주의 문화(일반적으로 북미, 호주, 유럽)에 사는 사람들은 보다 개인주의적인 성격 특성들을 보여준다.

또한 미국 내에서 지역적 성격 차이가 있는 것 같다. 연구원들은 미국에서 150만 명이 넘는 개인들의 반응들을 분석하고 세 가지 뚜렷한 지역적 성격 클러스터들을 발견했다: “친절하고 전통적인…; 더 편안하고, 정서적으로 안정되고, 차분하고, 창의적인… 및 스트레스를 받고 짜증이 나고 우울함”

이러한 문화 데이터는 매트릭스들의 계층 케이크에 적합하다. 본 개시의 일부 실시예들에 따르면, 모든 시티들과 마을들, 및 모든 가족들이 대표될 필요는 없다. 우리의 성격을 생성하는 데는 충분한 수의 예들만이 필요하다. 예를 들어 그리고 제한 없이, 고객 관리 IS 인스턴스를 생성하는 것은 몇 가지 대표적인 배경만으로 충분하며, 예를 들어, 인구가 200,000에서 1,000,000 사이인 100개의 미국 도시들 - 해당 크기의 모든 미국 도시의의 대표 표본은 필요하지 않다. 문화적 양육 계층 케이크를 살펴보면, 설명은 예를 들어 제한없이 로케일은 덜 세분화된 것에서 더 세분화된 것으로 가는 로케일로 시작할 수 있다: 대륙 → 국가 → 카운티 → 타운 → 지역. 심리학 및 사회학 학생들은 이러한 계층들 각각에 행동별 경향들을 매핑할 수 있다. 그래서, 예를 들어, 수집된 MBTI 데이터에 기초하여, 니카라과인은 평균보다 15 % 더 외향적이며 칠레인은 세계 평균보다 11 % 더 내향적이다. 다음 계층은 도시 <-> 지방이다. 도시-교외-지방과 그 사이의 공간들 사이에는 알려진 서로 다른 태도의 차이들이 있다. 이들은 실제 대화(텍스트, 전화, 영화 등-아래 참조)의 분석과 결합되어 시작하도록 전문가 시스템으로 다시 코딩되어 있으며, 시간이 지남에 따라 이들은 사용자들로부터의 피드백과 마음과 같은 다른 사람들과의 관계를 기반으로 미세 조정된다.

유사한 접근 방식을 사용하여, 다른 다양한 문화적 차원들이 추가될 수 있다: 종교, 문화적 양육, 가족 구조 및 정치적 환경. 이들은 다시 사회학자와 심리학자에 의해 시드되지만 영화 및 TV 쇼, 채팅 세션, 문자 메시지, 음성 메시지 및 이메일의 분석에 의해 알게 될 것이다.

트레이닝 계층

이러한 맥락에서, 트레이닝은 아주 어린 시절에 시작되는 IS의 교육 또는 학습으로 지칭된다. 이 계층은 다음과 같은 IS에 대한 질문에 제한없이 답변할 것이다: 모유 수유와 눈맞춤 및 독서에서 육아에 이르기까지, 조기 학습 환경이 미치는 영향은 무엇인가? 나이가 들어감에 따라, 학습 환경은 어떠한가? 예를 들어, 남녀 공학인가? 학급이 큰가 아니면 작은가? 분열적인가 아니면 집중적인가? 고등 교육과 직장 경험은 어떠한가? IS 인스턴스는 어떻게 트레이닝되었는가? 그녀/그는 대학을 다녔는가? 그들의 전공은 무엇인가? 남학생 사교클럽/여학생 사교 클럽에 가입했는가? 그들의 성적은 어떠했는가? 대학원 학위나 자격증은 어떠한가? 이전 직업 이력은 어떠한가? 이러한 모든 요인들은 IS 인스턴스의 성격에 영향을 미친다. 본래, IS 인스턴스를 위한 가상 커리큘럼이 생성된다. 트레이닝 계층은 기억하기 위해 IS를 위한 실제 이벤트들(예를 들어, “1995년의 대 AEPi 할로윈 맥주 파티를 기억하라. 제프리는 너무 취했다")을 생성할 필요가 없다. 트레이닝 계층은 IS가 인간과 같은 고유한 성격을 보장하기 위해 풍부한 바이블을 만드는 것으로 충분한다. 일부 구현예들에서, 캐릭터 바이블은 제작자가 IS에 대한 고유한 이력들을 쓸 수 있도록 하는 도구를 사용하여 사용자들 또는 소프트웨어 프로그래머에 의해 생성될 수 있다. 다른 실시예들에서, IS들은 상황에 기초하여 자신의 바이블로 자신의 인스턴스들을 만든다. 또 다른 실시예들에서, 현저한 특성들이 윤곽을 드러낼 수 있고 IS가 선택할 수 있는 선택권들 - 예를 들어 그리고 제한 없이 IS 인스턴스의 바이블에서 분기들은 선택될 수 있지만 IS에 기본 원형은 불변함 -을 제공할 하이브리드 모델이 구축될 수 있다.

일반 환경 계층

일반 환경 계층은 IS의 현재 상태에 대한 콘텍스트를 설명한다. 즉, 이는 IS가 사용자와 접촉하게 된 이벤트들을 설명한다. 이 계층은 제한없이 다음과 같은 질문들에 답할 수 있다: 이 IS는 어디에서 일하는가? 삶의 초기 학습 단계들에 영향을 미친 동일한 요인들 중 일부는 업무 또는 놀이 환경에 영향을 미친다. IS 인스턴스가 콜 센터, 바, 큐브, 영업 상담 또는 소송 담당자로 일하는 률 사무소에 있는가? 일부 실시예들에서, 일반 환경 계층은, 농업, 식량 및 천연 자원; 건축 및 건설, 예술, 오디오/비디오 기술 및 통신; 경영 및 관리; 교육과 트레이닝; 재원; 정부 및 공공 행정; 보건 과학; 병원 및 관광; 인적 서비스; 정보 기술; 법률, 공공 안전, 교정 및 보안; 제조; 마케팅, 판매 및 서비스; 과학, 기술, 엔지니어링 및 수학 및; 운송, 유통 및 물류의 기본 커리어 분류법으로 시작할 수 있다. 그런 다음, 다음과 같은 양육 맥락에서 사용된 것과 동일한 문화적 및 상황적 변수들에 대한 오버레이: 대륙 → 국가 → 카운티 → 타운 → 지역; 도시 → 교외 → 지방. 그런 다음 추가 분기들이 대기업 ↔ 소기업, 대규모 빌딩 ↔ 소규모 빌딩과 같이 추가될 수 있으며; (다중 축들에서) 노동력은 얼마나 다양한지; 회사/임원의 정치/종교는 무엇인지; 등. 분류법의 도메인들과 하위 도메인들은 사회 과학자들에 의해 정의될 수 있지만 카테고리들, 그 가중치 및 중요성은 모두 사용자들과의 접촉 결과들 및 이러한 입력들이 해당 출력들의 가치와 얼마나 관련이 있는지에 따라 달라진다.

특정 환경 계층

다음 계층은 특정 환경 계층이다. 여기에서 IS 인스턴스 동작의 생성을 위한 최신 요소가 포착된다. 이 계층은 다음과 같은 질문들에 제한없이 답변할 수 있다: 날씨가 어떠한지? 교통 상확은 어떠한지? 나의 아침은 어떠한지? 예를 들어, ISI의 구성된 가족에 기초하여, 그들은 학교에 가야하는 두 아이와 함께 일반적으로 행복한 결혼 생활을 할 수 있고, 깜짝 이벤트(아이가 아프거나, 숙제를 잃어버리는 등)의 정상적인 분배에 있을 수 있으며, 우리 ISI의 무드 및 이에 따른 그 행동은 이러한 준비 요인들에 의한 영향을 받는다.

행동별 분석

트레이닝의 다음 태스크는 IS가 인간의 행동을 학습하는 것이다. 오늘날 마켓플레이스에서 인간 행동을 분석하기 위해 자동 음성 인식(ASR) 기술들 및 자연어 처리(NLP)를 사용하는 많은 대화형 음성 응답(IVR) 시스템들이 있다. 여기서 접근 방식은 이를 대화 기준으로 사용하는 것이다. 본 개시의 양태들에 따르면, IS는 즉각적인 맥락(이 사람이 쇼핑하거나 해변에 있는 등)이 아니라 개인적, 사회적 맥락-인간의 사회적 행동에 대해 알고 있음 - 을 가져도록 구성된다.

도 18은 본 개시의 양태들에 따른 행동 수집(1800) 및 가중치를 부여하는 개요를 도시한다. 처음에 전문가 시스템은 전문가 시스템(1801)으로부터 수집된 인지 편향들로 준비될 수 있으며 관찰 가능한 행동 데이터(1802)의 코퍼스가 추가될 수 있다. 본 개시의 실시예들은 채팅 봇 데이터(1803)의 코퍼스(corpora)를 사용하고 보다 정상적/사회적 대화 환경을 분석할 수 있다. 이들은 제한 없이; 이메일 및 텍스트(1804), 소셜 미디어(1805), 음성 메일(1806), 영화, TV 쇼 및 스트리밍 비디오 소스(1807)를 포함할 수 있다. 비디오 미디어는 사회적으로 매우 풍부하며 액세스될 수 있는 엄청난 양의 데이터가 있다. 많은 영화들과 TV 쇼들이 일반이거나 "정상"이 아닐 위험이 있으므로, 우리는 휴먼 AI 뷴류기들(1808)(예를 들어 그리고 제한 없이 메케니컬 터크 또는 휴먼 AI 분류기들의 다양한 다른 네트워크들)을 사용하여 대화를 정상 척도로 등급화할 것이다. 나중에 IS가 인간과 채팅할 때, 인간의 반응들로부터 학습할 수 있다. 추가로, 다른 IS 인스턴스들(GAN 사용)과 채팅할 수 있으며, 동일한 사람을 고용하여 대화를 분석할 수 있다. 통신 데이터의 특정 코퍼스에 따라, 분석들을 수행하기 위해 여러 가지 다른 접근 방식들이 필요할 것이다. 그런 다음, 행동 분석을 행동별 편향들(1809)에 매핑할 것이다.

본 개시의 양태들에 따르면, 영화들과 TV는 IS를 트레이닝하는 데 사용되는 정보의 한 소스일 수 있다. 이들은 반드시 전형적인 장기간의 성취들을 대표하는 것은 아니다. 많은 장르들이 항상 행복하게 끝나고, 다른 장르들은 비열하고, 상황 코미디들은 종종 사람들이 거짓말을 하는 것에 의존하며 그런 다음 코미디가 그로부터 이어진다. 그러나, 이러한 동일한 많은 제목들에서 분당 행동은 매우 인간적이다. 펀치 라인이나 충격적인 이벤트는 종종 놀랍고 일반적이지 않지만 행동 사이의 모든 것은 정상이다. 일부 실시예들에서, 기계식 터크/분류기들은 정상적으로 확장할 수 있도록 수만 개의 비디오 자산들을 공급받는다. 이 접근 방식은 영화와 TV에서 작동하지만 다른 비디오 자산들 - 특히 스트리밍 소셜 미디어 비디오(예를 들어, 유투브, 페이스북 비디오 등) - 이 있다. 일부 실시예들에서, 신경망(1808)은 사회적 분석을 수행하고 "비정상" 행동을 필터링하는 데 사용된다. 이 코퍼스의 가치는 거의 정의에 따라 다른 사회적 분석의 가치와 다르므로 (실제로 각 분석 그룹)은 별도로(자체 코퍼스로 라벨링됨) 보관해야 한다.

다음 데이터 코퍼스는 챗 봇 데이터이다. 이는 사람들이 질문을 하고 구체적인 답변을 요구할 때 특히 관련이 있다. 다양한 챗 봇 코퍼스의 응답들은 정확성에 중점을 둘 것이다. 본 개시의 양태들에 따르면, IS는 반드시 올바른 답변을 제공하는 것이 아니라 가장 인간적인 답변을 제공하도록 트레이닝될 수 있다. 챗 봇 데이터로부터 나오는 한 가지 중요한 결과는 봇이 이를 잘못 얻었을 때이다. 봇에게 묻는 사람은 실제 인간들이기 때문에, 이들은 항상 "정확한" 답변(봇이 질문을 오해하거나 잘못 해석하는 순간을 무시함)에 만족하지는 않을 것이다. 따라서, 일부 실시예들에서, 소프트웨어가 그들이 해결하려는 문제를 해결하도록 설계되지 않았기 때문에 고객이 어려움을 겪는 경우, "미안하지만 소프트웨어가 그렇게 하지 않습니다"는 말보다 그 응답들은 종종 오히려 인간들에게 불만족스러울 것이다. 더 민감한 봇은 "해결하려는 문제를 내가 제대로 이해하고 있는지 볼 수 있게 해줘"라고 말할 수 있다. 그런 다음 봇이 질문을 "이해"하는지 제대로 확인한 후, 문제를 해결하기 위해 적절한 소프트웨어로 이들을 안내할 수 있다(가족을 경쟁자에게 보낸 34 번가에 있는 미라클의 메이시스의 산타클루즈가 메이시스의 브랜드 가치를 크게 높이는 것과 약간 비슷함). 아마도 봇은 "그들의 봇"일 수도 있다. 즉, 그들은 다른 소프트웨어를 올바르게 설치하는 것을 돕도록 고객과 함께 머물러 있다(실제로는 동일한 봇 페르소나가 경쟁을 위해 작동할 것이며 고객 데이터의 관련 부분은 허가를 받아 공유될 수 있을 것이다).

다음으로 행동 분석을 위한 코퍼스의 목록에 대한 소셜 미디어 분석일 수 있다. 이 그룹에는 에이커에 달하는 통신 데이터가 있으며 일반적으로 이는 큐레이팅된다. 사람들은 종종 그들의 지인들에게 가장 좋은 면을 보여주고 친한 친구들에게는 더 진솔한 면을 보여주려고 한다. 익명 또는 의사 익명 게시물들은 특히 비정형적일 수 있으므로 아마도 전혀 포함하지 않아야 한다. 사적 게시물들은 일반적으로 그들과 관련된 자연스러운 솔직함으로 인해 특히 가치가 있을 것이다("다른 완벽한 날" 또는 "평소처럼 삶이 짜증나"와 같은 불필요한 게시물들은 필터링됨). 다시, 이는 여러 개의 개별 코퍼스로 버킷되며 인간성의 가중치는 행동들에 대한 실제 반응들의 분석에 의해 정의된다.

코퍼스의 마지막 버킷들은 텍스트, 음성 메일 및 이메일이다. 텍스트는 톤 측면에서 가장 자연스럽다. 일부 실시예들에서, 이모지와 두문자어는 이모지나 두문자어로 표현되는 감정이나 맥락에 대한 실제 언어 설명으로 확장된다. 다양한 채팅 구성원 간 및 그들 사이의 관계를 알면 각 그룹에 대한 콘텍스트 또는 메타데이터를 제공할 것이다. 사람은 그들 친구와는 다르게 그들 어머니에게 말할 것이고 4명의 친구 그룹에게 다르게 말할 것이다. 이 콘텍스트의 적용은 AI 트레이닝에 매우 중요할 것이다. 음성 메일은 일부 방식에서는 텍스트 데이터의 서브셋이다. 이는 일반적으로 한 사람 또는 가구를 타겟으로 한다. 사용자들 또는 음성 메일은 일반적으로 문자 메시지들의 인구 통계와 다른 인구 통계이며 다르거나 이전에 설정된 성격을 나타낼 수 있다. 오늘날 젊은이들은 음성 메일을 거의 사용하지 않는다. 이메일은 상황을 설명하고 여러 코퍼스로 세분하기 위해 메타데이터를 필요로 할 수 있다. 일부 실시예들에서, 스레드는 다른 코퍼스(예를 들어 제한 없이, 비즈니스 이메일 내부의 개인 통신)로 구문 분석될 수 있다.

다음 태스크는 상기의 행동 관찰을 행동별 경향들(행동별 편향들)(1809)의 목록과 상관시키는 것이다. 이 구문 분석은 어떤 행동들이 어떤 경향들과 연관되어 있는지에 대한 질문에 답한다. 여기서 전문가들은 두 단계들로 사용된다. 제1 전문가들 행동들을 그룹들로 분류한다. 예를 들어 제한 없이 성격이 급하거나, 공감을 잘하거나, 불안해하거나, 또는 긴장을 푼 사람들이 있다. 전문가들은 감정적 그룹화의 분류법을 만든 다음 모든 행동들에 라벨을 붙이는 휴먼 분류기들을 만든다. 그런 다음, 이러한 행동들 및 그 레벨들은 기계 학습 시스템들(예를 들어, 신경망들)을 트레이닝시키는 데 사용된다.

행동 편향들을 개인들에게 전가

이제 모든 사람은 각기 다른 정도의 행동별 편향을 가지고 있다. 하나는 매우 "분석적"이고 "현실적"일 수 있는 반면 다른 하나는 더 감정적이고 과장되는 경향이 있다. 과장되기 쉬운 경우에도, 일반적으로 일부 도메인들로 제한된다. 고등학교 농구 팀에서 자신의 역할을 과장하는 사람이 그리스 여행의 세부 사항을 기억할 때 매우 정확할 수 있다. 상황별 기준은 본질적으로 스택에서 개발된 IS의 성격임을 기억하라(DNA → 초기 개발 + 유전자 조절 → 기본 성격 요소들 → 발전 필터 → 관계 필터).

도 19에 도시된 바와 같이, 상황별 기준(1900)은 각각의 행동별 편향(1901)에 대해 매핑되어 각 IS 인스턴스(1902)에 대한 상황별 편향 세트를 생성한다. 제한이 아닌 예로서, 하나의 IS 인스턴스로 시작한 다음 더 일반적인 인스턴스들로 외수법에 의해 추정하라. 예를 들어, IS 인스턴스는 다음과 같은 파라미터들로 생성될 수 있다: 35세의 이성애자 여성으로, 중서부의 작은 마을에서 자랐다. 그녀는 프로테스탄트로 자랐지만 정기적으로 교회에 가지 않았다 - 그러나, 그녀는 강력한 공정성 가치를 가지고 있다. 그녀는 살아있는 두 형제자매인, 오빠와 여동생이 있다. 그녀의 오빠는 동성애자이며 이는 그녀의 관계에 대한 개방성을 알려준다(별로 판단적이지 않음). 그러나, 그녀는 낙태와 생명권 이슈에 대해 매우 비판적이며 자녀를 원하는 사람이 충분하므로 생명을 낭비해서는 안된다고 믿는다. 그녀는 EFTJ(64, 81, 59, 50, 마이어스 브릭스)이며 5가지 요인들은 개방성(66 %), 성실성(34 %), 외향성(72 %), 우호성(48 %) 및 신경성(32 %)이며, 그녀의 다른 성격 특성들은 신경성(53 %), 마키아벨리즘(14 %), 성취욕구(21 %), 인지욕구(73 %), 권위주의(26 %), 나르시시즘(14 %), 자존감(58 %), 낙관주의(87 %) 및 실감정증(13 %)이다. 그녀는 십자말 풀이와 의학 드라마를 즐긴다. 그녀의 캐릭터 바이블에는 잠재적으로 더 많은 구성 요소들이 있지만, 이는 가상 인물로서 IS가 누구인지에 대한 어느 정도의 아이디어를 제공한다. 이제 도 20에 도시된 바와 같이, 모든 심리적 파라미터들을 다수의 행동별 편형들(2000)에 매핑하고 각각(2001)에 가중치를 제공할 수 있다. 이는 기준 편향들이며 아직 특정 상황에 매핑되지 않았다. 그러나, 그들은 각각 기준 값, 즉 "행동별 편향이 얼마나 뚜렷한가?"를 가지고 있다. 여러 심리학자들을 사용하여, 상기에 논의된 바와 같이 마이어스 브릭스 및 5대 요인 경향들을 우리의 행동별 편향들에 매핑할 것이다. 이는 모든 규모로도 수행할 수 있지만 제한이 아닌 예로서, 숫자가 높을수록 편향에 더 편향되기 쉽고 숫자가 낮을수록 덜 편향되기 쉬운 백분율이 사용될 수 있다.

IS가 다른 사용자들 및 ISI들과 상호 작용함에 따라, 더 완전히 발달되어 편향들의 수, 명칭 및 가중치가 변할 것이다. 초기 편향 세트로 시작하더라도, ISI는 새로운 상황에 어떻게 대처할 것인지에 대한 기본 성격 요소 세트를 가지고 있다. 이제 특정 상황들에 대한 편향들을 갖는 IS를 적용하기 시작할 수 있다. 행동별 편향은 성격의 한 구성 요소일 뿐이므로 특정 상황들에 대처할 준비를 할 때 완전한 성격 바이블이 필요하다는 것을 기억하라. 예를 들어, 상기의 이성애자 여성이 낙태 및 입양에 대해 갖는 민감성은 특정 상황에서 그녀가 행동하는 방식에 큰 영향을 미칠 것이며 계획된 부모 조기 임신 지원 그룹의 맞는 성격이 아닐 수 있지만 교회 기반 조기 임신 지원 그룹에 적합한 올바른 프로파일일 수 있다.

행동 편향을 상황적 환경에 전가

도 21은 스택의 다음 계층을 보여주며, IS 인스턴스를 현재 상황에 매핑한다. 상황별 기준(2100) 및 행동 편향들(2101)은 각 IS 인스턴스(2102)에 대한 상황적 편향들을 생성하기 위해 매핑되고, 다음으로 편향들을 상황적 환경들(2103)에 전가할 것이다.

이 계층은, 제한없이, IS가 메이크업 카운터에서 메이크업을 판매하고, 고객 지원을 제공하고, 의료 종사자 또는 리조트에서 상담사 역할을 하는 등의 질문들에 답변한다. 여기에 몇 가지 상황별 행동 데이터가 유용하다. 이는 심리학적 데이터를 기반으로 하는 축이 있는 전문가 시스템으로 시작할 수 있다. 도 22에서 볼 수 있듯이, 지역(2200)에서 가장 높은 레벨에서, 행동별 파라미터들을 기반으로 한다(시베리아는 칸과 매우 다르다). 모든 사람은 그들이 있는 시간(2201)에 의해 어느 정도 영향을 받는다. 다른 많은 파라미터들은 두 가지 다른 측면들 사이에서 연속된다. 예를 들어, 제한 없이, 도시(2202)와 지방 사회(2203) 사이에는 깊은 사회적 차이들이 있다. 이를 위해, 우리는 인구 밀도를 사용할 수 있다. 또한 인타이틀(Entitled)(2204)와 얼시(Earthy)(2205) 사이에는 연속된다. 사람들은 비버리힐즈에서 한 방식으로 행동하고, 컴튼에서는 다른 방식으로 행동한다. 환경은 얼마나 붐비는가? IS가 번잡한 몰에서 일하는지 아니면 집에서만 일하는지(이는 성격 행동들을 설정하는 방식임 - 이는 실제로 임의의 물리적 인스턴스화가 필요하지 않으며, 일부 실시예들에서는 IS가 클라우드에서 '라이브"일 것임)? 다른 요인들은 이에 제한되는 것은 아니나 대규모 그룹(2206) 또는 솔로(2207)로 일하거나 노는 것, 그들이 하는 일(2208)의 종류가 무엇인지 그리고 어떤 종류의 놀이(2209)를 하는지, 직장(2210) 및 그들이 여가 시간에 노는 장소(2211)과 같은 그 환경이 어떤지 등을 포함할 수 있다. 이제 다양한 환경들을 살펴보면서, 유형에 따라 조금씩 파헤칠 수 있다. 보험 사무소인가? 그래픽 다지인 하우스인가? 소프트웨어 프로그래머 큐브인가? 도서관이거나 해변이거나 크루즈선인가? 인간들에 의해 만들어진 전문가 시스템을 사용하여 완전한 분류법을 만들 것이다. AI가 시간이 지남에 따라 반복되고 경험을 기반으로 자체 분류법을 개발할 것이므로 시스템이 완전히 정확한지 여부는 중요하지 않다.

전문가 시스템의 기본 파라미터들이 심리학 및 사회학 데이터로부터 설정되면, 분류기들은 예상되는 행동들을 사회적 환경들에 매핑할 수 있다. 이 경우, 사회적 규범의 정확한 표현을 결정하는 것보다 많은 양의 인식된 사회적 관습을 수집하는 것이 더 중요하다. 이는 많은 인구를 조사하거나 아니면 투표를 통해 수행될 수 있다. 충분한 수의 사람들(예를 들어, 약 천 명)이 특정 행동 및 환경에 대한 설문 조사를 수행한 후, 시스템은 합리적으로 정확한 사회적 관점을 가질 것이다.

제한이 아닌 예로서, IS가 은행원이라고 가정하자. 이제, 우리는 아직 개인과 특정 상호 작용을 하지 않았지만, 환경에 대해 많은 것들을 알고 있다. 창구 직원이 사람들이 친절하고 사교적인 경향이 있는 시골 은행에 있다고 가정해보자. 은행은 일반적으로 혼잡하지 않으므로 사람들은 보통 기다릴 필요가 없으며 거래는 보통 날씨 또는 최근 이벤트 또는 박람회에 대한 대화로 시작한다. 창구 직원이 상당히 긴 (가상) 통근 시간을 가지고 있고 그날 교통 상황에 대해 알고 있다고 가정해 보자. 이 모든 것들은 이 환경에서 IS 인스턴스의 기준 행동에 적용된다.

데이터 순서화

이 스택의 다음 단계는 IS가 인간 상호 작용에 가져올 완전한 심리적 프로필을 만드는 것이다. 이를 위해, 도 23에 도시된 바와 같이 데이터를 보유하고 작동하는 어레이 매트릭스가 생성될 수 있다. 다양한 데이터 세트들은 어레이 내의 열과 행에 할당된다. 이는 여러 가지 방법으로 수행될 수 있지만, 제한이 아닌 예로서 몇 가지 배열들을 선택하자. 어레이 1은 상황별 기준의 베이스 계층(2300)이다. 행을 통해 물리적 속성들 다음에 마이어스 브릭스 축들, 5 가지 요인 성격 특성 축들 및 다른 성격 특성들에 대한 행들을 포함하도록 그 어레이 내에 요인들(2301)이 배치되고, 행 1은 DNA이고, 행 2는 RNA이고, 행 3은 마이크로 바이옴이고, 행 4는 젠더 연속체 등이다.

이제, 다음 어레이를 추가하기 위해 스택을 계속한다. 이 어레이는 문화 계층(2302)이다. 실제 위치에서 시작하여, 행들은: 아대륙, 국가, 주, 시티 및 지역이 된다. 각 요인은 백분율(2303) 및 가중치(2304)가 있다. 따라서 종교의 예에서, ISI는 상당히 종교적일 수 있다 - 73 %라고 하지만 그 삶에 거의 영향을 주지 않을 수 있으며 따라서 가중치는 15 %에 불과할 수 있다. 다음은 친밀감, 크기, 젠더 구성, 부모 구조 등과 같은 연속체를 가진 문화 계층의 가족 구성 요소들이다. 이제 행 4는 커뮤니티서 당신에게 맞는 곳이 어디인지? 커뮤니티의 사람들은 얼마나 사교적인지? 당신은 다른 커뮤니티로 이동하는지? 외식을 종종하는지? 커뮤니티가 단단하게 연결되어 있는지 아니면 느슨하게 연결되어 있는지? 등과 같은 행들을 갖는 문화 계층이다. 다른 문화적 요인들은 정통, 문화적 연합과 같은 종교적 영향의 축을 나타내는 열들을 갖는 종교일 수 있다.

문화 계층에는 가족 규모, 형제 자매 수 및 기본 문화적 배경(종교, 문화적 그룹 등)과 같은 초기 발전 요인들이 포함된다. 이는 물론 확장 가능하며 이 배열 내의 행들과 열들은 다양하고 확장되고 축소될 수 있다.

도 23에서, 엑셀 스냅샷이 어레이의 다차원성을 전달하지 않지만 여전히 폭을 어느 정도 제공한다는 것을 이해하는 다양한 어레이들에서 일부 필드들에 대한 대략적인 근사치가 있다. 그림 24는 데이터 시각화에 대한 또 다른 접근 방식을 예시하며 데이터가 여러 어레이로 구성되어 있다는 사실을 명확히 하는 데 도움이 될 수 있다.

트레이닝 계층(2305)에 대해 동일 라인의 사고 방식을 사용하여, 일반 환경 계층(2306) 및 특정 환경 계층(2307)이 생성된다. 인간과 상호 작용하는 지점까지 IS 인스턴스들을 생성하도록 이 모든 계층들이 결합될 것이다.

엑셀 스냅샷은 폭을 어느 정도 알 수 있지만, 어레이의 다차원성을 전달하지는 않는다. 도 24는 데이터를 보는 다른 접근 방식을 도시하는 것으로, 이는 이를 시각화하는 보다 예시적인 방식이며 어레이들의 다차원성을 명확히 하는 데 도움이 될 수 있다. 2400은 이 성격 특성이 이 특정 IS의 성격 바이너리(내향성 대 외향성과 같은)의 연속체 내에 얼마나 강한지를 나타내는 크기(2401)를 도시하며 가중치(2402)는 사회적 상황에서 결정을 내릴 때 이 특성에 얼마나 가중치를 주어야 하는지 또는 특정 상황과의 관련성을 가중할 때 성격 측면을 얼마나 고려해야 하는지를 나타낸다. 어레이의 각 차원은 베이스 계층(2403), 문화 계층(2404), 트레이닝 계층(2405), 일반 환경 계층(2406) 및 특정 환경 계층(2407)을 포함한 서로 다른 계층과 연관된다.

행동들에 데이터를 매핑

상기에 논의된 바와 같이, 데이터는 채팅 세션, 문자 메시지, 비디오 등에서 포착되지만 여전히 표현될 성격 특성들에 매핑되어야 한다.

도 25는 본 개시의 양태들에 따른 데이터세트의 세분화를 도시한다. 수집된 행동별 데이터(2500)는, 처음에는 휴먼 AI 분류기들에 의해, 영화 및 TV, 챗 봇 코퍼스, 소셜 미디어, 이메일 및 음성 메일(2501)과 관련된 행동 및 코멘터리들을 모니터링하고 해당 행동을 분류할 때 생성된다. 이 코퍼스로부터, 휴먼 분류기들(2502)로부터 초기 행동 매핑을 생성할 것이다.

수집된 행동들의 초기 세트가 분류기들에 의해 분석된 후, 이러한 태그가 지정된 행동(대화, 신체적 행동 등) 비트는 상기에 설명된 분류법에 따라 라벨링된다. 베이스 계층, 문화 계층, 트레이닝 계층, 일반 환경 계층 및 특정 환경 계층의 모든 다른 요소들이 라벨링된다. 다양한 요소들에 대한 분석이 이루어지면, 하나 이상의 딥 신경망(DNN)(2503)은 이러한 분류법들을 학습하는 데 사용될 수 있다.

그런 다음, DNN은 제2 데이터 세트(2504)를 분석할 수 있다. 이러한 매핑의 정확성은 휴먼 AI 분류기들(아마도 더 숙련된 것으로 표시된 상기의 분류기들의 서브셋)에 의해 검토될 수 있다. 우리는 DNN이 베스트 분류기들과 마찬가지로 잘 할 때까지 이러한 검토 및 반복을 계속 할 것이다(2506). 동시에, 분류할 수 있는 분류기 능력에 대한 점수가 생성될 수 있다. 이는 반드시 심리학적 정확성이 아니라 대중적인 행동 정확성이다. 즉, 휴먼 분류기들이 가장 대중적인 의견에 가장 자주 동의하면, 이들은 분류기로서 더 높은 점수를 얻는다. 이러한 몇 번의 라운드가 완료되고 인간들이 행동을 분류하는 방법에 대한 좋은 아이디어가 있다면, 예측 정확성은 사회 과학 및 심리학 전문가들이 보유한 정보에 입각한 심리학적 믿음과 대조될 수 있다.

사회적 분류법 생성

휴먼 분류기들에 의해 라벨링된 대화들의 분석으로부터, 사회적 상황들의 분류법이 생성될 수 있다. 다시, 심리학자들과 사회학자들은 기대치의 기준 세트를 만들고 이를 행동들(2600, 2601, 2602, 2603) 및 서브 행동들(2604, 2605) 등으로 구조화하여 그룹화하며 분류법(2606, 2607)으로 더 세분화할 수 있다. 그리고 다시, 이러한 그룹화는 완전히 결정적인 것이 아니라, 단지 시작점 일뿐이다. 모든 선택의 성공은 사회적 상황의 분류법이 설정된 목표를 얼마나 가깝게 달성하는지에 따라 측정된다. 이는 목표를 설정, 관리, 업데이트 및 관리하는 방법에 대한 모든 가장 큰 문제로 귀결되기 시작한다. 이 대화형 분류법은 자연어 처리(NLP), 감정 분석 및 감정 감지의 발전을 기반으로 증강되고 지속적으로 조정될 것이다. 감정 감지는 텍스트와 음성에 국한되지 않고 시각적 단서들을 사용하여 큰 진전을 이루고 있다는 점에 유의한다.

전체 기준 성격 생성

다음 단계는 이 모든 데이터를 가져와 이를 전체 기준 성격을 정의하는 데 사용하는 것이다. 도 27은 도 24의 상단에 구축된다. 이는 인간이 처음으로 상호 작용할 때의 ISI의 성격이다. 지금까지 우리는 요인들(2700)의 매우 넓고 깊은 매트릭스를 생성했다. 처음에는, 인간들이 성격을 조합하는 데 사용할 수 있는 대시 보드를 생성할 것이다. 세 개의 초기 계층들(에이스(2703), 문화(2704) 및 트레이닝(2705)) 및 두 개의 환경들(일반(2706) 및 특정(2707))에 대한 모든 데이터는 값들을 변경하기 위한 페이더 또는 기타 입력 유형이 있는 일련의 열과 행으로 배열될 수 있으며, 이들은 기본 기능성에 대해 사람들에 의해 테스트될 수 있다. 이 시점에서, IS 인스턴스들은 상당히 논리적이다. 이들은 여전히 따뜻함과 유머, 그리고 모든 종류의 기타 인간 감정들로 반응할 것이지만, 이들은 상당히(아마도 너무) 논리적일 것이다. 전체 기준 성격들을 생성한 후, 인지 편향들 또는 행동별 마스크들(2708)과 발전 필터들(2709) 및 관계 필터들(2710)을 추가할 것이다.

우리의 함수들(편향들)을 운영할 상황들의 코퍼스를 어떻게 개발할 것인가? 편향들을 전가하기 위한 상황들의 매우 제한된 서브셋이 초기에 사용될 수 있으며 시간이 지남에 따라 시스템은 편향들을 (인간이 하는 것처럼) 점점 더 많은 상황들에 전가하도록 트레이닝할 수 있다.

초기 상호 작용의 범위를 제한하면 개발할 기반을 형성할 것이다. 전화를 통한 고객 지원은 개발의 제1 영역들 중 하나일 수 있다. 이는 고객들과의 커뮤니케이션 경험을 포함하여 많은 코퍼스의 이력 데이터를 포함하여 여러 가지 이유들 때문이다. 제1 목표는 한 고객의 문제들 해결하는 하나의 ISI를 위한 것일 수 있다. ISI는 이미 현재 수준의 채팅 봇에 있을 수 있도록 지원 대화 데이터의 코퍼스로 준비될 수 있다. 이 외에, 상호 작용에 인간성을 더할 수 있도록 제1 심리적 프리미티브 세트가 중첩될 수 있다. 기본적인 인간 상호 작용들(안녕하세요, 어떻게 지내세요, 어떻게 도와 드릴까요 등)은 사용된 초기 심리적 프리미티브들일 수 있다. 동시에, 질문들 및 대화들과 관련된 심리적 의미가 측정될 수 있다. 제1 단계(음성만 있는 고객 지원)에서는, 감정/의도를 식별할 수 있는 능력이 제한되어 있지만 음성 분석을 추가하는 것만으로 소리와 시각적 또는 기타 지각을 통한 커뮤니케이션 ID는 이해하고 응답하기 위한 IS의 능력을 크게 증가시킬 것이다. 다음 단계는 비디오 챗이 될 것이다. 궁극적으로, 물리적 존재(애완 동물, 로봇 등)와 유사한 기능이 있도록 다른 감각들이 추가될 수 있다.

전체 상황 인식 프로파일로 돌아가면, 5개의 계층들(베이스 - 2703, 문화 - 2704 및 트레이닝 - 2705), 두 개의 필터들(발전 - 2709 및 관계 - 2710), 두 환경들(일반 - 2706 및 특정 - 2707) 및 마스크(행동별 - 2708)를 기반으로 하는 대규모 요소 세트가 있다.

상기에서 보이는 바와 같이, 많은 변수들이 있다. 그러나, 그룹화 및 서브 그룹화 알고리즘들은 대시 보드를 제어하여 이러한 계층들, 필터들 및 마스크들에 대한 성격(ISI)의 다양한 파라미터들에 대한 변수들을 설정하는데 사용될 수 있으며, 하기에 도시된 바와 같이 해당 파라미터들을 사용하여 실시간으로 적절한 반응들을 구성할 수 있다.

ISI가 생성되면, ISS를 판단할 수 있는 휴먼 분류기들에 의해 테스트를 받을 수 있으며 그 판단은 ISI를 구체화하는 데 사용될 수 있다. 합리적으로 좋은 ISI 세트가 설정되면, 서로 트레이닝될 수 있다. 그런 다음, 휴먼 분류기들은 감독되지 않은 트레이닝의 결과를 판단하는 데 다시 사용될 수 있으며 감독되지 않은 트레이닝 프로세스를 관찰하여 더 많은 통찰력을 얻을 수 있다.

행동별 함수 생성

ISI 성격들은 다차원 매트릭스를 사용하여 설명될 수 있다. 편의상, 본원에 설명된 매트릭스는 16 x 2 x 8(예를 들어, 외향형(2800), 감각형(2801), 사고형(2802), 판단형(2803), 개방성(2804), 성실성(2805), 우호성(2806), 신경성(2807), 마키아벨리즘(2808), 성취도(2809), 인지(2810), 권위주의(2811), 나르시시즘(2812), 자존감(2813), 낙관주의(2814) 및 실감정증(2815) x (크기(2816) 및 가중치(2817))와 8개의 차원(계층들, 필터들 및 마스크들)로 제한된다. 심리학자와 사회학자는 (매트릭스 수학을 위한 매트릭스 차원을 단순하게 유지하기 위해) 16 가지 가장 중요한 요인들을 선택할 것이다. 문자는 각 차원들 또는 계층들, 필터들 및 마스크들을 나타내는 데 사용할 수 있다: B(베이스 계층 - 2818), C(문화 계층 - 2819), T(트레이닝 계층 - 2820), D(발전 필터 - 2821), R(관계 필터 - 2822), G(일반 환경 계층 - 2823), S(특정 환경 계층 - 2824) 및 B(행동별 마스크-2825). ISI 성격 매트릭스는 ISI의 성격 특성들을 설명하도록 구성된 임의의 크기일 수 있음을 이해해야 한다. 이제 IS가 행동할 수 있는 성격의 표현이 생성된다. 컨볼루션 신경망(CNN)이 작동하는 방식과 다르지 않은 방식으로, 계층들을 컨볼루션하여 집계 계층을 만들 수 있다. 도 28의 매트릭스를 보면, http://www.iaeng.org/publication/WCE2010/WCE2010_pp1824-1828.pdf 에서 이용 가능한 아슈 M. G. 솔로 등의 “다차원 매트릭스 수학: 표기법, 표현 및 단순화, 파트 6 중 1”을 사용하며, 다차원 매트릭스들의 표현에 대한 접근 방법인, 그 내용은 본원에 참조로서 통합된다.

이제, 기준 성격의 표현이 생성되었다. 상기에 언급된 바와 같이, 이는 모든 인간과 상호 작용하기 전의 IS 인스턴스의 성격이다. 일부 인간 상호 작용들은 IS 인스턴스에 변경 사항들을 생성할 것이며 새 인스턴스 또는 기존 인스턴스에 대한 설명된 수정으로 저장되어야 한다. 상기에 표시된 행동별 편향 세트 및 이러한 행동들이 발생하는 상황 세트가 있다. 이제 IS 인스턴스에 대한 심리적 설명이 설정되며, 행동별 편향들이 각 상호 작용에 적용될 수 있다. 정의된 상황들은 IS 인스턴스의 렌즈를 통해 관련 편향들에 매핑될 수 있다. 3차원 성격 매트릭스는 Ф(Phi)로 표현될 수 있다. 48개의 행동별 (인지) 편향들 각각은 두 가지 요인을 갖는다: 크기 및 가중치(48 x 2 매트릭스). 행동별 편향 매트릭스는 Λ(람다)로 표현될 수 있으며 가법 매트릭스 계산은 각 상황에서 다음과 같이 수행될 수 있다: f(행동) = {Φ}ㆍ{Λ}.

피드백 루프

피드백 루프가 매우 중요하다. ISI는 수십억 개의 작은 결정들을 내릴 수 있으며 이는 이러한 결정들 각각이 얼마나 잘했는지를 학습하는 것이 중요하다. 이를 위해, 시스템은 행동별 단서들을 모니터링하고 이들을 ISI 성능의 척도로 사용할 수 있다. 성공하지 못한 명백한 지표들의 몇 가지 예들은, 제한 없이, 다음과 같다: 응답 지연(부재를 나타내는 지나치게 긴 지연은 포함하지 않음), 동일한 주제에 대해 다시 호출(텍스트 분석을 사용하여 무언가 이해되지 않았는지 확인), 분노, 무시 등.

더 깊은 수준에서, 본 개시의 일부 양태들에 따른 시스템은 (시각적 및 음성 분석과 함께) 감정적 정서를 모니터링할 수 있다. 특히 시스템은 공감, 평온함 및 참여를 찾고 있을 수 있다. 이 메트릭들을 사용하여 ISI가 사전에 목표를 설정하여 그 태스크에서 얼마나 성공적인지 결정한다. 아마도 가장 좋은 목표는 공감, 긴장 부족, 참여, 감사의 (진정한) 말이지만, 원하는 결과에 따라 모든 목표 세트가 선택될 수 있다(예를 들어, 아마도 ISI 생성자들은 누군가가 허리케인 피해자에 대해 정부가 돕지 않는 등에 화를 내기를 원한다). 원치 않는 결과로 이어지는 특정 응답 또는 접근 방식이 발견되면, 해당 접근 방식 또는 응답이 더 적게 사용되거나 더 이상 사용되지 않을 수 있으며, 특정 접근 방식들이 우리의 목표에 성공적으로 도달하도록 이끄는 경우, ISI는 훨씬 더 그러한 방식으로 행동하도록 변경될 수 있다. 추가로, 일부 실시예들에서, 특정 성격들이 특정 인간 성격들과 잘 작동하지 않아 IS 인스턴스의 성격을 조정하거나 완전히 새로운 성격들이 - 특히 인간의 성격이 알려졌거나 행동에 기초하여 전가된 경우 - 시도될 수 있다는 것을 알 수 있다.

바이블 소프트웨어 및 대시보드

본 개시의 일부 실시예들에서, 대시보드는 인간이 ISI 성격들의 다양한 변수들을 시도할 수 있도록 다양한 성격 파라미터들로부터 생성될 수 있다. 다른 실시예들에서, IS는 상황과 관련된 엔티티들에 기초하여 자신의 성격 파라미터들을 선택할 수 있다. 물론, 성격 설계자는 256개 이상의 변수들을 수동으로 설정한 다음 테스트 대화 또는 상호 작용을 위한 IS 인스턴스를 취할 수 있다. 일부 실시예들에서, IS 인스턴스는, 예를 들어 제한없이, 그레이 아나토미의 에이브러험 링컨 또는 캐서린 햅번 또는 메러디스 그레이와 같은 알려진 엔티티를 모델로 할 수 있다. 또 다른 실시예들에서, 사용자들은 ISI에 대한 특정 성격을 요청할 수 있거나 또 다른 실시예들에서는 알려진 성격들이 예를 들어 제한없이 혼합될 수 있다; 윈스턴 처칠은 다이앤 소여와 제임스 얼 존스와 같은 목소리와 해리 포터와 같은 매너리즘을 섞었다. 이러한 방식으로, 실제 인간과 같은 상호 작용을 통해 고유하고, 재미 있고 흥미로운 가상 인격들이 생성될 수 있다.

반응들

이제 다양한 필터들, 마스크들 및 함수들이 적절한 반응을 준비했으므로, 우리의 IS는 믿을 수 있는 방식으로 실시간으로 대응해야 한다. 일부 실시예들에서, 반응에 대한 계산 시간을 마스킹하기 위해, 프로그래밍된 지연들이 추가될 수 있다. 예를 들어, 질문을 받은 후 ISI는 더 긴 응답을 계산하는 동안 즉각적인 "음"또는 "응"으로 대응할 수 있다. 추가로, 본 개시의 일부 양태들에 따르면, 신체적 반응들: 미세한 표정들 및 기타 신체 움직임들, 목소리 음색, 호흡, 땀, 피부색(혈류) 등은 IS가 인간의 감정들을 이해할 수 있도록 하는 적절한 반응에 매핑된다.

어플리케이션들

본 개시의 양태들에 따르면, ISI는 비디오 게임 및 텍스트 도움말 라인과 같은 가상 환경들에서 구현될 수 있다. 추가로, ISI와 더 많은 '실제' 상호 작용들을 허용하는 다른 새로운 가상 환경들은 ISI가 보다 전통적인 인간 역할들로 기능할 수 있는 경우 생성될 수 있고, 예를 들어 제한 없이 ISI는 주식 거래자, 관리인, 의사일 수 있다. ISI는 가상 환경을 통해 더 넓은 세상과 상호 작용할 수 있다. 추가로, 일부 실시예들에서, 이 기술은 트레이닝을 위해 VR 안경이나 방의 유무에 관계없이 사용될 수 있다.

본 개시의 일부 양태들에 따르면, 온라인 및 게임 내 세계에서 점점 더 많은 가상 캐릭터가 생성됨에 따라, 그들은 상호 작용하고 가상 소셜 네트워크의 일부가 될 것이다. 실제 사용자들은 소셜 네트워크에 참여 - 스토리, 사진, 비디오 등을 공유 - 할 수 있다. 그러나, 가상 캐릭터들(ISI)은 자신의 소셜 네트워크에 가입할 수도 있지만 실제 또는 가상 캐릭터들의 조합으로 채워진 소셜 네트워크의 일부일 수도 있다.

국제화

상기 및 하기에 설명된 시스템들은 모든 문화 환경에서 기능할 것이다. 그러나, 결과들은 문화적 환경들에 따라 다를 것이다. 일부 문화(네덜란드와 같은)는 매우 솔직하고 무례할 수 있지만 다른 문화(일본과 같은)는 매우 미묘하고 상황에 따라 다르다. 당업계에 종사하는 심리학자, 사회학자 및 기타 사람들은 각 문화 서브 그룹화에 대한 결과를 분리해야 하며 IS는 해당 문화 환경 내에서 기능해야 할 것이다.

시스템

도 31은 명세서 전체에 걸친 도면들, 예를 들어 예를 들어 도 5, 도 10 또는 도 13에 도시된 것과 같은 방법들을 구현하기 위한 지능형 에이전트 시스템을 도시한다. 시스템은 사용자 입력 장치(3102)에 결합된 컴퓨팅 장치(3100)를 포함할 수 있다. 사용자 입력 장치(3102)는 컨트롤러, 터치 스크린, 마이크로폰, 키보드, 마우스, 조이스틱 또는 사용자가 사운드 데이터를 포함하는 정보를 시스템에 입력할 수 있도록 하는 다 른 장치일 수 있다. 사용자 입력 장치는 햅틱 피드백 장치(3121)에 결합될 수 있다. 햅틱 피드백 장치(3121)는 예를 들어 진동 모터, 힘 피드백 시스템, 초음파 피드백 시스템 또는 기압 피드백 시스템일 수 있다.

컴퓨팅 장치(3100)는 하나 이상의 프로세서 유닛들(3103)을 포함할 수 있으며, 이는 예를 들어 단일 코어, 듀얼 코어, 쿼드 코어, 멀티 코어, 프로세서-코프로세서, 셀 프로세서 등과 같은 잘 알려진 아키텍처에 따라 구성될 수 있다. 컴퓨팅 장치는 하나 이상의 메모리 유닛들(3104)(예를 들어, 랜덤 액세스 메모리(RAM), 동적 랜덤 액세스 메모리(DRAM), 읽기 전용 메모리(ROM) 등)을 포함할 수 있다.

프로세서 유닛(3103)은 하나 이상의 프로그램들을 실행할 수 있으며, 그 일부는 메모리(3104)에 저장될 수 있고, 프로세서(3103)는 예를 들어 데이터 버스(3105)를 통해 메모리에 액세스함으로써 메모리에 동작 가능하게 결합될 수 있다. 프로그램들은 데이터베이스(3122)에서 수집된 행동 데이터 및 행동 편향들을 라벨링하고 가중치를 부여하고 상기에 논의된 바와 같이 기준 성격들(3109) 및 IS 인스턴스들(3108)를 개선하도록 구성된 기계 학습 알고리즘(3121)을 포함할 수 있다. 추가로, 메모리(3104)는 데이터베이스(3122)에 저장된 성격 편향들 및 행동별 편향들로부터 반응을 생성하거나 기준 성격들(3109)의 일부로서 생성하도록 구성될 수 있는 하나 이상의 전문가 시스템들(3110)을 가질 수 있다. 이러한 반응들은 또한 IS 인스턴스(3108)의 일부일 수 있다. 데이터베이스(3122) 기준 성격들(3109) IS 인스턴스들(3108) 및 기계 학습 알고리즘(3121)은 대용량 저장소(3118)에서 또는 네트워크 인터페이스(3114)를 통해 액세스되는 네트워크(3120)에 결합된 서버에 데이터(3118) 또는 프로그램(3117)으로서 저장될 수 있다.

입력 비디오, 오디오, 촉각 피드백, 냄새, 맛 및/또는 텍스트는 대용량 저장소(3115)에 데이터(3118)로 저장될 수 있다. 프로세서 유닛(3103)은 프로세서가 상기에 설명된 방법들 중 하나 이상을 수행하도록 하는 대용량 저장소(3115)에 또는 메모리(3104)에 저장된 하나 이상의 프로그램들(3117)을 실행하도록 더 구성된다.

컴퓨팅 장치(3100)는 또한 입력/출력(I/O)(3107), 회로들, 전원 공급 장치들(P/S)(3111), 클록(CLK)(3112) 및 캐시(3113)와 같은 주지의 지원 회로들을 포함하며, 이는 예를 들어 버스(3105)를 통해 시스템의 다른 구성 요소들과 통신할 수 있다. 컴퓨팅 장치는 네트워크 인터페이스(3114)를 포함할 수 있다. 프로세서 유닛(3103) 및 네트워크 인터페이스(3114)는 PAN에 대한 적절한 네트워크 프로토콜, 예를 들어 블루투스를 통해 근거리 통신망(LAN) 또는 개인 통신망(PAN)을 구현하도록 구성될 수 있다. 컴퓨팅 장치는 디스크 드라이브, CD-ROM 드라이브, 테이프 드라이브, 플래시 메모리 등과 같은 대용량 저장 장치(3115)를 선택적으로 포함할 수 있으며, 대용량 저장 장치는 프로그램들 및/또는 데이터를 저장할 수 있다. 컴퓨팅 장치는 또한 시스템과 사용자 간의 상호 작용을 용이하게 하기 위한 사용자 인터페이스(3116)를 포함할 수 있다. 사용자 인터페이스는 모니터, 텔레비전 화면, 스피커, 헤드폰 또는 사용자에게 정보를 전달하는 기타 장치들을 포함할 수 있다.

컴퓨팅 장치(3100)는 전자 통신 네트워크(3120)를 통한 통신을 용이하게 하는 네트워크 인터페이스(3114)를 포함할 수 있다. 네트워크 인터페이스(3114)는 근거리 통신망 및 인터넷과 같은 인터넷과 같은 광역 통신망을 통한 유선 또는 무선 통신을 구현하도록 구성될 수 있다. 장치(3100)는 네트워크(3120)를 통해 하나 이상의 메시지 패킷들을 통해 파일들에 대한 데이터 및/또는 요청들을 송수신할 수 있다. 네트워크(3120)를 통해 전송된 메시지 패킷들은 메모리(3104)의 버퍼에 일시적으로 저장될 수 있다. 분류된 행동 데이터베이스는 네트워크(3120)를 통해 이용 가능하고 사용을 위해 메모리(3104)에 부분적으로 저장될 수 있다.

이상은 본 발명의 바람직한 실시예에 대한 완전한 설명이지만, 다양한 대안들, 수정들 및 균등물들을 사용하는 것이 가능하다. 따라서, 본 발명의 범위는 상기 설명을 참조하여 결정되어야 하는 것이 아니라, 대신 첨부된 청구 범위를 참조하여 균등물의 전체 범위와 함께 결정되어야 한다. 본원에 설명된 임의의 특징은 바람직하든 그렇지 않든 간에, 본 원에 설명된 임의의 다른 특징과 결합될 수 있다. 다음 청구 범위에서, 부정 관사 "하나(A)"또는 "하나(An)"는 달리 명시적으로 언급된 경우를 제외하고는 다음의 항목 중 하나 이상의 수량을 말한다. 첨부된 청구 범위는 "~하기 위한 수단"이라는 문구를 사용하여 주어진 청구 범위에서 명시적으로 언급되지 않는 한, 수단+기능 제한을 포함하는 것으로 해석되어서는 안된다.

Claims (20)

1. 지능형 에이전트를 트레이닝시키는 방법에 있어서,
   a) 성격 매트릭스를 생성하는 단계;
   b) 인지 편향 매트릭스를 상기 성격 매트릭스와 조합하는 단계;
   c) 상기 조합된 인지 편향 매트릭스와 성격 매트릭스에 기초하여 상황에 대한 행동별 함수를 생성하는 단계를 포함하는, 방법.
2. 제1항에 있어서, 상기 성격 매트릭스는 적어도 마이어스 브릭스 유형 지표에 대응하는 파라미터들을 포함하는, 방법.
3. 제1항에 있어서, 상기 성격 매트릭스는 5대 성격 특성들에 대응하는 파라미터들을 포함하는, 방법.
4. 제1항에 있어서, 상기 성격 매트릭스는 적어도 하나의 전기적(biographical) 파라미터들을 포함하는, 방법.
5. 제8항에 있어서, 상기 하나 이상의 전기적 파라미터들은 위치, 이력, 문화 또는 교육 파라미터를 포함하는, 방법.
6. 제1항에 있어서, 상기 행동별 함수는 분류된 인간 상호 작용 데이터로부터 적응되며, 상기 인간 상호 작용 데이터는 상기 성격 매트릭스의 파라미터들에 기초하여 분류되는, 방법.
7. 제10항에 있어서, 상기 행동별 함수는 상기 분류된 인간 상호 작용 데이터에 대해 트레이닝된 신경망에 의해 생성되며, 상기 신경망 트레이닝은 상기 성격 매트릭스에 의해 수정되는, 방법.
8. 지능형 에이전트를 이용하기 위한 방법에 있어서,
   a) 상황을 결정하는 단계;
   b) 상기 상황에 대한 반응을 생성하기 위해 조합된 인지 편향 매트릭스와 성격 매트릭스에 기초하여 상기 상황에 대한 행동별 함수를 적용하는 단계를 포함하는, 방법.
9. 제8항에 있어서, 상기 상황을 결정하는 단계는 적어도 자연어 처리 데이터로 트레이닝된 신경망을 사용하는 단계를 포함하는, 방법.
10. 제9항에 있어서, 상기 자연어 처리 데이터는 사용자 질문에 대한 적어도 하나의 사전 답변 응답을 포함하는, 방법.
11. 제9항에 있어서, 상기 행동별 함수는 상기 신경망에 의해 결정된 반응을 수정하는, 방법.
12. 제8항에 있어서, 상기 성격 매트릭스 및 상기 인지 편향 매트릭스는 적어도 크기 및 가중치를 포함하는, 방법.
13. 제8항에 있어서, c) 상기 반응의 성공 징후를 모니터링하는 단계를 더 포함하는, 방법.
14. 제13항에 있어서, 성공 징후를 모니터링하는 단계는 기계 시각 또는 음성 분석을 사용하여 감정적 정서를 결정하는 단계를 포함하는, 방법.
15. 제13항에 있어서, 성공 징후를 모니터링하는 단계는 사용자 응답의 지연, 동일한 주제로 다시 호출, 상기 사용자의 무시 또는 상기 사용자의 분노를 모니터링하는 단계를 포함하는, 방법.
16. 제13항에 있어서, 상기 반응의 성공 징후를 사용하여 상기 인지 편향 매트릭스들 및 상기 성격 매트릭스들을 조정하는 단계를 더 포함하는, 방법.
17. 제8항에 있어서, 상기 상황을 결정하는 단계는 기계 시각 또는 물체 인식으로부터의 시각 정보를 사용하는 단계를 포함하는, 방법.
18. 제8항에 있어서, 상기 행동별 함수는 분류된 인간 상호 작용 데이터에 대해 트레이닝된 신경망에 의해 적용되며 상기 신경망 트레이닝은 상기 성격 매트릭스에 의해 수정되는, 방법.
19. 지능형 에이전트 시스템에 있어서,
    프로세서;
    상기 프로세서에 결합된 메모리;
    실행 시, 상기 프로세서가,
    a) 상황을 결정하는 단계;
    b) 상기 상황에 대한 반응을 생성하기 위해 조합된 인지 편향 매트릭스와 성격 매트릭스에 기초하여 상기 상황에 대한 행동별 함수를 적용하는 단계를 포함하는 방법들을 수행하도록 하는 상기 메모리에 내장된 비일시적 인스트럭션들을 포함하는, 지능형 에이전트 시스템.
20. 컴퓨터 판독 가능 매체에 내장된 비일시적 인스트럭션들로서, 실행 시, 컴퓨터가,
    a) 상황을 결정하는 단계;
    b) 상기 상황에 대한 반응을 생성하기 위해 조합된 인지 편향 매트릭스와 성격 매트릭스에 기초하여 상기 상황에 대한 행동별 함수를 적용하는 단계를 포함하는 방법을 구현하도록 하는, 비일시적 인스트럭션들.

Images