AIの中心的な難しさの1つ：感情分析の一般的な種類と課題

感情分析または感情 AI は、商用アプリケーションでは意見マイニングと呼ばれることが多く、自然言語処理 (NLP) の非常に人気のあるアプリケーションです。テキスト処理はこのテクノロジーの最大の分野ですが、唯一の分野ではありません。感情AIには3つのタイプとその組み合わせがあります。それぞれが独自の課題に直面しており、現在は異なる開発段階にあります。この記事では、これら 3 つのタイプと実際のアプリケーションにおける課題について簡単に紹介します。

[[278956]]

テキスト感情分析

NLP のサブセットとして、テキスト分析と書面による意見のマイニングは、これまでのところ最も単純で最も発達したタイプの感情分析です。これらは需要が高く、長い開発の歴史があり、企業や公共部門で最も一般的に採用されているテクノロジーです。

特にビジネス目的の基本的な感情分析は、文章、段落、投稿、または文書を否定的、中立的、または肯定的として分類することと要約できます。その中で、より複雑な感情や態度の処理、意味の抽出、意図の分類、言語学に基づく感情分析もますます人気が高まっています。

自動感情分析は通常、教師ありディープラーニング、語彙ベースの教師なしプロセ​​ス、またはその両方の組み合わせによって実行されます。

ソーシャル メディア、さまざまなレビュー プラットフォーム、公開質問回答サービスなど、既存のデータセットが多数あります。人気のあるウェブサイトを（許可を得て）スクレイピングして新しいデータを抽出することも人気があり、Twitter と Amazon が特に人気のある選択肢です。

視覚的感情分析

マルチメディア感情分析の一部として、視覚感情 AI は、テキストベースの分析と比較すると、まだ開発と商業的統合が進んでいません。

感情分析の現在の応用の良い例としては、デジタル画像リポジトリ内の感情識別子（「幸福」、「愛」、「喜び」、「怒り」）による視覚コンテンツの検索や、画像およびビデオのタグの自動予測が挙げられます。教育、政治、文化、安全保障などの目的で人々の感情を自動的に理解するアプリケーションが登場しつつあります。

現在、視覚的/テキスト分析、および画像注釈と付随するテキストの分析は、視覚的な感情分析のための人工知能を作成することを目的とした機械学習プロセスの主なソースとなっています。

視覚的な感情分析のデータは、ソーシャル メディアからも取得できます。Flickr、Twitter、Tumblr の画像や、公開されているビデオ プラットフォーム (YouTube など) などです。

多くのよく知られた注釈付き静的画像データセットのおかげで、顔の表情を簡単に解釈して分類することができます。複雑または抽象的な画像、ビデオ、リアルタイムビジョンの感情分析は、特に具体的なラベルが不足していたり​​、強制された不正確な表現などの状況に遭遇した場合に、より大きな問題となります。

複雑な視覚的感情分析には、より高度な抽象化、文化的知識、主観性、概念、手がかりの理解が必要です。ラベル付けされたデータセットは入手が難しく、表現された意味を抽出して予測することを学習するモデルを作成することも困難です。

最近の研究は大きな希望を与えているが、潜在的に危険な状況を分析するために無意識の表情やボディランゲージを組み込める視覚的な嘘発見器や脅威検出セキュリティシステムを発明できるまでには、まだ長い道のりがあることも浮き彫りにしている。

オーディオ感情分析

音声チャットボットは私たちの生活の中でますます重要な部分になりつつあり、カスタマー サービス コールでは「定型」の応答や挨拶がよく聞かれるようになりました。これらの音声アシスタントは感情分析技術をすでに使用しているか、または近々使用する予定ですが、まだ完璧とは言えません。

音声のイントネーションや文脈からストレスやフラストレーションなどの感情を検出することは、機械がすでに実行できるタスクの 1 つです。韻律と音調を理解し、シミュレートする能力は、現在の音声処理と合成の重要な部分です。

オーディオ感情分析のための既存の感情検出方法は、通常、音声認識と組み合わせられます。この分析のパラメータは、ピッチ、強度、リズム、スペクトル係数などの検出可能な音響特性のセットです。

Munich Open Source Emotion and Affect Recognition Toolkit (openEAR) は、感情分析で最もよく知られているツールキットの 1 つで、4,000 を超える特徴 (56 の音響低レベル記述子のうち 39 の特徴) を抽出できます。

感情分析と感情 AI の主な課題は何ですか?

感情 AI 開発者は、まだいくつかの課題を克服する必要があります。

今日の機械学習における共通の概念は、感情 AI の「トレーニング」の成功は常に入力データの品質に依存するというものです。 「ゴミを入れればゴミが出る」という状況を回避するには、より大きく、より良く、よりクリーンなデータセットが必要です。この状況では、次のような課題が生じます。

テキスト感情分析の課題:二重の意味、ジョーク、当てつけを識別できないこと、言語の地域差や非ネイティブの音声構造を考慮できないこと。

たとえば、文章中の皮肉を処理することは感情 AI にとって難しい作業であり、意味や意図の理解が歪む可能性があります。ソーシャル メディアは、機械学習アルゴリズムがマイニングする意見や意図のソースとなることがよくありますが、そこでの言語は確かに特定のものであり、必ずしも現実の生活における本物の会話ではありません。 「AIチャットボットがTwitterで1日過ごした後、人種差別主義者になる」のような悪名高い事件は笑えるが、今でもよくある。

視覚的感情分析の課題:実際の感情表現と強制されたまたは誇張された感情表現を区別できない、ボディランゲージが含まれない、概念的および抽象的な画像を扱う問題。

例: 感情分析の明らかな応用例としては、視覚的な嘘発見器などのセキュリティおよび防衛アプリケーションが挙げられます。これまでのところ、アルゴリズムによる認識レベルの問題は、実際の感情を理解するか、あるいは感情が欠如しているかという領域にあります。最近では、本物の表情と偽物の表情を認識することを目的とした研究や開発がいくつか成功していますが、これらは比較的小規模で非常にニッチな分野（たとえば、笑顔だけ）にとどまっています。

音声感情分析の課題:さまざまなアクセント、地域の言語パターン、個人の発音習慣などが考慮されません。

多くの非ネイティブスピーカーは、第二言語を話すときにアクセントを保持します。とりわけ、アクセントは、母国語に特有ではない、移行時の音調、発話速度、休止の変化として現れることがあります。これらを明確に説明する必要があります。そうしないと、感情や意図の誤解を招く可能性があります。

これらは、より優れたチャットボット、スマートアシスタント、家庭やビジネス環境でのロボットガイド、そして最終的には自己認識力と共感力を持ち、人間の表現を真に理解する人工知能の開発に向けて進む上で克服すべき重要な問題です。