Beyin Okuyan Yapay Zeka Sahte Yüzleri Çekici Bulacaksınız

Tinder'ın çok da uzak olmayan gelecekteki bir versiyonunun beyninizin içine girip en çekici bulduğunuz özellikleri çıkarabildiğini hayal edin. potansiyel bir eş, daha sonra hangi partnerin bu fiziksel özelliklerden en fazlasına sahip olduğunu bulmak için romantizm arayan arama alanını tarayın Öznitellikler.

Burada sadece boy ve saç rengi gibi niteliklerden değil, daha önce çekici bulduğunuz herkesin veri kümesine dayanan çok daha karmaşık bir denklemden de bahsediyoruz. Spotify öneri sisteminin hoşunuza giden şarkıları öğrenip ardından benzer profile uyan diğer şarkıları önermesi gibi — Dans edilebilirlik, enerji, tempo, ses yüksekliği ve konuşkanlık gibi özelliklere dayanan bu varsayımsal algoritma, kalp. Ya da en azından beller. Buna yapay zeka yoluyla fiziksel çekicilik çöpçatanlık deyin.

Açık olmak gerekirse Tinder, bildiğim kadarıyla uzaktan böyle bir şey üzerinde çalışmıyor. Ancak Helsinki Üniversitesi ve Kopenhag Üniversitesi'nden araştırmacılar öyle. Her ne kadar bu açıklama, orta noktada yer alan distopik bir yüzeyselliği andırıyor olsa da

Siyah ayna Ve Aşk AdasıAslında beyin okuma araştırmaları oldukça büyüleyici.

Yüz alanını arama

Araştırmacılar son deneylerinde bir üretken rakip sinir ağı200.000 ünlü görselden oluşan geniş bir veri tabanı üzerinde eğitilmiş ve yüzlerce sahte yüzün hayalini kurmuştur. Bunlar bazı ünlülerin bazı özelliklerini taşıyan yüzlerdi; burada güçlü bir çene çizgisi, orada delici masmavi gözler vardı - ama bunlar filmdeki ünlüler gibi hemen tanınmıyordu. soru.

Görüntüler daha sonra bir slayt gösterisinde toplandı ve 30 katılımcıya gösterildi. elektroensefalografi (EEG) kapakları Kafa derilerindeki elektriksel aktivite aracılığıyla beyin aktivitelerini okuyabiliyorlar. Her katılımcıdan ekranda gördükleri yüzün güzel olup olmadığına odaklanmaları istendi. Her yüz, bir sonraki görüntü ortaya çıkmadan önce kısa bir süre boyunca gösterildi. Katılımcıların onaylarını belirtmek için kağıda herhangi bir şey işaretlemeleri, bir düğmeye basmaları veya sağa kaydırmaları gerekmedi. Sadece çekici buldukları şeye odaklanmak yeterliydi.

"Katılımcılara bu yüzlerden geniş bir seçki gösterdik ve onlardan çekici buldukları yüzlere seçici bir şekilde konsantre olmalarını istedik." Michiel SpapeHelsinki Üniversitesi'nde doktora sonrası araştırmacı olan Digital Trends'e şunları söyledi: "Bir yüzü gördükten hemen sonra oluşan beyin dalgalarını EEG ile yakalayarak, o yüzün çekici görünüp görünmediğini tahmin ettik. Bu bilgi daha sonra sinir ağı modeli (512 boyutlu) içinde bir arama yapmak için kullanıldı. 'yüz alanı' - ve bireysel bir katılımcının bakış açısıyla eşleşecek bir noktayı üçgenleyin çekicilik.”

Belirli özelliklere yönelik tercihleri ​​ortaya çıkaran gizli veri modellerinin bulunması, her yüzün tetiklediği elektriksel beyin aktivitesini araştırmak için makine öğrenimi kullanılarak sağlandı. Genel olarak konuşursak, belirli bir tür beyin aktivitesi ne kadar çok tespit edilirse (bir saniyede daha fazlası), çekim seviyeleri de o kadar yüksek olur. Katılımcıların belirli özellikleri özellikle çekici bulmalarına gerek yoktu. Spotify benzetmesine geri dönecek olursak, aynı şekilde bilinçsizce belirli bir zaman işaretine sahip şarkılara yönelmemiz gibi, izlerken beyin aktivitesini ölçerek çok sayıda görüntü ve ardından bir algoritmanın hepsinin ortak noktasını bulmasına izin veren A.I. yüzün çizildiğimizi bile fark etmeyebileceğimiz kısımlarını ayırt edebilir ile. Bu bağlamda makine öğrenimi, görevi noktaları birleştirmek olan bir dedektif gibidir.

Sağ beyni kaydırın

Spapé, "Bu mutlaka 'artan beyin aktivitesi' değil, daha ziyade belirli görüntülerin sinirsel aktiviteyi yeniden senkronize etmesidir" diye açıkladı. “Yani yaşayan beyin her zaman aktiftir. EEG, [işlevsel manyetik rezonans görüntülemeden] oldukça farklıdır; çünkü aktivitenin nereden geldiğinden pek emin değiliz, yalnızca bir şeyden geldiğinden emin oluyoruz. Sadece birçok nöron aynı anda, aynı yönde ateşlendiğinden onların (elektriksel) imzalarını alabiliyoruz. Dolayısıyla, biz 'aktivite'den ziyade senkronizasyonu ve senkronizasyonu bozmayı anlıyoruz."

Takımın sahip olduğu şeyin altını çizdi Olumsuz Yapılan şey, rastgele EEG beyin verilerine bakmanın bir yolunu bulmak ve bir kişinin çekici bulduğu birine bakıp bakmadığını hemen anlamaktır. “Çekicilik çok karmaşık bir konu” dedi. Başka bir yerde “düşünce kontrolü yapamayız” dedi.

Peki araştırmacılar, ölçtükleri şeyin çekim olduğunu garanti edemiyorlarsa bu deneyi tam olarak nasıl gerçekleştirmeyi başardılar? Cevap aslında şu ki, onlar öyle çekiciliği ölçer. En azından bu senaryoda. Araştırmacıların bu deney düzeneğinde gördüğü şey, bir deneyden yaklaşık 300 milisaniye sonra Katılımcı çekici bir görüntü gördüğünde beyni, "elektrik sinyali" adı verilen özel bir elektrik sinyaliyle aydınlanır. P300 dalgası. Bir P300 dalgası her zaman çekim anlamına gelmez, daha ziyade belirli bir ilgili uyaranın tanınması anlamına gelir. Ancak bu uyaranın ne olduğu kişiden neyi aramasının istendiğine bağlıdır. Bir kişiden farklı özelliklere odaklanmasının istendiği diğer senaryolarda, bu tamamen farklı bir şeye işaret edebilir. (Konuyla ilgili bir örnek: P300 yanıtı, yalan dedektörlerinde bir ölçü olarak kullanılır ve bir kişinin belirli bir kişiye duyduğu ilgiyle ilgili doğruyu söyleyip söylemediğini söylemek zorunda değildir.)

NeuroTinder ve ötesi

Bu çalışmada, araştırmacılar daha sonra bu çekim verilerini, üretken rakipsel ağın birleştirerek yeni özelleştirilmiş yüzler üretmesini sağlamak için kullandılar. en çok beyin kıvılcımı yaratan özellikler - katılımcıların beyin verilerinin kişisel olarak bulduklarını belirttiği yüz özelliklerinin bir Frankenstein derlemesi çekici.

"Her ne kadar katılımcılar arasında genel olarak tercih ediliyor gibi görünen bazı yüz özellikleri olsa da, bazıları Deneylerimizde oluşturulan yüzler birbirine benziyor, model gerçekten kişisel özellikler," Tuukka RuotsaloHelsinki Üniversitesi'nde doçent olan Digital Trends'e şunları söyledi: “Oluşturulan tüm görüntülerde farklılıklar var. En önemsiz yönü, farklı cinsiyet tercihlerine sahip katılımcılar, bu tercihle eşleşen yüzlere sahip oluyor."

Üretiliyor hiç var olmamış çekici insanlar kesinlikle bu teknolojinin manşetlerde yer alan bir kullanımıdır. Ancak bunun daha anlamlı başka uygulamaları da olabilir. Üretken bir yapay sinir ağı ile insan beyni tepkileri arasındaki etkileşim, verilerde mevcut olan farklı olgulara verilen insan tepkilerini test etmek için de kullanılabilir.

"Bu, bilişsel tepkilere yanıt veren özelliklerin türlerini ve bunların kombinasyonlarını anlamamıza yardımcı olabilir." Önyargılar, stereotipler gibi işlevlerin yanı sıra tercihler ve bireysel farklılıklar da var" dedi Ruotsalo.

Yakın zamanda çalışmayı anlatan bir makale yayınlandı. IEEE Transactions in Affective Computing dergisinde yayınlandı.

Editörlerin Önerileri

• Nasıl yapay zeka? Bombus arılarının beyinleri navigasyon için yeni bir çağın habercisi olabilir
• Samsung'un yeni gıda yapay zekası Buzdolabınızdakilere göre tarifler önerebilir
• Yeni kardiyoloji yapay zekası yakında öleceğini biliyor. Doktorlar nasıl çalıştığını açıklayamıyor
• Sizin için yepyeni bir yüz oluşturan deepfake teknolojisiyle çevrimiçi ortamda anonim kalın
• Akıllı yeni dil öğrenme uygulaması, yapay zeka ile konuşma pratiği yapmanıza olanak tanır. özel öğretmen