چیزی تقریبا مشابه آن‌چه Spotify برای توصیه آهنگ‌هایی شبیه آهنگ مورد علاقه شما انجام می‌دهد. ویژگی‌هایی مانند ربتم، بلندی آهنگ، قابلیت خواندن آواز، انجام حرکات ورزشی با آن و… در یک آهنگ شناسایی می‌شود. پس از آن آهنگ‌هایی که پیشنهاد می‌شود کم و بیش همین ویژگی‌ها را دارند. این تقریبا چیزی است که پژوهشگران Copenhagen و Helsinki روی آن کار می‌کنند. فناوری این گروه بسیار پیشرفته و شایان توجه است. در این متن از مجله فناوری‌های توان افزا و پوشیدنی این فناوری را مرور خواهیم کرد. با ما همراه باشید.
در ابتدای این پژوهش تصاویر بیش از ۲۰۰ هزار چهره معروف برای آموزش شبکه استفاده شد. هر کدام از این چهرهها یکی از معیارهای زیبایی جامعه را در خود داشته است. اما شاید در نگاه نخست تشخیص داده نشود. از این چهرهها یک نمایش اسلایدی برای ۳۰ شرکت‌کننده تهیه شد. شرکت‌کنندگان با پوشیدن یک کلاهک EEG پس از مشاهده تصویر تنها به این فکر می‌کردند که آیا چهره روی اسلاید زیبا هست یا خیر.
پژوهشگر پسادکتری شرکت کننده در این طرح Michiel Spapé در دانشگاه Helsinki است. وی بیان کرد که امواج EEG بالافاصه پس از نمایش تصویر به فرد رصد می‌شوند. پس از تعیین وضعیت امواج(اینکه در پاسخ مثبت یا منفی به تصویر شکل گرفته است) داده‌ها برای آموزش یک شبکه ۵۱۲ بعدی استفاده شد. هدف تعیین دقیق معیارهای زیبایی برای هر فرد بود.
در واقع آن‌چه انجام می‌شود مشابه کار Sptify است. شاید ندانیم که به الگوی زمانی خاصی در یک آهنگ واکنش مثبت نشان می‌دهیم. ولی هوش مصنوعی این الگو را می‌یابد. در مورد آزمایش چهره هم هوش مصنوعی از میان انبوه داده‌ها الگوهای مشترک تصاویر زیبا را برای هر فرد می‌یابد.
اندازه گیری کمی ترجیحات افراد با EEG
Spapé این آزمایش را این گونه توضیح می‌دهد که یک ذهن زنده همیشه فعال است. پس ما فعالیت تشدید یافته نورون‌ها را اندازه نمی‌گیریم. بلکه شاهد همگام شده برخی نورون‌ها در واکنش به تصویر پیش روی فرد هستیم. وی بیان کرد: « EEG با تصاویر FMRI فرق دارد و ما مطمئن نیستیم که پاسخ دریافتی از کدام قسمت مغز می‌آید، فقط می‌دانیم این پاسخ مشاهده می‌شود. تنها به این دلیل که نورون‌های بسیاری همزمان و در یک جهت شلیک می‌کنند قادر به مشاهده این اثر الکتریکی هستیم. پس به جای فعالیت داریم همگامی و عدم همگامی را اندازه می‌گیریم.»
Spapé به روشنی توضیح داده است که گروه راهی برای رصد داده‌های تصادفی ندارد. یعنی نمی‌توانند به هر داده EEG نگاه کنند و بگویند که آیا در زمان اندازه‌گیری فرد مشغول نگاه کردن به تصویری زیبا بوده است یا خیر: « ما توانایی کنترل افکار را نداریم»
در واقع این گروه در حدود ۳۰۰ میلی ثانیه پس از نشان داده یک تصویر مثبت به کاربر شاهد یک چیزی هستند که سیگنال P۳۰۰ نامیده می‌شود. سیگنال P۳۰۰ در واقع نشان‌دهنده یک محرک است. اما اینکه محرک ما چیست صرفا به چیزی بستگی دارد که کاربر روی آن تمرکز می‌کند. پس اگر از کاربر بخواهید روی ویژگی‌های اعضای صورت تمرکز کند، P۳۰۰ زیبایی سنجی فرد را نشان نمی‌دهد. بلکه چیزی کاملا متفاوت خواهد بود. به عنوان نمونه P۳۰۰ همان چیزی که دروغ سنج استفاده می‌کند. ولی معنی این حرف این نیست که فرد در مورد معیارهای زیبایی خود دروغ تحویل آزمایش کننده گان داده است یا خیر.
فراتر از آزمایش تشخیص چهره
پس از این آزمایش معیارهای یافت شده زیبایی برای ساخت چهره‌های جدید استفاده شد. این معیارها بر اساس ترجیحات کاربران با هم ترکیب شد و تصاویری جدید ساخته شد. Tuukka Ruotsalo استادیار دانشگاه Helsinki برای شفاف شدن نتیجه بیان کرد: « شاید به نظر برسد برخی اشکال خاص اجزای صورت به صورت عمومی در میان نمونه‌های آزمایش مشترک بوده است و برخی تصاویر حاصل از این آزمایش شبیه یکدیگر است. اما واقعیت این است که مدل ترجیحات شخصی هر فرد را در نظر گرفته است.»
این آزمایش کاربردهایی فراتر از تولید تصاویر دارد. در واقع برهم‌کنش بین یک شبکه عصبی هوشمند مبتکر با مغز انسان امکان اندازه‌گیری واکنش انسان را به داده‌های مختلف فراهم می‌کند. همچنبن می‌توان فهمید که افراد به چه چیزهایی تمایلات افراطی دارند یا ترجیحاتی دارند.
لطفا دقت کنید در این مقاله تنها روش کار یک گروه توصیف شده است. هدف تائید یا رد یا اخذ معیارهای اخلاقی از این پژوهش نیست.
