Paul Ekman amerikai pszichológus 1967-ben a Pápua Új-Guinea távoli hegyvidékén, a külvilágtól elzártan élő fore törzs tagjaival kommunikálva, igyekezett bizonyítékokat gyűjteni arra a hipotézisre, mely szerint minden emberi arc ugyanúgy fejezi ki az alapvető – univerzális – érzelmeket. Kártyákat mutatott nekik mosolygó, dühöngő és más lelki állapotban lévő személyekről, kommunikációs partnerei pedig nagy nehézségek árán azonosították a képekkel kifejezett érzéseket.

A munka rendkívül lassan ment, de végül a fiatal kutató levonta a következtetést: az érzelemkifejezés egyetemes. Elmélete meghódította a világot, az általa feltérképezett, kodifikált megnyilvánulásokon 2024-ben már 26 milliárd dolláros üzlet fog alapulni.

Manapság a nemzetbiztonságtól a repülőtéri ellenőrzésig, az oktatástól a munkaerő-felvételig, változatos területeken alkalmaznak érzelemfelismerő technológiákat. Infokom cégek irdatlan mennyiségű képet (Instagram szelfiket, Tiktok videókat, Flickr fotókat, Pinterest portrékat stb.) használnak emocionális állapotok címkézésére. Az érzelemfelismerés sok platform, a legnagyobb techvállalatok és a kis startupok infrastruktúrájának meghatározó részévé vált.

Az arcfelismerés adott személyeket próbál azonosítani, az érzelemfelismerés az arcon tükröződő lelkiállapotokat igyekszik osztályozni. Ezek a széles körben elterjedt, automatizált rendszerek befolyásolják a viselkedésünket, társadalmi szervezetek tevékenységét, miközben működésük alapjai változatlanul bőven megkérdőjelezhetők.

Mi van, ha nem igaz, hogy arcunkra ösztönösen kiülnek az érzelmeink, ráadásul majdnem mindenki arcára ugyanúgy, és aktuális állapotunk gépekkel ki is mutatható? – teszi fel a kérdést Kate Crawford, a Microsoft kutatója.

Az érzelemfelismerés annyira elfogadott, hogy egyes területeken már az is bizarr, ha valaki kételkedik egyes eredményeiben. Crawford szerint az ezzel foglalkozó mesterségesintelligencia-szakemberek áltudományokat élesztenek újjá, például az „agyi dudorok” emberi jellemvonásokhoz köthető szerepét hirdető frenológiát.

Érzelemfelismerő algoritmusok fejlesztésénél ignoráljuk a kulturális, szociális különbségeket. Tudósok hosszú ideig próbálkoztak arcmozgások érzésekhez társításával, és az MI-rendszerek most ugyanezt teszik. Igazából viszont soha nem működött a technológia – állítja Crawford.

Ekman sem ismerte a fore törzs kultúráját, nyelvét, szokásait.

Kutatók általában idealizált képeket gyártanak egy-egy érzéshez, csakhogy míg egyes kultúrákban funkcionálnak ezek a fényképek, másokban teljes tévutat jelentenek.

Crawford egyik példája a 9/11 után bevezetett, terroristákat negatív érzelmeik (stressz, félelem, megtévesztés stb.) alapján automatikusan felismerni hivatott SPOT algoritmus. 900 millió dollárt költöttek rá, és semmiféle bizonyíték nincs arra, hogy valaha is működött.

„Az érzelemfelismerés automatizálásának veszélye, hogy visszavisz minket a frenológiai múltba, amikor hamis állításokkal erősítették meg a hatalmi rendszert. Az érzelmek bonyolultak, kultúránkkal és történelmünkkel, az MI keretein túli rendszerekkel korrelálva fejlődnek és változnak” – összegez Crawford.

Az IBM Watson nevű mesterséges intelligenciája a népszerű amerikai televíziós verseny, a Jeopardy bajnokainak 2011-es legyőzésével lett világhírű. Azóta a Watson brand ugyan megkopott, az óriásvállalat nyelvfeldolgozó projektjei viszont a csúcson pörögnek.

A Vitatkozó Projekt az egyik, és az MI pontosan azt teszi, amire a cím utal: formális vitákban vesz részt emberekkel.

A vita a két fél négy-négyperces nyitónyilatkozatával kezdődik, aztán jönnek a cáfolatok, megerősítések, érvek és ellenérvek, végül a zárószövegek. Egy jó vitázó gyorsan elő tudja készíteni a bizonyítékokkal alátámasztott érvelést, hitelesen cáfolja partnere állításait, logikusan rendszerezi a sajátjait.

Mivel ezek a feladatok túl szerteágazóak egyetlen (end-to-end) rendszer számára, az IBM-csapat egymástól független komponensekből álló komplex, moduláris „rendszerek rendszerét” fejlesztett. Ő a Vitatkozó Projekt (Project Debater), amely jelzést kap, hogy valami ellen, vagy mellett érveljen. Ezt követően jön a vita, tények és cáfolatok, bizonyítékok keresésével, amelyeket beszéddé gyúr össze.

Az „érvbányász” komponens releváns véleményeket, kivonatokat, állításokat támogató és tagadó részleteket tartalmazó, több mint 400 millió cikkből álló gyűjteményben böngész, keres. Egy idegháló alapú modell és egy másik komponens osztályozza a véleményt, hogy támogatandó, vagy sem.

Az érvek ismeretbázisa argumentumok, idézetek és analógiák tematikus osztályokba rendezett gyűjteménye. A rendszer osztályozza a témát, amiről vitáznak, releváns érveket keres. Az ellentétpárok össze vannak kapcsolva, hogy a Vitatkozó megcáfolja az ellenérveket, viszont a véletlenszerű egyetértést is elkerülje.

A cáfoló modul Watsontól örökölt technikával szöveggé alakítja a vitapartner szövegét. Összehasonlítja a többi komponens által talált érveket, a számításokhoz különböző modelleket kombinál össze, cáfolatához végül a legrelevánsabb érveket használja fel.

A vitaszerkesztő komponens témáik alapján klaszterezi az érveket, szabályalapú rendszer kiszűri a hasonlókat, majd kiválasztja és szöveggé rendezi a legjobbakat. Végül a szöveg-beszéd modul szintetizálja a kimenő audioanyagot.

A Vitázó Projekt az első ilyen rendszer, és így összehasonlításra alkalmas hivatalos mérce, szabvány (benchmark) sincs. A kutatók más mesterséges intelligenciákkal vetették össze, és mindegyiknél jobban teljesített. Egy korábbi változata viszont 2019-ben ugyan szorosan, de veszített a vitabajnok Harish Natarajan ellen.

Az Egyesült Államok kormánya, kormányzati ügynökségei minél több mesterségesintelligencia-technikát akarnak az egészségügyben. Szándékukat több tény jelzi.

Egy friss felmérés alapján amerikai döntéshozók 222 MI-alapú orvosi eszköz használatát hagyták jóvá. Az ország Élelmiszer- és Gyógyszerfelügyelete (FDA) tervet adott ki a gépi tanulással működő egészségügyi műszerek, gépek szabályozásának frissítéséről. A Járványellenőrzési és Megelőzési Központ gépi tanulás segítségével készíti el éves influenza-kitörés előrejelzéseit. A Covid-19 szűrésekhez már tavaly is alkalmaztak chatbotot (beszélgető robotot).

Drasztikusan fel akarják gyorsítani a biomedikális orvosi kutatásokat. A cél érdekében a medicina területén végzett k+f-be évi 41,7 milliárd dollárt fektető Nemzeti Egészségügyi Intézet (NIH) bejelentette a Híd a mesterséges intelligenciához (Bridge2AI) programot. A program rendeltetése a gépi tanulás promótálása a biológiában és az egészségügyben.

Elsődleges célja új adatsorok fejlesztése. Minél nagyobb és jobb egy speciálisan gépi tanulásra kidolgozott adatsor, annál hatékonyabban tud segíteni az emberi szervezetben lejátszódó folyamatok feltárásában, betegségek kialakulásában – és a gyógyításban.

A Bridge2AI szabványosítani is akarja a különböző forrásokból származó adatokat, és automatizált eszközöket is fejlesztenek az adatsorok kialakításához. Olyan elvek mentén hozzák ezeket létre, hogy a gépek a lehető legkevesebb emberi beavatkozással használják az adatokat.

A program két területen finanszírozza a kutatásokat.

Az egyik a „nagy kihívásokat” megoldó, például a gének betegségekre adott reakcióinak megértését, fiziológiai mozgások modellezését, betegségekhez vezető biológiai folyamatok folyamatos megfigyelését segítő adatsorok kidolgozása.

A másik a Bridge2AI-hoz kapcsolódó projektekkel foglalkozó adminisztrációs központ alapítása. A központban a leghasznosabb gyakorlati megoldásokat fogják keresni a „nagy kihívásokra.” Főként a csapatmunkával, etikai kérdésekkel, szabványokkal, eszközök optimalizálásával és a munkaerő fejlesztésével szándékoznak foglalkozni.

Az NIH júniustól várja a jelentkezéseket, az anyagi támogatásról pedig jövő tavasszal dönt.

A program dicséretre méltó, mert az amerikai döntéshozók felismerni látszanak a mesterséges intelligenciában rejlő óriási egészségügyi potenciált. A speciális adatsorok rengeteget segíthetnek e lehetőségek valóra váltásában.

Járműbiztosítók egyre nagyobb mértékben használnak gépitanulás-modelleket a karambolok, ütközések, koccanások miatti javítási költségek kiszámításához.

Az egyik ok tragikusan prózai: mivel a koronavírus-járvánnyal egyre nehezebbé vált, hogy húsvér kárbecslők a helyszínen, vagy a szerelőműhelyben megnézzék a megrongálódott járműveket, a terület az automatizált megoldások felé fordult. A tendencia korábban is érzékelhető volt, de a Covid-19 hatásaként az elmúlt közel másfél évben jelentősen felgyorsult.

Ha egy vezető karambolozik, a biztosítótársaság letöltet vele egy, a következmények dokumentálásában segítő appot. Az ilyen rendszerek a kisebb ütközések kárbecslésében, valamint a totálkár megállapításában teljesítenek különösen jól.

A kár osztályozásához felhasználják a karambolokról stb. készült változatos fényképeken begyakoroltatott modelleket. A modell megállapítja azt is, hogy a sérült részekhez kell-e humán szakértőtől további vizsgálat. Amennyiben erre nincs szükség, a gépi elemzésben pontosítani kell a kárt, és fel kell becsülni a javítási költségeket.

A javítás árának kiszámításához helyi járműjavítók és alkatrész-kereskedők adatait használják a modellek. Munkájukat humán szakértők átnézik még, ők bólintanak rá.

A Tractable szoftvere a becslések 25 százalékát emberi beavatkozás nélkül is pontosan elvégzi. A Smart Estimate, azaz okos becslés appot fejlesztő CCC Information Services szerint a rendszerükkel dolgozó szakértők 30 százalékkal hatékonyabb munkát végeznek.

Több karosszéria-javító műhely tulajdonosa viszont az automatizált becslések pontatlanságára panaszkodik – különösen azért, mert a modellek gyakran nem veszik észre a nehezen látható károkat. A pontatlan becslések szerelési hibákhoz és késésekhez vezetnek, miközben a szerelők és a biztosítók gőzerővel vitatkoznak a költségek mértékén.

Tény viszont, hogy az intelligens kárbecslő alkalmazások sokkal gyorsabbak, mint a helyszínen vizsgálódó szakértők. Ha pontosan dolgoznak, pénzt spórolnak meg a biztosítótársaságoknak, és a vezetők követeléseinek is hamarabb eleget tesznek.

Vajon az önvezető autók is használnak majd ilyen appokat, hogy felbecsültessék a koccanások költségeit?

Világszerte egyre gyakrabban próbálják szabályozni a mesterséges intelligencia használatát.

Az Egyesült Államok Szövetségi Kereskedelmi Bizottsága április második felében jelezte, hogy jogi útra lép az elfogult, részrehajló rendszereket fejlesztő vállalatokkal szemben. Más országok, köztük Ausztrália, az Egyesült Királyság, India és Kína a nagy techcégeket megregulázni hivatott törvényeket hozott, amelyekből az MI sem maradt ki.

Az Európai Unió a 2018-as általános adatvédelmi rendelet, a globális trendet elindító GDPR folytatásaként, az MI technológiák és alkalmazások szigorúbb szabályozását, egyes esetekben a tiltásukat javasolja. A javaslat az első eset, amikor meghatározó jelentőségű nemzetközi szervezet a technológia feletti szélesebb kontrollt akar.

A százoldalas dokumentum kockázati szintjük szerint osztja három kategóriára az MI-rendszereket. Mesterségesintelligencia-definíciójuk a gépi tanuláson és a logikán alapuló megközelítésre, így a szakértő rendszerekre és a statisztikai modellekre is vonatkozik.

A törvények megtiltanák az „elfogadhatatlan” kockázattal járó megoldásokat, mint a valósidejű arcfelismerést, az embereket tudatalattira ható jelzésekkel manipuláló, valamint a személyek megbízhatóságát viselkedésük vagy identitásuk alapján kiértékelő algoritmusokat.

A „magas kockázati szint” személyeket azonosító, a közlekedést, a vízellátást és más infrastruktúrákat irányító, kontrolláló, az alapvető szolgáltatásokkal, munkaerő-felvétellel és elbocsátással foglalkozó, valamint a büntetés-végrehajtásban használt MI-rechnikákra vonatkozik. Ezeknek a rendszereknek bizonyítottan megbízhatónak kell lenniük, tanulásukhoz kiváló minőségű adatokat kell használni, és részletes dokumentáció is kötelező hozzájuk. A chatbotoknak és a hasonló alkalmazásoknak tudatniuk kell a felhasználóval, hogy géppel kommunikálnak.

A harmadik, az alacsonyabb kockázati szintnél önkéntes szabályozást javasolnak az EU illetékesei. Ebbe a kategóriába többek között a környezetvédelemmel, a fenntarthatósággal, a fogyatékkal élőkkel kapcsolatos változatos MI-technikák tartoznak.

A szabályokat megszegő cégek akár éves bevételeik 6 százalékára is büntethetők.

A javaslatokat, törvényeket kritizálók szerint a szabályozók lassítják az innovációt. Emberjogi aktivisták szerint viszont réseket hagytak alapvetően betiltandó alkalmazások előtt. Az arcfelismerés például csak valósidejű használatkor tiltandó, a múltban rögzített videoanyagok esetében viszont használható.

A mezőgazdaság automatizálása, robotika és mesterséges intelligencia, az okos technikák elterjedése a szektorban az utóbbi évtized egyik meghatározó trendje volt. A tendencia folytatódik, az agráriumban egyre több az infokommunikációs megoldás.

A terület forradalmasításának egyik élharcosa, az intelligens gépeket fejlesztő, seattle-i Carbon Robotics bemutatta harmadik generációs Autonóm Gyomlálóját, a gyomokat azonosító és nagyon hatékony lézerrel elpusztító mezőgazdasági robot harmadik generációját.

A gyomok folyamatosan viaskodnak a többi növénnyel térért, napfényért, a talajban lévő tápanyagokért. Megkönnyítik a kártékony rovarok tevékenységét, hogy megfertőzzék, elpusztítsák a termést. Ellenőrzésük a mezőgazdák egyik legfontosabb feladata.

Elpusztításukhoz a gyomirtó vegyszerek sokáig tűntek hatékony módszernek, csakhogy más növényekben is komoly károkat okoznak, mérgezik a vizeket, és a talajt is károsítják. Másik megoldás, ha a farmerek kézzel végzik a munkát, ami egyrészt kellemetlen és fárasztó tevékenység, másrészt a szektorban tapasztalható munkaerőhiány évről évre súlyosbodó probléma. Mezőgazdák gyakran panaszkodnak: egyre nehezebb idénymunkásokat találniuk.

Ezeket a gondokat oldhatja meg az Autonóm Gyomláló. Tevékenységével sem a talajban, sem a vízben nem okoz kárt, és mivel automata módban dolgozik, munkakörére a mezőgazdáknak sem kell felvenniük senkit.        

Kicsit úgy néz ki, mint egy kerekekre rakott nagy kocka. Miközben magát vezeti a terménysorokban, tizenkét kamerája folyamatosan pásztázza a földet és a növényeket. Mesterséges intelligenciával működő fedélzeti számítógépe azonosítja a gyomokat, amelyeket lézerrel irt ki.

Óránként százezernél több gyomot képes elpusztítani, naponta tizenöt-húsz hektárt gyomtalanítani. Összehasonlításként: mezőgazdasági munkások általában napi egy hektárral boldogulnak.

A gép nem olcsó, egyelőre nem tudni az árát, de többszázezer dollárba kerülhet. A Carbon Robotics szerint a befektetés két-három éven belül térülhet meg. Sok mezőgazdasági robot sajnos nagyon drága, a gyomlálóból viszont idén már nem lehet rendelni, mert annyi a foglalás.

A boldog kevesek már használják is, és nagyon elégedettek vele.

„Farmerként, ez az egyik leginnovatívabb és legértékesebb technológia, amit valaha láttam” – nyilatkozta egy új-mexikói gazda, majd hozzátette, hogy a robotok mainstreammé fognak válni a szektorban, mert a mai mezőgazdaság több égető problémájára, például a vegyszerek túlzott használatára, a nem elég hatékony munkafolyamatokra, a munkaerőhiányra megnyugtató megoldást kínálnak.

A videó keresőmotorokat gyakran egy-egy videó rangsorolása alapján értékelik ki. Az adott anyagot rövid leírás kíséri a tesztsorban. Ez a feltétel viszont nem biztos, hogy pontos képet ad a rendszer valódi környezetben játszott szerepéről, hogy mennyire hasznos olyankor, amikor nem egy, hanem sok videó felel meg a keresési kritériumoknak.

A Bristol Egyetem kutatóinak munkája, az új mércének, szintnek javasolt Szemantikus hasonlóság-alapú videokinyerés (SVR) megoldhatja a problémát. Az SVR sok hasonló videó rangsorolása alapján értékeli ki a keresőket. A kutatók maguk is fejlesztettek egyet, amely egyébként nagyon jól teljesített.

A hasonlóság-alapú kiértékeléshez magához a leírások és a videók közötti hasonlósághoz kell nagyon pontos mértéket találni. Az összehasonlításhoz nincs automatikus módszer, a leírások viszont többféleképpen összehasonlíthatók.

A kutatók először a rendelkezésükre álló leírások közötti hasonlóságokat értékelték ki, hogy aztán egyáltalán belekezdhessenek a leírások és a videók összehasonlításába. Így vált lehetővé rendszerük gyakoroltatása, amely több videóhoz társított szöveget rangsorolt, majd a keresési eredményeket is kiértékelte.

A leírásokhoz és a videókhoz külön reprezentációkat generálva, a kutatók tovább finomították a hasonlóságokat. Felirat alapján a rendszer megtanulta a pontosabb rangsorolást, hogy mely anyagoknál passzol leginkább a videó- és a szöveges reprezentáció (és persze fordítva is: a szöveg mikor kapcsolódik a mozgóképanyaghoz).

Film-, híradó- és más forrásokkal végezték a teszteket. Ha a hasonlóság meghaladta a megadott küszöbértéket, akkor a leírás megfelelt a videónak. A rendszer a leírások reprezentációját létrehozó nyelvi modellel és videóreprezentációkat generáló ideghálóval dolgozott együtt. A hasonlóságokat és az eltéréseket egyaránt jól kezelte, és a videókat is pontosabban rangsorolta, mint a korábbiak.

A kutatók azzal is újítottak, hogy egy, már bevált tesztet sikeresen elvégző rendszer helyett, az ezekhez a rendszerekhez jobban passzoló tesztet dolgoztak ki. Megközelítésük a jövőben hasznosabb rendszereket eredményezhet.

A kutatás tanulsága, hogy a gépi tanulás fejlődésével egyre több új mércére lesz szükség, mert különben nem tudjuk pontosan követni és mérni az állandó újításokat.

Ideghálók nemcsak új képeket generálnak, hanem évszázadok óta elveszettnek hitt festmények megtalálásában, restaurálásában is részt vesznek, például az Oxia Palus brit startup mesterséges intelligenciájának rendeltetése elveszett műalkotások feltámasztása. A munkához mélytanulást (deep learning) és 3D nyomtatást használnak, így keltettek életre egy Picasso festmény mögé rejtett képet.

Kutatók 2018-ban röntgensugaras technikával kimutatták, hogy az 1902-es Kuporgó nőt a művész más műalkotásra festette. Művészettörténészek szerint a barcelonai parkot ábrázoló másik kép Picasso kortársának, Santiago Rusiñolnak a munkája.

Az Oxia Palus vezetője és főmérnöke a röntgenkép alapján elkészítette a rejtett festmény fekete-fehér kontúrjait, majd a képfelületet épített szerkezetekre, zöldre és az égre bontották fel. Utána Rusiñol egy másik festménye alapján mesterséges ideghálójuk meghatározott részeket a festő stílusában alkotott újjá. Az eljárást stílustranszfernek hívják.

A művész ecsetvonásait más képein használt speciális technikával utánozták. Szürkeárnyalatú változatot készítettek, amelyet a festmény „domborzat-térképére” alkalmaztak. Az így generált képet és a domborzat-térképet egy 3D nyomtatócéggel közösen printelték ki, pontosabban „printelték egybe.”. A fakszimile létrehozásánál különösen arra ügyeltek, hogy a festékrétegek alatt ne károsodjon a vászon.

A másolatvédelem miatt minden egyes printhez egyedi kódot generáltak, a tervek szerint a Parc Del Laberint D’horta című festményből száz sorszámozott darabot értékesítenek.

A stílustranszfer módszer korábbi változatát egy másik Picasso-alkotás, Az öreg gitáros mögé rejtett női portré „újraélesztéséhez” használták. Legutóbb generatív ellenséges hálózatokat (generative adversarial network, GAN) gyakoroltattak Leonardo da Vinci és tanítványai 225 festményén, hogy feltámasszák a Sziklás Madonna mögötti képeket.

Későbbi műalkotások mögé rejtett anyagok sok mindent elárulhatnak, például hogy az adott festő milyen eredeti ötletből indult ki. Érdekes képet kaphatunk így alkotói folyamatokról, az adott korról. A stílustranszfer és a 3D nyomtatás összekombinálása komoly eszközzé válhat művészettörténészek számára.

A technológiai ipart elemző CB Insight közzétette ötödik éves listáját a száz legígéretesebb mesterségesintelligencia-fejlesztő privát startupról. A trend egyértelmű: a koronavírus-járvány ellenére is virágzik az MI, egyre több és innovatívabb cég tűnik fel.

Hiába világméretű a gazdasági válság, a terület prosperál. Az MI hatása egyértelműen globális, az érintett vállalatok nagy többsége mégsem szétszórtan mindenfelé, hanem az Egyesült Államokban található.

A százat 6 ezres listáról válogatták ki. A válogatásnál olyan kritériumokat vettek figyelembe, mint a befektetők száma és típusa, kutatásfejlesztési tevékenység, versenyképes környezet, a cégekről szóló ismertetők.

A százaknak valamivel több mint a fele kínál gépitanulás-szolgáltatást, gépitanuló-rendszerek működtetését, azaz a mostani MI alapjait. A többiek tizennyolc iparágat képviselnek, leginkább az egészségügyet, a szállítást, a kereskedelmet és a logisztikát.

2010 óta összesen 11,7 milliárd dollárnyi támogatást kasszíroztak be. A legtöbb befektetésre, 1,6 milliárdra a kínai chipfejlesztő Horizon Robotics, az önvezető járművekkel foglalkozó amerikai Aurora (1,6 milliárd) és a szintén autonóm közlekedési eszközökön dolgozó kínai Momenta (783 millió) tett szert. Több mint egy tucat startup értéke haladja meg az egymilliárd dollárt.

Sok cég még valóban a kezdeteknél, több mint a harmaduk a befektetések első körénél tart.

Hatvannégy vállalat székhelye található az Egyesült Államokban, nyolcé az Egyesült Királyságban, haté-haté Kínában és Izraelben. A távol-keleti nagyhatalom szerepét viszont jól jelzi, hogy a legnagyobb támogatásban részesült cégek listáján, az első háromból kettő kínai.

A tavalyi listáról mindössze huszonegyen maradtak állva, hármójuk túl van már a sikeres tőzsdei bevezetésen, egyikük a szokásos befektetői csatornák nélkül került tőzsdére, kettőt felvásároltak. Mindegyik működik még, nem fordítottak hátat a szakterületnek, nem hagyták abba.

Az Intel Bleep (szó szerint: „sípjellel kicenzúráz”) hangfelismerő eszközével chatek automatikusan moderálhatók, lehetővé válik, hogy leállítsuk a ránk zúdított szidalmakat, durva beszédet. Játékokra találták ki, egyelőre a bétaváltozatnál tartanak, azt viszont sikeresen tesztelték, még idén várható a kereskedelmi forgalmazás.

A chipgyártó a tartalommoderáló technológiákat fejlesztő Spirit AI-val dolgozott együtt az új eszközön. A felhasználók finomhangolhatják, hogy egy-egy hangalapú kommunikációból mennyi és milyen típusú durva beszéd jusson el hozzájuk.

A Bleep a beszéddetektálást kombinálja össze a Spirit AI csúcstermékével, amely chatkörnyezetben határozza meg, hogy egy kifejezés, mondat stb. zaklatásnak számít, vagy sem.

A rendszer kilenc kategória, például a szexuálisan explicit nyelvezet, az LGBTQ-ellenes gyűlöletbeszéd, vagy a nőgyűlölet alapján ítéli meg, mennyire sértő egy szöveg. A felhasználók dönthetnek, hogy egyet sem, többet vagy mindegyiket kiszűrik. A tizedikre, az (afroameriaikra vonatkozó sértő) N-szóra, a rendszer szintén felajánlja az igen/nem választási lehetőséget.

A Bleep egyelőre Windows-PC-ken fut, és mivel közvetlen interakcióban áll a Windows audiokontrollal, sok hangalapú chatalkalmazással működik.

Mások szintén próbálkoznak a játékokban lévő hangkommunikáció, chat önkéntes moderálásával.

A ToxMod moderátoroknak kínál a sértő nyelvezet szervereken átívelő követésére alkalmas kezelőfelületet. A Hive rendszere audió, videó, szöveges és képi tartalmak szűrésére egyaránt alkalmas, egyik ügyfele például a nem kívánt meztelen fotóktól óvja meg az azokra nem kíváncsi felhasználókat. A Two-Hat megoldása a moderálást például szándékos helyesírási hibákkal megtévesztő próbálkozásokat mutatja ki.

A fejlesztéseket a hálózati kommunikáció védelme, a visszaélések és sértegetések nélküli interakció vágya teszi szükségessé. A Rágalmazásellenes Liga felmérése alapján az amerikai online gamerek 22 százaléka azért hagyott abba játékokat, mert verbálisan inzultálták őket.

De még mielőtt cenzúrát kiáltanánk, ne felejtsük el, hogy a moderálásról mi magunk dönthetünk.