Хотя это самое начало, наши технологические возможности и рыночный спрос уже достигли того этапа, когда то, что раньше было диковинным, становится практически неизбежным.

Как это будет проявляться? Как и в случае с другими новыми научными разработками, их будут активно продвигать в новых бизнес-проектах, и между ними возникнет конкуренция за возможность первыми появиться на рынке. Но, как было сказано раньше, выход первым на рынок не гарантирует продукту ни долговечности, ни успеха¹. Это далеко не первое поколение технологий, и мы чему-то научились за время их развития. Спонсоры будут вкладывать деньги в поисках нескольких победителей, чей продукт будет долговечным. Оценки взлетят, возможно, даже дойдя до смешного, а потом пузырь или лопнет, или сдуется до прежних размеров. В результате наступит период недовольства, а потом несколько отчаянных инвесторов будут осторожно прощупывать почву, и цикл повторится. Так начнется второе поколение эмоционального программирования.

На рынке появится экосистема компаний и заполнит еще незанятые экономические ниши. Упрочив свои позиции на рынке, они поддержат и дадут начало новым компаниям и услугам, существование которых ранее не было возможным.

Прошедшие пятьдесят лет эпохи цифровых технологий предоставили такую возможность. Компьютеры, искусственный интеллект, интернет и технология Web Х.О прошли практически через закономерность взлетов и падений на стадии разработки и инвестирования. Все они дали начало инфраструктуре, необходимой для появления новой эмоциональной экономики. У компаний появляется возможность использовать и распространять давшиеся им с огромным трудом технологии самыми различными способами. Прикладные программные интерфейсы (API) и пакеты средств разработки программного обеспечения (SDK) предоставляют компаниям, отдельным людям и даже конкурентам средства, позволяющие объединить новые технологии с собственными процессами. В то же время программное обеспечение как услуга (SaaS) доступно всем, от владельцев лицензий и подписчиков до поддерживаемых за счет рекламы интернет-сайтов и приложений. Благодаря всему этому (и многому другому) создаются новые функции и предложения, удовлетворяющие потребности рынка. Затем развивается новая инфраструктура и создаются инновации, которые были невозможны, пока не появилась поддерживающая их технология.

Интересно, что подобная конъюнктура рынка создает спрос на еще большее количество продуктов и услуг там, где прежде спроса не было. Эта полоса везения продолжается некоторое время для каждого поколения новой технологии. Насколько масштабным и быстрым будет рост? Согласно отчету об исследовании рынка 2015 года, мировой рынок продуктов эмоционального программирования будет стремительно расти с 9,3 миллиарда долларов в 2015 году до 42,5 миллиарда долларов в 2020 году. Доля США на рынке составит 22,65 миллиарда. Не так уж и скромно для рынка, которого еще десять лет назад просто не существовало.²

Компания AfFectiva, которую Пикард и эль Калиуби основали в апреле 2009 года, стала первой компанией, применившей технологии эмоционального программирования в коммерческих целях. Первоначально они планировали сосредоточиться на создании ряда продуктов, основанных на эмоциональном программировании. В частности, на вспомогательных технологиях для людей, испытывающих трудности с восприятием и переживанием эмоций, страдающих расстройствами аутического спектра. В течение года они подписали соглашение с первым сторонним инвестором – Благотворительным фондом Петера Сагера Валленберга – на сумму в 2 миллиона долларов. Последующие инвестиции принесли им еще 18 миллионов. Отношения и связи, оставшиеся со времени работы в Междисциплинарной исследовательской лаборатории, означали, что AfFectiva стартовала с уже имеющейся клиентской базой. Среди их первых продуктов были AfFdex, технология по оценке и анализу эмоций на основе FaceSense, и Q Sensor, усовершенствованная версия браслета iCalm.

Когда компания начала работу, у них был список из двадцати четырех крупных компаний, в основном входивших в рейтинг Fortune Global 500, которым нужна была их технология. Пикард отмечает: «К сожалению, все они хотели воспользоваться технологией в своих целях. Нельзя начинать работу с двадцатью четырьмя разными продуктами. Одно дело – заставить алгоритмы работать, и совсем другое – создать специальный продукт и интерфейс для совершенно разных людей, когда ты только начинаешь собственный бизнес. Так что потребовалось много времени, чтобы решить, каким именно из двадцати четырех продуктов заняться. Угодить всем просто невозможно».

Для начала Affectiva полностью обновила код приложения FaceSense, которое впоследствии стало коммерческим приложением Affdex. Дело в том, что технология распознавания образов и другие области искусственного интеллекта слишком изменились с момента создания. Например, искусственные нейронные сети (ИНС) с 1990-х годов были не в чести. Однако в 2006 году вышли две важные статьи Джеффри Хинтона и Руслана Салахутдинова. Авторы предложили ряд серьезных улучшений, после чего ИНС стала одной из передовых технологий в исследовании искусственного интеллекта³. Исследователи представили новые методы создания и обучения многоуровневых нейронных сетей, которые со временем изменят облик многих отраслей промышленности. Новые методы, от распознавания голоса и перевода до поиска изображений и обнаружения мошенничества, стали использоваться практически повсеместно.

Нейросети – моделируемые по образцу человеческого мозга⁴ – строятся как соединения программных и аппаратных узлов (представляющих синапсы и нейроны) по слоям, которые постепенно улучшают решение для входной информации, например изображения. Некоторые слои скрыты, это значит, что они принимают входную информацию и производят расчеты, а решение передают на следующий слой, где процесс повторяется. В случае распознавания изображений это означает, что каждый последующий слой нейросети считывает признаки более высокого уровня. Наконец результат передается на выходной слой. Слои называются скрытыми, поскольку точно не известно, как происходят вычисления, ведь нейросети постепенно умнеют, используя методы машинного обучения с учителем и без. Определение оптимального количества нейронов, слоев, информации на входе и методов обучения составляет часть проблемы отладки сетей.

В общем, при большем количестве скрытых слоев сеть способна функционировать с большей точностью. (Хотя есть момент, при достижении которого точность начинает падать.) Дилемма стремления к большей точности состоит в том, что чем больше используется нейронов и слоев, тем больше требуется времени для вычислений. К счастью, практически в то же время, когда вышли статьи 2006 года, стали более доступными и дешевыми графические процессоры. С ними удалось на порядок ускорить обучение нейросетей, поскольку сжатие изображений, на которое раньше уходили недели, теперь можно было выполнить за несколько дней или даже часов. Различные подходы улучшили техники глубинного обучения, в том числе ограниченную машину Больцмана и рекуррентную нейронную сеть. Улучшенные алгоритмы глубинного обучения использовались во многих разновидностях распознавания образов. Прогресс в скорости расчетов привел к значительным успехам искусственного интеллекта в течение последнего десятилетия. Например, технология DeepFace, используемая в социальной сети Facebook, способна распознавать человеческие лица с точностью до 97 %. В 2012 году команда ученых Торонтского университета по исследованию искусственного интеллекта, в которую входили Хинтон и двое его студентов, победила в соревновании между исследовательскими группами по широкомасштабному распознаванию образов в базе данных. Их нейросеть на основе глубинного обучения не оставила соперникам ни одного шанса на победу⁵. Совсем недавно компания Google DeepMind использовала техники глубинного обучения для разработки ИИ, играющего в го, под названием AlphaGo. Программа AlphaGo обучалась самостоятельно при помощи базы данных, в которую были занесены тридцать миллионов записанных ходов из игр уровня эксперта. В марте 2016 года AlphaGo выиграл у гроссмейстера по го мирового уровня Ли Седоля четыре партии из пяти. Игра в го считается более сложной для искусственного интеллекта, чем игра в шахматы. Разработчики ИИ не ожидали игры на таком уровне еще по крайней мере в течение десятилетия.

Метод обучения не менее важен, чем используемые алгоритмы. Вот почему компании Affectiva пришлось изменить код приложения FaceSense. Ведь в обучении первоначального приложения участвовало относительно мало исследователей. Как только была завершена новая система, Affectiva запустила пилотный проект, в котором рекламный ролик Супербоула[1] транслировали зрителям, давшим согласие на участие в проекте, а выражение их лиц при просмотре анализировалось через веб-камеру. Таким образом команда эль Калиуби получила результаты, необходимые для переобучения системы, на этот раз – на примерах подлинных реакций реальных людей. Дополнительное изучение рекламы и другого медиаконтента с участием зрителей позволило собрать дополнительные данные о выражениях лиц реальных людей. Это было крайне важно. Система училась распознавать трудноуловимые нюансы выражений лиц. Оттенки были настолько незаметными, что даже хороший актер не смог бы изобразить выражение лица человека, по-настоящему переживающего ту или иную эмоцию. Чем больше было образцов эмоциональных реакций на рекламные ролики, тем умнее становилась система. Вот как объяснила это эль Калиуби в своем основном докладе.

Работа с большими данными и машинным обучением была грандиозной. Фактически успех привел к еще большему успеху.

Затем, в начале 2011 года британская международная фирма по исследованию рынка Millward-Brown пригласила Affectiva продемонстрировать для них технологию Affdex. Годом ранее Millward-Brown учредила собственный отдел, занимающийся нейронауками, в надежде применить новые технологии к тестированию рекламы⁷. Но, как и многие до них, они обнаружили, что технология, работающая в лаборатории, не обязательно работает в других условиях. Системы, в которых к зрителю присоединяют электроды и сенсоры, не только громоздки, но еще и медленно работают – не говоря уже о том, что могут искажать эмоции, вызывая неудобство и тревогу.

Итак, руководство Millward-Brown предложило команде Affectiva проанализировать на своем программном обеспечении реакцию зрителей на четыре рекламных ролика (протестированных сотрудниками). В случае успеха Millward-Brown становилась клиентом и инвестором молодой компании Affectiva. Одним из роликов было видео «Атака» от компании Unilever, получившее награду Фонда Самооценки Dove. Реклама была направлена на повышение информированности о стандартах красоты, навязанных коммерцией. Ролик, в котором невинную юную девочку в буквальном смысле атакуют рекламные картинки и обращения, иллюстрировал, как средства массовой информации создают образ женщины: «Поговори со своей дочерью, пока этого не сделала индустрия красоты». Приложение компании Affectiva отследило реакции более сотни зрителей и подтвердило то, что уже было известно Millward-Brown: при просмотре ролика зрители чувствовали дискомфорт. Но система, созданная Affectiva, также обнаружила, что в конце ролика дискомфорт исчез. Услышав финальное послание, зрители испытали облегчение. Реакция была мимолетной, и не каждый зритель мог ее описать, если бы для тестирования использовались традиционные методики и опросники. Приложение точно определило то, что упустили другие техники.

Тест был пройден, Millward-Brown сдержала обещание и вложив в Affectiva 4,5 миллиона долларов⁸. С помощью приложения протестировали тысячи рекламных роликов. К началу лета доход компании превышал 1 миллион долларов. Затем Affectiva запустила первый набор средств (SDK), позволявший другим компаниям и частным лицам использовать приложение для повышения эффективности собственных программ. Это расширило экосистему искусственного интеллекта и позволило за счет просмотра рекламных роликов увеличить базу данных Affectiva. Система продолжала обучаться и становилась все точнее. Сейчас Affdex используется для анализа более двадцати тысяч рекламных роликов, и свыше четырех миллионов лиц генерируют более пятидесяти миллиардов эмоциональных опорных точек. Кроме того, приложение используется в 75 странах. В базе данных представлены лица всех типов и культур, что еще раз доказывает универсальную природу эмоциональной экспрессии.

Во время становления Affectiva как компании Дэвид Берман, на тот момент ее генеральный директор, постепенно отходил от вспомогательных технологий в более прибыльный сегмент исследования рынка. Здесь было больше возможностей для привлечения инвесторов. В результате Пикард, ориентировавшаяся на портативные устройства для отслеживания физиологических параметров, утратила авторитет. Постепенно Q Sensor отодвинули на второй план, а в апреле 2013 года компания официально прекратила его продажи. Пикард эффективно выжили из компании Affectiva, и она основала компанию Physiio. Вскоре ее новая компания объединилась с Empatica Sri, в результате чего образовалась Empatica, Inc.

На сегодняшний день Empatica продает две версии своего сенсора: Е4 для исследователей и Embrace для широкого потребления. Embrace предназначен, как и многие современные портативные устройства, для отслеживания и получения данных о разных аспектах жизни, включая уровень стресса, степень возбуждения, ритмы сна и физическую активность. Его можно использовать, чтобы распознавать эпилептические припадки и передавать сигнал тем, кто ухаживает за эпилептиком. В приборе Е4 есть функция беспроводной передачи первичных данных исследователям, которым необходимо отслеживать физиологические показатели.