L'algoritmo AI identifica le immagini umoristiche

L'umorismo è una qualità unicamente umana. La maggior parte delle persone è in grado di riconoscere frasi divertenti, incidenti, immagini, video e così via. Ma non è sempre facile dire perché queste cose sono divertenti.

Quindi è facile immaginare che l'umorismo sarà uno degli ultimi bastioni che separano gli esseri umani dalle macchine. I computer, si pensa, non possono sviluppare il senso dell'umorismo finché non riescono a cogliere le sottigliezze dei nostri ricchi contesti sociali e culturali. E anche le macchine IA più potenti sono sicuramente molto lontane da questo.

Quel pensiero potrebbe presto cambiare. Oggi, Arjun Chandrasekaran della Virginia Tech e i suoi amici affermano di aver addestrato un algoritmo di apprendimento automatico per riconoscere le scene umoristiche e persino per crearle. Dicono che la loro macchina possa prevedere con precisione quando una scena è divertente e quando non lo è, anche se non sa nulla del contesto sociale di ciò che sta vedendo.

Gli psicologi hanno una comprensione relativamente scarsa dei meccanismi alla base dell'umorismo. La maggior parte delle teorie dell'umorismo suggerisce che le sue componenti chiave siano qualità come imprevisto, incongruenza, dolore e così via. Quando uno o tutti questi elementi sono presenti in frasi, immagini e video, le possibilità di sorridere aumentano.

Chandrasekaran e compagni limitano il loro studio alle immagini. E per semplificare le cose, si limitano alle immagini create con un programma di clip art. Questo contiene 20 modelli umani di bambole di carta di varie età, generi e razze con braccia e gambe mobili e otto diverse espressioni. Contiene anche 31 animali in varie pose e circa 100 oggetti interni ed esterni come porte, finestre, tavoli, sole, nuvole, alberi e così via.

Una parte fondamentale di qualsiasi processo di apprendimento automatico è la creazione di un database che contenga buoni esempi delle cose che l'algoritmo deve imparare. Questo non è un compito facile, in particolare quando si tratta di qualcosa di così soggettivo come l'umorismo.

Il team affronta questo problema chiedendo ai lavoratori del servizio Mechanical Turk di Amazon di creare scene divertenti utilizzando il programma di clip art, insieme a una breve frase che descrive il motivo per cui pensano che le scene siano divertenti. Hanno anche chiesto a queste persone - i turchi, come vengono chiamati - di creare scene non divertenti.

In questo modo, il team ha accumulato un database di 6.400 immagini, metà delle quali erano divertenti e metà non divertenti. Hanno calibrato il database chiedendo ad altri turchi di valutare la comicità di ogni scena e hanno scoperto che la maggior parte rientrava nelle categorie previste, anche se alcune scene non divertenti si sono rivelate involontariamente divertenti e viceversa.

Dopo ulteriori analisi, si è scoperto che le scene giudicate più divertenti erano solitamente associate ad animali o persone che facevano qualcosa di insolito.

Ciò ha spinto il team a pensare a come alterare la comicità di un'immagine. Un modo per farlo è sostituire l'oggetto o la persona che fa qualcosa di insolito con un oggetto o una persona diversa. Così hanno chiesto ai turchi di sostituire gli oggetti con altri che fossero il più simili possibile al primo oggetto, ma ciò rendeva la scena poco divertente. Questo ci aiuta a capire la semantica a grana fine che fa sì che una specifica categoria di oggetti contribuisca all'umorismo, dicono.

In questo modo, hanno alterato ciascuna delle 3.000 immagini divertenti in cinque modi diversi per creare un database di 15.000 controparti non divertenti di immagini divertenti.

Con questo database alle spalle, Chandrasekaran e colleghi hanno iniziato il compito di addestrare un algoritmo di apprendimento automatico per individuare la differenza tra immagini divertenti e non divertenti (trattenendo il 20% del database per testarlo in seguito).

Hanno dato alla macchina due compiti. Il primo era prevedere la buffità di una scena e il secondo era alterare la buffità di una scena sostituendo un oggetto al suo interno.

I risultati costituiscono una lettura interessante. In generale, l'algoritmo si comporta abbastanza bene nel prevedere la comicità della scena, sicuramente meglio di un'ipotesi casuale.

Il compito di alterare la comicità di una scena si compone di due parti. Il primo è riconoscere gli elementi della scena che contribuiscono all'umorismo e il secondo è scegliere un oggetto sostitutivo che riduca la comicità.

Nella prima attività, l'algoritmo fa alcuni progressi interessanti. Osserviamo che il modello apprende che, in generale, oggetti animati come esseri umani e animali sono più probabili fonti di umorismo rispetto agli oggetti inanimati e quindi tende a sostituire questi oggetti, affermano Chandrasekaran e co.

L'algoritmo fa progressi anche nella seconda attività. Elimina l'umorismo nella maggior parte delle scene scegliendo di sostituire gli oggetti che contribuiscono all'umorismo con altri oggetti che si fondono bene con lo sfondo, afferma il team. Ad esempio, l'algoritmo potrebbe sostituire l'oggetto insolito in una scena al chiuso con una pianta in vaso che si adatta bene o una farfalla in scene all'aperto.

E le tecniche funzionano bene. Nelle valutazioni umane, le scene rese non divertenti dal nostro [algoritmo] sono risultate meno divertenti della scena divertente originale il 95 percento delle volte, affermano Chandrasekaran e co.

La macchina ha fatto meno bene nel rendere le scene più divertenti, ma è chiaramente qualcosa su cui lavorare in futuro.

Naturalmente, una domanda importante è cosa esattamente sta imparando a fare la macchina. In questo lavoro, la comicità può essere un proxy per qualcos'altro. In effetti, se l'articolo di Chandrasekaran e colleghi fosse riscritto sostituendo ogni istanza della parola divertimento con la parola stranezza o incongruenza o imprevisto, i risultati non sarebbero meno validi.

Tuttavia, il team ha un approccio interessante che potrebbe portare ad alcune applicazioni affascinanti. La capacità di giudicare l'umorismo in una scena potrebbe aiutare i ricercatori a sviluppare strumenti di fotoritocco migliori, strumenti che scelgono immagini divertenti da pubblicare sui social media o persino fotocamere intelligenti che possono scegliere momenti migliori per scattare foto divertenti.

Fa anche parte di un nuovo campo dell'umorismo computazionale: usare l'intelligenza artificiale per farci ridere. Forse un giorno, le macchine potrebbero persino condividere la battuta.

Rif: arxiv.org/abs/1512.04407 : Siamo esseri umoristici: comprendere e prevedere l'umorismo visivo

nascondere