Dans une étude peu commune, des chercheurs ont réussi à faire comprendre à un algorithme d’IA nos notions subjectives de ce qui rend les visages attrayants. L’interface qu’ils ont conçue était ensuite capable de produire des modèles de visages attractifs selon les préférences individuelles, en se basant sur la lecture des ondes cérébrales.
Bien qu’il possède un caractère universel, le concept de beauté physique, défini par les traits que nous trouvons attrayants chez les autres, est également très personnel. Ces préférences subtiles représentent certaines de nos pensées intérieures les plus intimes, mais cela ne signifie pas qu’elles ne peuvent pas être « lues ».
Dans une nouvelle étude, des chercheurs ont utilisé des mesures d’électroencéphalographie (EEG) pour identifier les caractéristiques faciales que des individus testés trouvaient attrayantes, puis ont transmis les résultats à un programme d’intelligence artificielle (IA). Le système d’apprentissage machine, basé sur les réseaux adverses génératifs (GAN), a d’abord pu se familiariser avec les types de visages que les individus trouvaient attrayants, puis en a modélisé de nouveaux spécialement conçus pour plaire. En somme, une virtualisation personnalisée de la beauté, synthétisée à partir des préférences individuelles.
L’expérience, menée par une équipe de psychologues et d’informaticiens de l’université d’Helsinki, en Finlande, était comme une longue séance Tinder pour les 30 volontaires qui y ont participé. Les résultats ont été publiés dans la revue IEEE Transactions on Affective Computing.
Concevoir l’artificiel à partir de l’artificiel…
Alors que les participants étaient assis devant un écran d’ordinateur leur montrant une série de visages, aucun des visages affichés n’était réel. Il s’agissait simplement de portraits artificiels d’apparence réaliste générés à partir d’un ensemble de données d’environ 200 000 images de célébrités.
Durant les séances, les participants portaient des casques munis d’électrodes conçus pour mesurer leur activité cérébrale lorsqu’ils regardaient les visages. Nul besoin pour eux de sélectionner manuellement les visages, le système le faisait pour eux en analysant leur attention. Par exemple, si leur regard était fortement attiré par un visage particulier (déplacement rapide du regard vers ce dernier), le score que l’algorithme attribuait au visage en question était plus élevé.
« Ils n’avaient pas à faire autre chose que regarder les images », explique le neuroscientifique cognitif Michiel Spapé. « Nous avons mesuré la réaction immédiate de leur cerveau aux images ». Ces mesures individuelles de l’activité neuronale ont ensuite été évaluées par le GAN, qui a pu interpréter les réponses du cerveau en fonction de l’attrait de chaque visage artificiel pour le spectateur.
À partir de ces données, le GAN a pu générer de nouveaux visages en se basant sur les « identifiants d’attraction EEG » des volontaires. Dans une seconde expérience, ces nouveaux visages leur ont été présentés. Ils ont ainsi pu les évaluer en matière d’attractivité, en même temps que d’autres images de visages générés de manière aléatoire.
Finalement, les résultats ont validé le test des chercheurs, les participants ayant évalué les images personnalisées comme étant attractives dans environ 80% des cas, alors que les autres visages n’ont été sélectionnés que dans 20% des cas. Bien qu’il s’agisse d’une étude à faible échantillon, ce n’est qu’un exemple de plus de la façon dont les systèmes d’IA s’affinent dans leur compréhension de notre comportement et de nos préférences, même lorsqu’il s’agit de notions intimes et souvent inexprimées, comme c’est le cas ici pour l’attractivité physique.
« Réussir à évaluer l’attractivité est particulièrement important, car c’est une propriété psychologique si poignante des stimuli », explique Spapé. « Si cela est possible dans quelque chose d’aussi personnel et subjectif que l’attractivité, nous pouvons également être en mesure d’examiner d’autres fonctions cognitives telles que la perception et la prise de décision. Potentiellement, nous pourrions orienter le dispositif vers l’identification des stéréotypes ou des préjugés implicites et mieux comprendre les différences individuelles ».
En fin de compte, l’étude pourrait profiter à la société en faisant progresser la capacité des ordinateurs à apprendre et à comprendre les préférences subjectives de l’humain, grâce à l’interaction entre les solutions d’IA et les interfaces cerveau-ordinateur.
Vidéo présentant l’étude :