Jiebo Luo, professeur d’informatique à l’Université de Rochester a développé une technique assistée par ordinateurs de traitement d’images permettant d’interpréter les données de sentiments véhiculées par les images. En pratique, l’ordinateur va appliquer à l’image via une opération nommée » convolution « , un filtre basé sur un modèle mathématique, qui va permettre de déterminer quels sentiments ces images sont susceptibles de susciter. Une fonctionnalité utile pour l’analyse de campagnes de communication ou de sensibilisation.
Comment ça marche ?
L’analyse des sentiments par ordinateur, même à partir d’un texte est déjà difficile. Dans les médias sociaux, c’est un véritable défi alors que de nombreux utilisateurs communiquent des images et des vidéos. Dans une campagne électorale par exemple, 2 images différentes d’un même candidat peuvent donner une impression positive ou négative. Pour pouvoir analyser l’image, l’ordinateur a besoin d’être formé à analyser ce type de données. On commence donc par associer, humainement, quelques images de base (ici issues de la base de photos Flickr) à des sentiments spécifiques. Cela donne à l’ordinateur un point de départ pour commencer à comprendre ce que certaines images peuvent transmettre. Par la suite, lorsqu’on donne d’autres images à analyser à l’ordinateur, son interprétation est complétée par une marge de précision.
L’étape clé du processus de formation de cette intelligence artificielle se fait avec le rejet de toutes les images auxquelles l’ordinateur a associé un ou des sentiments à forte marge d’incertitude. Au fur et à mesure, l’ordinateur améliore ainsi sa capacité d’analyse, et améliore la précision des sentiments associés à chaque image.
Les chercheurs se sont amusés à adapter ce moteur d’analyse de sentiments à Twitter, et, pour y parvenir ont sollicité l’intelligence collective humaine en proposant, via la plate-forme Amazon Mechanical Turk, à de nombreux utilisateurs de qualifier un petit nombre d’images. Ce travail a permis d’affiner la capacité d’analyse de l’ordinateur. En fin de compte, expliquent les auteurs, l’ordinateur est capable d’atteindre une précision d’analyse des images plus élevée que celle appliquée à des messages texte.
Source: AAAI Conference on Artificial Intelligence in Austin (Texas) Jan. 25-30, 2015 Robust Image Sentiment Analysis using Progressively Trained and Domain Transferred Deep Networks