Персонализированные вычисления

Целью этой области является описание и моделирование личности (например, на основе «большой пятёрки» личностных черт), используя собранную и анализируемую информацию — такие как написанные тексты, цифровые следы, фотографии, аудио- и видео-данные (современные технологии позволяют подробно картировать качество и интонацию голоса, отражающие тонкие различия личности^[4]), многокомпонентные данные, использование смартфона и социальных сетей, невербальные поведения, шаблоны речей, взаимодействие в играх и пр. Кроме того, сегодня стало возможным создавать чат-ботов или аватары с видимостью сложной и всё более «достоверной» личности.

В научной литературе также выделяется концепт «цифрового отражения» (англ. digital reflection), описывающий эмпирический опыт взаимодействия человека с его алгоритмическими репрезентациями^[5]. Параллельно с этим разрабатываются физические ИИ-устройства на базе «эмбиентных вычислений», которые постоянно анализируют окружающую обстановку и адаптируются к образу жизни пользователя^[6][7].

Эти возможности порождают сложные этические вопросы, в частности, связанные с быстрым развитием ИИ и распространением средств наблюдения (особенно с помощью камер).

Термин был введён Винчарелли и Мохаммади^[8], однако существуют и другие обозначения этого направления исследований:

Синонимы

• вычислительная оценка личностных черт^[9]
• цифровое фенотипирование
• психоинформатика^[10]
• определение личности^[11][12]
• автоматическое определение личности^[13]
• оценка личности с помощью машинного обучения^[14]
• автоматическая оценка личности^[15]
• подбор личностей (personality pairing) — концепция, при которой ИИ-агенты программируются на демонстрацию черт, дополняющих характеристики человека^[1][2]
• цифровое отражение (digital reflection) — эмпирический опыт взаимодействия человека с его репрезентациями, созданными алгоритмическими моделями^[16]

В области персонализированных вычислений по-прежнему выделяются и сохраняют свою актуальность три классические фундаментальные задачи, связанные с личностью:^[17]

• автоматическое распознавание, восприятие и синтез личности^[18]
• автоматическое распознавание личности связано с выводом типа личности и личностных черт конкретного человека на основе его цифрового следа
• автоматическое восприятие личности — это вывод о личности, который приписывает наблюдатель на основании наблюдаемого поведения

Автоматизированный синтез личностных свойств, обычно с помощью генеративного ИИ, позволяет создавать черты поведения или искусственный стиль личности, например, для виртуальных агентов или аватаров.

Тесты личности или экспертные оценки часто используются в качестве «эталонной правды» для проверки и валидации работы алгоритмов искусственного интеллекта для автоматического предсказания типов личности^[19]. Существует много различных тестов личности, таких как Индикатор типа Майерс — Бриггс (Myers Briggs Type Indicator, MBTI)^[20] или MMPI, но наиболее распространены тесты, основанные на модели пяти факторов, например Revised NEO Personality Inventory^[21]. В 2025–2026 годах стандарты «эталонной правды» сместились к непрерывным моделям (например, HEXACO), ситуационным тестам и использованию «мягких меток» (soft labels) для учёта амбивертности^[22].

Персонализированные вычисления можно рассматривать как расширение или дополнение аффективных вычислений, где первые фокусируются на устойчивых личностных чертах, а вторые — на аффективных состояниях. Совместным расширением этих областей выступают так называемые Character Computing, объединяющие разные черты и состояния характера, включая, но не ограничиваясь ими, личность и аффект.

Персонализированные вычисления появились примерно в 2005 году на волне первых исследований в автоматическом распознавании личности, показавших, что личностные черты можно с достаточной точностью выводить из текстов — например, блогов, самопрезентаций^[23][24][25], а также электронных писем^[26].

В 2008 году был разработан концепт «переносимой личности» для распределённого управления профилями личности^[27].

Несколько лет спустя начались исследования по распознаванию и восприятию личности по мультимодальным и социальным сигналам — например, по записям встреч^[28] и телефонным звонкам^[29].

В 2010-е годы исследования фокусировались в основном на анализе личности в социальных медиа. В те же годы автоматическая генерация личности позволила повысить согласованность поведения у виртуальных агентов^[30].

Научные исследования подтвердили валидность «персонализированных вычислений» на разных видах цифровых следов, в том числе на предпочтениях пользователей, таких как лайки на страницах Facebook^[31]. Дальнейшее развитие ИИ, машинного обучения и глубокого обучения позволило измерять индивидуальные различия всё более тонкими и сложными способами, которые с трудом поддаются фальсификации^[32]. В ряде случаев, машины способны распознавать личность точнее, чем люди, даже по интимным аспектам, а также выявлять сложные закономерности, недоступные традиционной статистике. Однако такие технологии могут противоречить нормам конфиденциальности и автономии личности — с учётом того, что у ИИ могут наблюдаться предубеждения по этническим, религиозным, гендерным, физическим и культурным основаниям, что грозит серьёзными дискриминациями^[33].

Возможности ИИ позволяют обходить анонимизацию и маскирование данных, а подробное знание черт личности даёт возможности для несанкционированного, незаконного и навязчивого психологического профилирования, нарушая автономию человека и свободу информированного выбора — что способно подрывать демократические процессы и саму возможность свободного самоопределения^[34]. Массовое применение таких подходов наблюдалось на практике в случае Cambridge Analytica и AggregateIQ^[35]. Всё это вызывает новые и сложные моральные, юридические, социальные и этические вопросы — особенно в контексте капитализма наблюдения и социального скоринга.

В период 2024–2026 годов развитие технологий привело к формированию непрерывно обновляющихся «живых» профилей пользователя на основе цифровых следов. Непрерывность этого процесса обеспечивается фоновым сбором данных о действиях пользователя в реальном времени^[36][37].

В ответ на угрозы приватности наметился переход к локальному ИИ-моделированию. В 2026 году были представлены аппаратные решения на базе чипов с унифицированной памятью (например, RTX Spark), спроектированные для безопасного запуска персональных ИИ-агентов непосредственно на устройстве. Такая архитектура позволяет обрабатывать данные локально под контролем пользователя, обеспечивая защиту приватности и изоляцию на уровне операционной системы^[38].