Masalah: Data yang digunakan untuk melatih model AI mungkin terbatas dalam variasi budaya, usia, dan ekspresi emosi yang terlihat. Misalnya, ekspresi senyum dalam satu budaya bisa diartikan berbeda di budaya lain.

Solusi: Perluas dataset dengan berbagai ekspresi wajah dari beragam kelompok budaya, usia, dan konteks untuk mencerminkan variasi global. Data ini akan meningkatkan ketepatan model dalam mengenali emosi secara lebih universal.

Masalah: Emosi seperti terkejut dan ketakutan, atau senang dan puas, bisa memiliki ekspresi wajah yang mirip. Hal ini membuat model sulit membedakannya, terutama jika hanya bergantung pada ekspresi wajah saja.

Solusi: Gunakan teknik multimodal, yang menggabungkan data wajah dengan teks atau konteks (misalnya, deskripsi foto atau caption) untuk memahami emosi dengan lebih baik. Selain itu, tambahkan algoritma yang mampu menangani ambiguitas dengan memberikan skor keyakinan untuk tiap emosi.

Masalah: AI cenderung hanya fokus pada fitur visual tanpa memahami konteks di balik ekspresi. Misalnya, seseorang yang menangis bisa jadi menangis karena bahagia, sedih, atau frustrasi.

Solusi: Tambahkan fitur kontekstual yang mempertimbangkan teks atau metadata lainnya, seperti waktu, tempat, atau interaksi dengan objek lain di dalam foto. Ini bisa memberikan model informasi tambahan yang memperjelas situasi emosi.