ABOUT THE SPEAKER
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.

Why you should listen

Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.

Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.

Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.

More profile about the speaker
Jennifer Healey | Speaker | TED.com
TED@Intel

Jennifer Healey: If cars could talk, accidents might be avoidable

Jennifer Healey : Si les autos pouvaient parler, les accidents pourraient peut-être être évités

Filmed:
908,454 views

Quand on conduit, on entre dans une bulle de verre. On verrouille les portes et on appuie sur l'accélérateur, en comptant sur nos yeux pour nous guider -- même si notre champ de vision se limite à quelques autos devant et quelque autos derrière. Mais qu'arriverait-il si nos voitures s'informaient entre elles de leur position et de leur vitesse, et utilisaient des modèles prédictifs pour déterminer les routes les plus sécuritaires pour tout le monde? Jennifer Healey imagine un monde sans accidents. (Filmé sur TED@Intel.)
- Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio

Double-click the English transcript below to play the video.

00:12
Let's facevisage it:
0
703
1914
Regardons les choses en face :
00:14
DrivingAu volant is dangerousdangereux.
1
2617
2445
Conduire est dangereux.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
C'est une chose à laquelle
nous n'aimons pas penser,
00:20
but the factfait that religiousreligieux iconsicônes and good luckla chance charmscharmes
3
8160
3652
mais le fait qu'il y ait
des icônes religieuses et des porte-bonheur
00:23
showmontrer up on dashboardstableaux de bord around the worldmonde
4
11812
4790
sur les tableaux de bord partout dans le monde
00:28
betraystrahit the factfait that we know this to be truevrai.
5
16602
4137
trahit le fait que nous savons que c'est vrai.
00:32
CarVoiture accidentsles accidents are the leadingde premier plan causecause of deathdécès
6
20739
3594
Les accidents de voitures
sont la principale cause de décès
00:36
in people agesâge 16 to 19 in the UnitedUnie StatesÉtats --
7
24333
4170
chez les personnes âgées
de 16 à 19 ans aux États-Unis ;
00:40
leadingde premier plan causecause of deathdécès --
8
28503
2843
la principale cause de décès.
00:43
and 75 percentpour cent of these accidentsles accidents have nothing to do
9
31346
3863
75 % de ces accidents n'ont rien à voir
00:47
with drugsdrogues or alcoholde l'alcool.
10
35209
2285
avec les drogues ou l'alcool.
00:49
So what happensarrive?
11
37494
2261
Alors qu'est-ce qui se passe ?
00:51
No one can say for sure, but I rememberrappelles toi my first accidentaccident.
12
39755
4219
Personne ne peut le dire avec certitude
mais je me souviens de mon premier accident.
00:55
I was a youngJeune driverchauffeur out on the highwayAutoroute,
13
43974
3803
J'étais jeune conductrice,
je roulais sur l'autoroute,
00:59
and the carvoiture in frontde face of me, I saw the brakefrein lightslumières go on.
14
47777
2258
et j'ai vu le feu de freinage
de la voiture devant moi s'allumer.
01:02
I'm like, "Okay, all right, this guy is slowingralentir down,
15
50035
1800
Je me suis dit : « Bon,
tout va bien, ce type ralentit,
01:03
I'll slowlent down too."
16
51835
1282
je vais ralentir moi aussi. »
01:05
I stepétape on the brakefrein.
17
53117
1926
J'ai appuyé sur le frein.
01:07
But no, this guy isn't slowingralentir down.
18
55043
2254
Mais non, ce type n'est pas en train de ralentir.
01:09
This guy is stoppingarrêt, deadmort stop, deadmort stop on the highwayAutoroute.
19
57297
3178
Il est en train de s'arrêter, brusquement;
arrêté net sur l'autoroute !
01:12
It was just going 65 -- to zerozéro?
20
60475
2540
Il est passé de 100 km/h... à zéro ?
01:15
I slammedclaqué on the brakesfreins.
21
63015
1520
J'ai freiné brutalement.
01:16
I feltse sentait the ABSABS kickdonner un coup in, and the carvoiture is still going,
22
64535
3059
J'ai senti l'ABS s'enclencher,
et la voiture continue à avancer,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
et elle ne va pas s'arrêter,
je sais qu'elle ne va pas s'arrêter,
01:22
and the airair bagsac deploysdéploie, the carvoiture is totaledtotalisé,
24
70290
2939
et l'airbag se déploie,
la voiture est démolie,
01:25
and fortunatelyHeureusement, no one was hurtblesser.
25
73229
3557
et heureusement,
personne n'a été blessé.
01:28
But I had no ideaidée that carvoiture was stoppingarrêt,
26
76786
4211
Mais je n'avais aucune idée
que cette voiture allait s'arrêter,
01:32
and I think we can do a lot better than that.
27
80997
3645
et je pense qu'on peut faire
beaucoup mieux que ça.
01:36
I think we can transformtransformer the drivingau volant experienceexpérience
28
84642
4145
Je pense qu'on peut changer
nos pratiques de conduite
01:40
by lettinglocation our carsdes voitures talk to eachchaque other.
29
88787
3879
en laissant nos voitures se parler entre elles.
01:44
I just want you to think a little bitbit
30
92666
1424
Je veux juste que vous pensiez un peu
01:46
about what the experienceexpérience of drivingau volant is like now.
31
94090
2888
aux pratiques de conduite actuelles.
01:48
Get into your carvoiture. CloseFermer the doorporte. You're in a glassverre bubblebulle.
32
96978
4028
Entrez dans votre voiture. Fermez la portière.
Vous êtes dans une bulle de verre.
01:53
You can't really directlydirectement sensesens the worldmonde around you.
33
101006
2916
Vous ne pouvez pas vraiment percevoir
directement le monde qui vous entoure.
01:55
You're in this extendedélargi bodycorps.
34
103922
2181
Vous êtes dans cette extension du corps.
01:58
You're taskedchargé with navigatingnavigation dans it down
35
106103
2163
Vous devez vous frayer un chemin
02:00
partially-seen-vu partiellement roadwaysroutes,
36
108266
2056
sur des routes que vous ne voyez qu'en partie,
02:02
in and amongstparmi other metalmétal giantsgéants, at super-humanSuper-homme speedsdes vitesses.
37
110322
4424
parmi d'autres géants de métal,
à des vitesses surhumaines.
02:06
Okay? And all you have to guideguider you are your two eyesles yeux.
38
114746
4480
D'accord ? Et tout ce que vous avez
pour vous guider, ce sont vos deux yeux.
02:11
Okay, so that's all you have,
39
119226
1762
Donc c'est tout ce que vous avez,
02:12
eyesles yeux that weren'tn'étaient pas really designedconçu for this tasktâche,
40
120988
1735
des yeux qui ne sont pas vraiment conçus
pour cette tâche,
02:14
but then people askdemander you to do things like,
41
122723
3751
mais on vous demande
de faire des choses du genre,
02:18
you want to make a laneLane changechangement,
42
126474
1549
si vous voulez changer de voie,
02:20
what's the first thing they askdemander you do?
43
128023
2321
quelle est la première chose
qu'on vous demande de faire ?
02:22
Take your eyesles yeux off the roadroute. That's right.
44
130344
3095
Quitter la route des yeux. Exactement.
02:25
Stop looking where you're going, turntour,
45
133439
2096
Arrêtez de regarder où vous allez, tournez,
02:27
checkvérifier your blindaveugle spotplace,
46
135535
2018
vérifiez vos angles morts,
02:29
and driveconduire down the roadroute withoutsans pour autant looking where you're going.
47
137553
3471
et avancez sur la route
sans regarder où vous allez.
02:33
You and everyonetoutes les personnes elseautre. This is the safesûr way to driveconduire.
48
141024
3135
Vous et tous les autres. C'est la façon
de conduire en toute sécurité.
02:36
Why do we do this? Because we have to,
49
144159
2241
Pourquoi fait-on ça ?
Parce qu'on est obligé de le faire.
02:38
we have to make a choicechoix, do I look here or do I look here?
50
146400
2579
On doit faire un choix : est-ce que je regarde
par ici ou par là ?
02:40
What's more importantimportant?
51
148979
1521
Qu'est-ce qui est le plus important ?
02:42
And usuallyd'habitude we do a fantasticfantastique jobemploi
52
150500
2711
En général, on arrive très bien à choisir
02:45
pickingcueillette and choosingchoisir what we attendassister à to on the roadroute.
53
153211
3769
où porter notre attention sur la route.
02:48
But occasionallyparfois we missmanquer something.
54
156980
3650
Mais parfois, quelque chose nous échappe.
02:52
OccasionallyTemps en temps we sensesens something wrongfaux or too lateen retard.
55
160630
4461
Parfois, on perçoit quelque chose
mal ou trop tard.
02:57
In countlessinnombrable accidentsles accidents, the driverchauffeur saysdit,
56
165091
1988
Dans de nombreux accidents,
le conducteur déclare :
02:59
"I didn't see it comingvenir."
57
167079
2308
« Je ne l'avais pas vu venir. »
03:01
And I believe that. I believe that.
58
169387
3281
Je le crois. Je le crois.
03:04
We can only watch so much.
59
172668
2925
Il y a une limite à ce qu'on peut voir.
03:07
But the technologyLa technologie existsexiste now that can help us improveaméliorer that.
60
175593
5144
Mais il existe maintenant une technologie
qui pourrait nous aider à améliorer ça.
03:12
In the futureavenir, with carsdes voitures exchangingéchanger des dataLes données with eachchaque other,
61
180737
4296
Dans le futur, avec des voitures
qui échangent des informations entre elles,
03:17
we will be ablecapable to see not just threeTrois carsdes voitures aheaddevant
62
185033
3928
nous serons capables
de voir non seulement trois voitures
03:20
and threeTrois carsdes voitures behindderrière, to the right and left,
63
188961
1594
en avant et trois voitures en arrière,
à droite et à gauche,
03:22
all at the sameMême time, bird'soiseau eyeœil viewvue,
64
190555
3166
toutes en même temps,
une vue d'ensemble ;
03:25
we will actuallyréellement be ablecapable to see into those carsdes voitures.
65
193721
3128
mais en fait, nous allons être en mesure
de voir à l'intérieur de ces voitures.
03:28
We will be ablecapable to see the velocityrapidité of the carvoiture in frontde face of us,
66
196849
2371
Nous allons pouvoir connaître
la vitesse de la voiture devant nous,
03:31
to see how fastvite that guy'sles gars going or stoppingarrêt.
67
199220
3240
savoir à quelle vitesse
ce type avance... ou s'arrête.
03:34
If that guy'sles gars going down to zerozéro, I'll know.
68
202460
4510
Si ce type descend à zéro,
je vais le savoir.
03:38
And with computationcalcul and algorithmsalgorithmes and predictiveprédictive modelsdes modèles,
69
206970
3859
Et avec les calculs, les algorithmes
et les modèles prédictifs,
03:42
we will be ablecapable to see the futureavenir.
70
210829
3273
nous serons capables de voir le futur.
03:46
You maymai think that's impossibleimpossible.
71
214102
1556
Vous croyez peut-être que c'est impossible.
03:47
How can you predictprédire the futureavenir? That's really harddifficile.
72
215658
2731
Comment peut-on prévoir le futur ?
C'est très difficile.
03:50
ActuallyEn fait, no. With carsdes voitures, it's not impossibleimpossible.
73
218389
3619
En réalité, non. Avec les voitures,
ce n'est pas impossible.
03:54
CarsVoitures are three-dimensionaltridimensionnel objectsobjets
74
222008
2732
Les voitures sont des objets
à trois dimensions
03:56
that have a fixedfixé positionposition and velocityrapidité.
75
224740
2332
qui ont une position
et une vitesse déterminées.
03:59
They travelVoyage down roadsroutes.
76
227072
1631
Elles circulent sur les routes.
04:00
OftenSouvent they travelVoyage on pre-publishedd’une publication préalable routesitinéraires.
77
228703
2412
Souvent, leur trajet est déjà planifié.
04:03
It's really not that harddifficile to make reasonableraisonnable predictionsprédictions
78
231115
3938
Il n'est vraiment pas difficile
de faire des prédictions raisonnables
04:07
about where a car'sdes voitures going to be in the nearprès futureavenir.
79
235053
2864
sur l'endroit où une voiture
va se trouver dans un futur proche.
04:09
Even if, when you're in your carvoiture
80
237917
2002
Même si, quand vous êtes dans votre voiture
04:11
and some motorcyclistmotocycliste comesvient -- bshoombshoom! --
81
239919
1994
et qu'un motard arrive -- vroum ! --
04:13
85 milesmiles an hourheure down, lane-splittingséparation des voies --
82
241913
2296
à 85 miles à l'heure,
se faufilant entre les voies,
04:16
I know you've had this experienceexpérience --
83
244209
2547
-- je sais que vous avez déjà vécu ça --,
04:18
that guy didn't "just come out of nowherenulle part."
84
246756
2603
ce type n'est pas juste
« sorti de nulle part ».
04:21
That guy'sles gars been on the roadroute probablyProbablement for the last halfmoitié hourheure.
85
249359
3643
Il était probablement sur la route
depuis une demi-heure.
04:25
(LaughterRires)
86
253002
1190
(Rires)
04:26
Right? I mean, somebody'squelqu'un est seenvu him.
87
254192
3589
Pas vrai ? Je veux dire, quelqu'un l'a vu.
04:29
TenDix, 20, 30 milesmiles back, someone'squelques uns seenvu that guy,
88
257781
2768
10, 20, 30 km en arrière,
quelqu'un a vu ce type,
04:32
and as soonbientôt as one carvoiture seesvoit that guy
89
260549
2384
et aussitôt qu'une voiture voit ce type
04:34
and putsmet him on the mapcarte, he's on the mapcarte --
90
262933
2231
et le positionne sur la carte,
il est sur la carte :
04:37
positionposition, velocityrapidité,
91
265164
2176
position, vitesse.
04:39
good estimateestimation he'llenfer continuecontinuer going 85 milesmiles an hourheure.
92
267340
2321
On peut prévoir qu'il va continuer
à aller à 100 km à l'heure.
04:41
You'llVous aurez know, because your carvoiture will know, because
93
269661
2184
Vous allez le savoir,
parce que votre voiture va le savoir,
04:43
that other carvoiture will have whisperedchuchoté something in his earoreille,
94
271845
2275
parce qu'une autre voiture
va lui avoir chuchoté à l'oreille :
04:46
like, "By the way, fivecinq minutesminutes,
95
274120
1923
« Au fait, d'ici cinq minutes,
04:48
motorcyclistmotocycliste, watch out."
96
276043
2775
un motard, fais attention. »
04:50
You can make reasonableraisonnable predictionsprédictions about how carsdes voitures behavese comporter.
97
278818
2703
Vous pouvez faire des prédictions raisonnables
sur le comportement des voitures.
04:53
I mean, they're NewtonianNewtonienne objectsobjets.
98
281521
1365
Je veux dire, ce sont des objets newtoniens.
04:54
That's very niceagréable about them.
99
282886
2909
C'est ce qu'elles ont de bien.
04:57
So how do we get there?
100
285795
3034
Alors comment est-ce qu'on y arrive ?
05:00
We can startdébut with something as simplesimple
101
288829
2266
On pourrait commencer
avec quelque chose d'aussi simple
05:03
as sharingpartage our positionposition dataLes données betweenentre carsdes voitures,
102
291095
2870
que partager les données de notre position
avec les autres voitures,
05:05
just sharingpartage GPSGPS.
103
293965
1892
simplement partager notre GPS.
05:07
If I have a GPSGPS and a cameracaméra in my carvoiture,
104
295857
2444
Si j'ai un GPS et une caméra dans ma voiture,
05:10
I have a prettyjoli preciseprécis ideaidée of where I am
105
298301
2231
j'ai une idée assez précise de ma position
05:12
and how fastvite I'm going.
106
300532
1732
et de ma vitesse.
05:14
With computerordinateur visionvision, I can estimateestimation where
107
302264
1657
Avec une vision par ordinateur,
je peux évaluer la position
05:15
the carsdes voitures around me are, sortTrier of, and where they're going.
108
303921
3537
des voitures qui m'entourent, en quelque sorte,
et la direction qu'elles vont prendre.
05:19
And sameMême with the other carsdes voitures.
109
307458
970
Et c'est la même chose
pour les autres voitures.
05:20
They can have a preciseprécis ideaidée of where they are,
110
308428
1814
Elles peuvent avoir u
ne idée précise de leur position,
05:22
and sortTrier of a vaguevague ideaidée of where the other carsdes voitures are.
111
310242
2146
et une idée un peu plus vague
de la position des autres voitures.
05:24
What happensarrive if two carsdes voitures sharepartager that dataLes données,
112
312388
3231
Qu'arrive-t-il si deux voitures
partagent ces données,
05:27
if they talk to eachchaque other?
113
315619
1955
si elles se parlent entre elles ?
05:29
I can tell you exactlyexactement what happensarrive.
114
317574
2778
Je peux vous dire exactement
ce qui arrive.
05:32
BothTous les deux modelsdes modèles improveaméliorer.
115
320352
2339
Les deux modèles s'améliorent.
05:34
EverybodyTout le monde winsgagne.
116
322691
2055
Tout le monde y gagne.
05:36
ProfessorProfesseur BobBob WangWang and his teaméquipe
117
324746
2577
Le professeur Bob Wang et son équipe
05:39
have doneterminé computerordinateur simulationsdes simulations of what happensarrive
118
327323
2738
ont fait des simulations
sur ordinateur de ce qui arrive
05:42
when fuzzyflou estimatesestimations combinecombiner, even in lightlumière trafficcirculation,
119
330061
3431
quand deux estimations floues se combinent,
même dans une circulation fluide
05:45
when carsdes voitures just sharepartager GPSGPS dataLes données,
120
333492
2624
quand les voitures partagent
leurs données GPS,
05:48
and we'venous avons moveddéplacé this researchrecherche out of the computerordinateur simulationsimulation
121
336116
2513
et nous avons aussi mené ces recherches
en dehors des simulations sur ordinateur,
05:50
and into robotrobot testtester bedslits that have the actualréel sensorscapteurs
122
338629
3027
sur des robots d'essai
ayant les mêmes capteurs
05:53
that are in carsdes voitures now on these robotsdes robots:
123
341656
3133
qu'on retrouve actuellement
dans les voitures :
05:56
stereostéréo camerasappareils photo, GPSGPS,
124
344789
1838
appareils de photo stéréo, GPS,
05:58
and the two-dimensionalbidimensionnel laserlaser rangegamme findersFinders
125
346627
1874
et les télémètres laser à deux dimensions
06:00
that are commoncommun in backupsauvegarde systemssystèmes.
126
348501
2240
qui sont courants
dans les système de sauvegarde.
06:02
We alsoaussi attachattacher a discretediscret short-rangeà courte distance communicationla communication radioradio,
127
350741
4484
On installe aussi une radiocommunication
discrète à courte portée,
06:07
and the robotsdes robots talk to eachchaque other.
128
355225
1909
et les robots se parlent entre eux.
06:09
When these robotsdes robots come at eachchaque other,
129
357134
1539
Quand ces robots entrent en contact,
06:10
they trackPiste eachchaque other'sautres positionposition preciselyprécisément,
130
358673
2971
chacun suit la position
des autres de manière précise,
06:13
and they can avoidéviter eachchaque other.
131
361644
2737
et ils peuvent s'éviter.
06:16
We're now addingajouter more and more robotsdes robots into the mixmélanger,
132
364381
3226
Nous ajoutons maintenant de plus en plus
de robots dans le test,
06:19
and we encounteredrencontré some problemsproblèmes.
133
367607
1471
et nous avons rencontré quelques problèmes.
06:21
One of the problemsproblèmes, when you get too much chatterbavardage,
134
369078
2359
Un de ces problèmes, c'est que
quand il y a trop de bavardage,
06:23
it's harddifficile to processprocessus all the packetsPaquets, so you have to prioritizeprioriser,
135
371437
3728
il est difficile de traiter toutes les données,
alors il faut identifier les priorités,
06:27
and that's where the predictiveprédictive modelmaquette helpsaide you.
136
375165
2357
et c'est là où les modèles de prédiction
sont utiles.
06:29
If your robotrobot carsdes voitures are all trackingsuivi the predictedprédit trajectoriestrajectoires,
137
377522
4372
Si toutes vos voitures robotisées
suivent les trajectoires prévues,
06:33
you don't payPayer as much attentionattention to those packetsPaquets.
138
381894
1767
vous n'accorderez pas
autant d'attention à ces données.
06:35
You prioritizeprioriser the one guy
139
383661
1703
Vous allez privilégier le type
06:37
who seemssemble to be going a little off coursecours.
140
385364
1333
qui semble dévier un peu de sa route.
06:38
That guy could be a problemproblème.
141
386697
2526
Ce type peut devenir un problème.
06:41
And you can predictprédire the newNouveau trajectorytrajectoire.
142
389223
3002
Et vous pouvez prévoir sa nouvelle trajectoire.
06:44
So you don't only know that he's going off coursecours, you know how.
143
392225
2763
Donc, vous savez non seulement
qu'il dévie de sa route, mais aussi de quelle façon.
06:46
And you know whichlequel driverspilotes you need to alertalerte to get out of the way.
144
394988
3725
Et vous savez quels automobilistes
vous devez avertir de s'enlever du chemin.
06:50
And we wanted to do -- how can we bestmeilleur alertalerte everyonetoutes les personnes?
145
398713
2633
Et nous voulons faire ... comment pouvons-nous
alerter tout le monde ?
06:53
How can these carsdes voitures whisperWhisper, "You need to get out of the way?"
146
401346
3183
Comment ces voitures peuvent-elles chuchoter :
« Tu dois t'enlever du chemin» ?
06:56
Well, it dependsdépend on two things:
147
404529
1517
Bien, ça dépend de deux choses :
06:58
one, the abilitycapacité of the carvoiture,
148
406046
2169
premièrement, la capacité de la voiture,
07:00
and secondseconde the abilitycapacité of the driverchauffeur.
149
408215
3217
et deuxièmement, la capacité du conducteur.
07:03
If one guy has a really great carvoiture,
150
411432
1505
Si quelqu'un a une très bonne voiture,
07:04
but they're on theirleur phonetéléphone or, you know, doing something,
151
412937
2925
mais qu'il est sur son téléphone ou
en train de faire quelque chose d'autre,
07:07
they're not probablyProbablement in the bestmeilleur positionposition
152
415862
1930
il n'est probablement pas
dans la meilleure position
07:09
to reactréagir in an emergencyurgence.
153
417792
2970
pour réagir en cas d'urgence.
07:12
So we startedcommencé a separateséparé lineligne of researchrecherche
154
420762
1665
Nous avons donc commencé
une autre recherche,
07:14
doing driverchauffeur stateEtat modelingla modélisation.
155
422427
2551
qui fait des modèles
de l'état des conducteurs.
07:16
And now, usingen utilisant a seriesséries of threeTrois camerasappareils photo,
156
424978
2329
Maintenant, en utilisant
une série de trois caméras,
07:19
we can detectdétecter if a driverchauffeur is looking forwardvers l'avant,
157
427307
2270
on peut détecter
si le conducteur regarde devant,
07:21
looking away, looking down, on the phonetéléphone,
158
429577
2860
à côté, en bas, s'il est au téléphone,
07:24
or havingayant a cupCoupe of coffeecafé.
159
432437
3061
ou en train de boire son café.
07:27
We can predictprédire the accidentaccident
160
435498
2070
On peut prévoir l'accident
07:29
and we can predictprédire who, whichlequel carsdes voitures,
161
437568
3651
et on peut prévoir qui, quelles voitures
07:33
are in the bestmeilleur positionposition to movebouge toi out of the way
162
441219
3486
sont les mieux placées
pour s'enlever du chemin,
07:36
to calculatecalculer the safestplus sûre routeroute for everyonetoutes les personnes.
163
444705
3009
calculer la route la plus sûre
pour tout le monde.
07:39
FundamentallyFondamentalement, these technologiesles technologies existexister todayaujourd'hui.
164
447714
4635
En fait, ces technologies existent aujourd'hui.
07:44
I think the biggestplus grand problemproblème that we facevisage
165
452349
2824
Je crois que le principal problème
auquel nous sommes confrontés
07:47
is our ownposséder willingnessvolonté to sharepartager our dataLes données.
166
455173
3013
est notre propre désir
de partager nos données.
07:50
I think it's a very disconcertingdéconcertant notionnotion,
167
458186
2631
Je crois que c'est très troublant,
07:52
this ideaidée that our carsdes voitures will be watchingen train de regarder us,
168
460817
2386
cette idée que nos voitures
vont nous observer,
07:55
talkingparlant about us to other carsdes voitures,
169
463203
3371
parler de nous aux autres voitures,
07:58
that we'llbien be going down the roadroute in a seamer of gossippotins.
170
466574
3427
que nous allons conduire
dans une mer de commérages.
08:02
But I believe it can be doneterminé in a way that protectsprotège our privacyvie privée,
171
470001
3897
Mais je pense que ça peut être fait
dans le respect de notre vie privée.
08:05
just like right now, when I look at your carvoiture from the outsideà l'extérieur,
172
473898
3741
comme maintenant, si je regarde
votre voiture de l'extérieur,
08:09
I don't really know about you.
173
477639
2363
ça ne me dit pas grand-chose de vous.
08:12
If I look at your licenseLicence plateassiette numbernombre,
174
480002
1137
Si je regarde votre numéro d'immatriculation,
08:13
I don't really know who you are.
175
481139
1886
ça ne me dit pas vraiment qui vous êtes.
08:15
I believe our carsdes voitures can talk about us behindderrière our backsdos.
176
483025
4249
Je crois que nos voitures peuvent
parler de nous dans notre dos.
08:19
(LaughterRires)
177
487274
2975
(Rires)
08:22
And I think it's going to be a great thing.
178
490249
3185
Et je pense que ça va être
une très bonne chose.
08:25
I want you to considerconsidérer for a momentmoment
179
493434
1650
Je veux que vous vous demandiez un instant
08:27
if you really don't want the distracteddistraits teenageradolescent behindderrière you
180
495084
4118
si vraiment, vous ne voulez pas
que l'adolescent distrait derrière vous
08:31
to know that you're brakingde freinage,
181
499202
2120
sache que vous freinez,
08:33
that you're comingvenir to a deadmort stop.
182
501322
2924
que vous allez vous arrêter brusquement.
08:36
By sharingpartage our dataLes données willinglyvolontiers,
183
504246
2741
En acceptant de partager nos données,
08:38
we can do what's bestmeilleur for everyonetoutes les personnes.
184
506987
2812
nous pouvons faire
ce qu'il y a de mieux pour tout le monde.
08:41
So let your carvoiture gossippotins about you.
185
509799
3076
Alors laissez votre voiture
bavarder à votre sujet.
08:44
It's going to make the roadsroutes a lot saferplus sûr.
186
512875
3038
Ça va rendre les routes
beaucoup plus sûres.
08:47
Thank you.
187
515913
1791
Merci.
08:49
(ApplauseApplaudissements)
188
517704
4985
(Applaudissements)
Translated by Maybel Gelly
Reviewed by Margaux Cervatius

▲Back to top

ABOUT THE SPEAKER
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.

Why you should listen

Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.

Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.

Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.

More profile about the speaker
Jennifer Healey | Speaker | TED.com