TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
Τζένιφερ Χίλι: Εάν τα αυτοκίνητα μιλούσαν, τα ατυχήματα ίσως μπορούν να αποφευχθούν
Filmed:
Readability: 3.2
908,454 views
Όταν οδηγούμε, μπαίνουμε σε μια γυάλινη φυσαλίδα, κλειδώνουμε τις πόρτες και πατάμε το γκάζι, βασιζόμενοι στην όρασή μας να μας καθοδηγήσει -- παρότι μπορούμε να δούμε μόνο μερικά αυτοκίνητα μπροστά και πίσω μας. Αλλά, τι θα γινόταν έαν τα αυτοκίνητα μπορούσαν να διαμοιραστούν δεδομένα μεταξύ τους για τη θέση και την ταχύτητά τους και με τη χρήση προγνωστικών μοντέλων να υπολογίζουν τις ασφαλέστερες διαδρομές για όλους όσους είναι στον δρόμο; Η Τζένιφερ Χίλι φαντάζεται έναν κόσμο δίχως (τροχαία) ατυχήματα. (Κινηματογραφήθηκε στο TED@Intel.)
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
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 face it:
0
703
1914
Ας το παραδεχτούμε:
00:14
Driving is dangerous.
1
2617
2445
Η οδήγηση είναι επικίνδυνη.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
Είναι ένα από τα πράγματα που δεν θέλουμε να σκεφτόμαστε,
00:20
but the fact that religious icons and good luck charms
3
8160
3652
αλλά το γεγονός ότι θρησκευτικές εικόνες και γούρια
00:23
show up on dashboards around the world
4
11812
4790
είναι τοποθετημένα σε ταμπλό ανά τον κόσμο
00:28
betrays the fact that we know this to be true.
5
16602
4137
προδίδει το γεγονός πως ξέρουμε ότι αυτό είναι αλήθεια.
00:32
Car accidents are the leading cause of death
6
20739
3594
Τα τροχαία ατυχήματα είναι η κύρια αιτία θανάτου
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
στις ηλικίες 16 έως 19 στις ΗΠΑ
00:40
leading cause of death --
8
28503
2843
-- η κύρια αιτία θανάτου --
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
και το 75% αυτών των ατυχημάτων δεν σχετίζονται
00:47
with drugs or alcohol.
10
35209
2285
με ναρκωτικές ή οινοπνευματώδεις ουσίες.
00:49
So what happens?
11
37494
2261
Τι συμβαίνει λοιπόν;
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
Κανείς δεν μπορεί να πει με σιγουριά, αλλά θυμάμαι το πρώτο μου ατύχημα.
00:55
I was a young driver out on the highway,
13
43974
3803
Ήμουν νέα οδηγός σε εθνική οδό
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
και στο προπορευόμενο αυτοκίνητο είδα να ανάβουν τα φώτα των φρένων.
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
Σκέφτομαι «Εντάξει, όλα καλά, ο τύπος επιβραδύνει,
01:03
I'll slow down too."
16
51835
1282
θα επιβραδύνω και εγώ».
01:05
I step on the brake.
17
53117
1926
Πατάω φρένο.
01:07
But no, this guy isn't slowing down.
18
55043
2254
Αλλά όχι, ο τύπος δεν επιβράδυνε.
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
Ο τύπος σταματούσε, τελείως, σταμάτησε τελείως στην εθνική οδό.
01:12
It was just going 65 -- to zero?
20
60475
2540
Πήγε από τα 100 χιλιόμετρα στο 0;
01:15
I slammed on the brakes.
21
63015
1520
Πάτησα πολύ δυνατά το φρένο.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
Ένιωσα το ABS να κλωτσάει και το αυτοκίνητο ακόμα προχωρούσε,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
και δεν επρόκειτο να σταματήσει, και το ξέρω ότι δεν θα σταματήσει,
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
και ανοίγει ο αερόσακος, το αυτοκίνητο διαλύθηκε,
01:25
and fortunately, no one was hurt.
25
73229
3557
και ευτυχώς, κανένας δεν τραυματίστηκε.
01:28
But I had no idea that car was stopping,
26
76786
4211
Αλλά δεν είχα ιδέα ότι εκείνο το αυτοκίνητο θα σταματούσε
01:32
and I think we can do a lot better than that.
27
80997
3645
και πιστεύω ότι μπορούμε να κάνουμε κάτι πολύ καλύτερο από αυτό.
01:36
I think we can transform the driving experience
28
84642
4145
Πιστεύω ότι μπορούμε να μετατρέψουμε την οδική εμπειρία
01:40
by letting our cars talk to each other.
29
88787
3879
αφήνοντας τα αυτοκίνητά μας να μιλούν μεταξύ τους.
01:44
I just want you to think a little bit
30
92666
1424
Θέλω να σκεφτείτε για λίγο
01:46
about what the experience of driving is like now.
31
94090
2888
το πώς είναι τώρα η οδική εμπειρία.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
Μπαίνεις στο αυτοκίνητο. Κλείνεις την πόρτα. Είσαι μέσα σε μια γυάλινη φυσαλίδα.
01:53
You can't really directly sense the world around you.
33
101006
2916
Δεν μπορείς να αισθανθείς άμεσα τον κόσμο γύρω σου.
01:55
You're in this extended body.
34
103922
2181
Είσαι μέσα σε μία προέκταση του εαυτού σου.
01:58
You're tasked with navigating it down
35
106103
2163
Πρέπει να το πλοηγήσεις σε
02:00
partially-seen roadways,
36
108266
2056
μερικώς ορατές εθνικές οδούς,
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
εντός και μεταξύ άλλων μεταλλικών γιγάντων, σε υπεράνθρωπες ταχύτητες.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
Σωστά; Και τα μόνα που σε καθοδηγούν είναι τα δύο σου μάτια.
02:11
Okay, so that's all you have,
39
119226
1762
Σωστά, αυτά είναι τα μόνα που έχεις,
02:12
eyes that weren't really designed for this task,
40
120988
1735
μάτια τα οποία πραγματικά δεν είναι σχεδιασμένα για αυτό το σκοπό,
02:14
but then people ask you to do things like,
41
122723
3751
αλλά οι άνθρωποι σου ζητούν να κάνεις πράγματα, όπως
02:18
you want to make a lane change,
42
126474
1549
όταν θέλεις να αλλάξεις λωρίδα κυκλοφορίας,
02:20
what's the first thing they ask you do?
43
128023
2321
ποιο είναι το πρώτο πράγμα που σου ζητάνε να κάνεις;
02:22
Take your eyes off the road. That's right.
44
130344
3095
Να πάρεις τα μάτια σου από το δρόμο. Σωστά.
02:25
Stop looking where you're going, turn,
45
133439
2096
Σταμάτα να κοιτάζεις που πας, γύρνα,
02:27
check your blind spot,
46
135535
2018
κοίτα στο τυφλό σημείο σου
02:29
and drive down the road without looking where you're going.
47
137553
3471
και συνέχισε να οδηγείς χωρίς να βλέπεις που πας.
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
Εσύ και όλοι οι άλλοι. Αυτός είναι ο ασφαλής τρόπος οδήγησης.
02:36
Why do we do this? Because we have to,
49
144159
2241
Γιατί το κάνουμε αυτό; Επειδή πρέπει,
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
πρέπει να επιλέξουμε, βλέπω εδώ ή βλέπω εκεί;
02:40
What's more important?
51
148979
1521
Τι είναι πιο σημαντικό;
02:42
And usually we do a fantastic job
52
150500
2711
Και συνήθως κάνουμε εκπληκτική δουλειά
02:45
picking and choosing what we attend to on the road.
53
153211
3769
επιλέγοντας και διαλέγοντας τι να προσέξουμε στο δρόμο.
02:48
But occasionally we miss something.
54
156980
3650
Αλλά, περιστασιακά κάτι θα μας ξεφύγει.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
Περιστασιακά αισθανόμαστε κάτι είτε λανθασμένα είτε πολύ αργά.
02:57
In countless accidents, the driver says,
56
165091
1988
Σε αμέτρητα ατυχήματα, ο οδηγός λέει:
02:59
"I didn't see it coming."
57
167079
2308
«Δεν το είδα να έρχεται.»
03:01
And I believe that. I believe that.
58
169387
3281
Και το πιστεύω αυτό. Το πιστεύω.
03:04
We can only watch so much.
59
172668
2925
Τόσο μπορούμε να προσέξουμε.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
Αλλά τώρα υπάρχει η τεχνολογία που μπορεί να μας βοηθήσει να το βελτιώσουμε αυτό.
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
Στο μέλλον, με τα αυτοκίνητα να ανταλλάσσουν δεδομένα μεταξύ τους,
03:17
we will be able to see not just three cars ahead
62
185033
3928
θα μπορούμε να δούμε όχι μόνο τρία αυτοκίνητα μπροστά
03:20
and three cars behind, to the right and left,
63
188961
1594
και τρία αυτοκίνητα πίσω, στα δεξιά και αριστερά,
03:22
all at the same time, bird's eye view,
64
190555
3166
όλα την ίδια στιγμή, πανοραμική θέα.
03:25
we will actually be able to see into those cars.
65
193721
3128
θα μπορούμε να δούμε μέσα σε αυτά τα αυτοκίνητα.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
Θα μπορούμε να δούμε την ταχύτητα του προπορευόμενου αυτοκινήτου,
03:31
to see how fast that guy's going or stopping.
67
199220
3240
να δούμε πόσο γρήγορα πηγαίνει κάποιος ή εάν σταματά.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
Εάν κάποιος σταματάει τελείως, θα το ξέρω.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
Και με υπολογισμούς, αλγόριθμους και προγνωστικά μοντέλα,
03:42
we will be able to see the future.
70
210829
3273
θα μπορούμε να δούμε το μέλλον.
03:46
You may think that's impossible.
71
214102
1556
Μπορεί να σκέφτεστε ότι αυτό είναι αδύνατο.
03:47
How can you predict the future? That's really hard.
72
215658
2731
Πώς να προβλέψεις το μέλλον; Αυτό είναι κάτι πολύ δύσκολο.
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
Για την ακρίβεια, όχι. Για τα αυτοκίνητα, δεν είναι αδύνατο.
03:54
Cars are three-dimensional objects
74
222008
2732
Τα αυτοκίνητα είναι τρισδιάστατα αντικείμενα
03:56
that have a fixed position and velocity.
75
224740
2332
που έχουν συγκεκριμένη θέση και ταχύτητα.
03:59
They travel down roads.
76
227072
1631
Κινούνται πάνω σε οδόστρωμα.
04:00
Often they travel on pre-published routes.
77
228703
2412
Συχνά ακολουθούν προκαθορισμένα δρομολόγια.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
Πραγματικά δεν είναι τόσο δύσκολο να γίνουν λογικές προβλέψεις
04:07
about where a car's going to be in the near future.
79
235053
2864
για το που θα είναι ένα αυτοκίνητο στο άμεσο μέλλον.
04:09
Even if, when you're in your car
80
237917
2002
Ακόμη και εάν όταν είστε σε ένα αυτοκίνητο
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
και έρθει ένας μοτοσικλετιστής --βζουμ!--
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
με 140 χλμ την ώρα, εναλλάσσοντας λωρίδες κυκλοφορίας
04:16
I know you've had this experience --
83
244209
2547
-- ξέρω ότι είχατε αυτή την εμπειρία --
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
αυτός ο τύπος δεν «ήρθε από το πουθενά».
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
Αυτός ο τύπος πιθανότατα ήταν στο δρόμο το τελευταίο μισάωρο.
04:25
(Laughter)
86
253002
1190
(Γέλια)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
Σωστά; Εννοώ, κάποιος τον έχει δει.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
15, 30, 50 χιλιόμετρα πριν, κάποιος τον έχει δει
04:32
and as soon as one car sees that guy
89
260549
2384
και μόλις ένα αυτοκίνητο τον δει
04:34
and puts him on the map, he's on the map --
90
262933
2231
και τον τοποθετήσει στον χάρτη, είναι στον χάρτη --
04:37
position, velocity,
91
265164
2176
θέση, ταχύτητα,
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
καλή εκτίμηση ότι θα συνεχίσει να πηγαίνει με 140 χλμ την ώρα.
04:41
You'll know, because your car will know, because
93
269661
2184
Θα το ξέρεις, γιατί το αυτοκίνητό σου θα το ξέρει, γιατί
04:43
that other car will have whispered something in his ear,
94
271845
2275
το άλλο αυτοκίνητο του ψιθύρισε κάτι στο αυτί,
04:46
like, "By the way, five minutes,
95
274120
1923
όπως, «Παρεμπιπτόντως, πέντε λεπτά,
04:48
motorcyclist, watch out."
96
276043
2775
μοτοσικλετιστής, πρόσεχε».
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
Μπορείτε να κάνετε λογικές προβλέψεις σχετικά με το πώς συμπεριφέρονται τα αυτοκίνητα.
04:53
I mean, they're Newtonian objects.
98
281521
1365
Θέλω να πω ότι είναι Νευτώνεια αντικείμενα.
04:54
That's very nice about them.
99
282886
2909
Αυτό είναι το καλό με αυτά.
04:57
So how do we get there?
100
285795
3034
Πώς φτάνουμε λοιπόν εκεί;
05:00
We can start with something as simple
101
288829
2266
Μπορούμε να ξεκινήσουμε με κάτι τόσο απλό
05:03
as sharing our position data between cars,
102
291095
2870
όσο ο διαμοιρασμός των δεδομένων της θέσης μας μεταξύ των αυτοκινήτων,
05:05
just sharing GPS.
103
293965
1892
απλά διαμοιρασμός GPS.
05:07
If I have a GPS and a camera in my car,
104
295857
2444
Εάν έχω ένα GPS και μια κάμερα στο αυτοκίνητό μου,
05:10
I have a pretty precise idea of where I am
105
298301
2231
έχω μια αρκετά ακριβής ιδέα για το πού βρίσκομαι
05:12
and how fast I'm going.
106
300532
1732
και το πόσο γρήγορα πηγαίνω.
05:14
With computer vision, I can estimate where
107
302264
1657
Με μηχανική όραση, μπορώ να εκτιμήσω που
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
είναι τα τριγύρω μου αυτοκίνητα, περίπου, και που πηγαίνουν.
05:19
And same with the other cars.
109
307458
970
Το ίδιο με τα άλλα αυτοκίνητα.
05:20
They can have a precise idea of where they are,
110
308428
1814
Μπορούν να έχουν μια ακριβής ιδέα για το που είναι
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
και μια ασαφή ιδέα του που είναι τα άλλα αυτοκίνητα.
05:24
What happens if two cars share that data,
112
312388
3231
Τι συμβαίνει όταν δύο αυτοκίνητα μοιράζονται αυτά τα δεδομένα,
05:27
if they talk to each other?
113
315619
1955
εάν μιλούν μεταξύ τους;
05:29
I can tell you exactly what happens.
114
317574
2778
Μπορώ να σας πω ακριβώς τι γίνεται.
05:32
Both models improve.
115
320352
2339
Και τα δύο μοντέλα βελτιώνονται.
05:34
Everybody wins.
116
322691
2055
Όλοι κερδίζουν.
05:36
Professor Bob Wang and his team
117
324746
2577
Ο καθηγητής Μπομπ Γουάνγκ και η ομάδα του
05:39
have done computer simulations of what happens
118
327323
2738
έχουν κάνει προσομοιώσεις σε υπολογιστή για το τι συμβαίνει
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
όταν ασαφείς εκτιμήσεις συνδυάζονται, ακόμα και σε μικρή συμφόρηση,
05:45
when cars just share GPS data,
120
333492
2624
όταν αυτοκίνητα απλά μοιράζονται δεδομένα GPS,
05:48
and we've moved this research out of the computer simulation
121
336116
2513
και μεταφέραμε αυτή την έρευνα εκτός προσομοιώσεων υπολογιστή
05:50
and into robot test beds that have the actual sensors
122
338629
3027
σε κλίνες δοκιμών ρομπότ που έχουν τους πραγματικούς αισθητήρες
05:53
that are in cars now on these robots:
123
341656
3133
που υπάρχουν τώρα στα αυτοκίνητα, σε αυτά τα ρομπότ:
05:56
stereo cameras, GPS,
124
344789
1838
στερεοφωνικές κάμερες, GPS
05:58
and the two-dimensional laser range finders
125
346627
1874
και δισδιάστατα τηλέμετρα λέιζερ,
06:00
that are common in backup systems.
126
348501
2240
τα οποία είναι κοινά σε εφεδρικά συστήματα.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
Επίσης, προσαρμόσαμε έναν διακριτικό ασύρματο μικρής εμβέλειας
06:07
and the robots talk to each other.
128
355225
1909
και τα ρομπότ μιλάνε μεταξύ τους.
06:09
When these robots come at each other,
129
357134
1539
Όταν αυτά τα ρομπότ πλησιάζουν μεταξύ τους,
06:10
they track each other's position precisely,
130
358673
2971
παρακολουθούν με ακρίβεια το ένα τη θέση του άλλου
06:13
and they can avoid each other.
131
361644
2737
και μπορούν να αποφύγουν το ένα το άλλο.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
Τώρα προσθέτουμε ακόμα περισσότερα ρομπότ στο χώρο
06:19
and we encountered some problems.
133
367607
1471
και αντιμετωπίσαμε μερικά προβλήματα.
06:21
One of the problems, when you get too much chatter,
134
369078
2359
Ένα από τα προβλήματα, όταν δέχεστε πολλή φλυαρία,
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
είναι δύσκολο να επεξεργαστείτε όλα τα πακέτα, έτσι πρέπει να θέσετε προτεραιότητες
06:27
and that's where the predictive model helps you.
136
375165
2357
και εδώ το προγνωστικό μοντέλο σας βοηθάει.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
Εάν τα αυτοκίνητα ρομπότ ακολουθούν τις προβλεφθείσες πορείες,
06:33
you don't pay as much attention to those packets.
138
381894
1767
δεν δίνεις μεγάλη σημασία σε αυτά τα πακέτα.
06:35
You prioritize the one guy
139
383661
1703
Δίνεις προτεραιότητα σε αυτό
06:37
who seems to be going a little off course.
140
385364
1333
που φαίνεται να πηγαίνει λίγο εκτός πορείας.
06:38
That guy could be a problem.
141
386697
2526
Αυτός ο τύπος μπορεί να δημιουργήσει ένα πρόβλημα.
06:41
And you can predict the new trajectory.
142
389223
3002
Και μπορείτε να προβλέψετε μια νέα πορεία.
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
Έτσι, όχι μόνο ξέρεις ότι θα βγει εκτός πορείας, ξέρεις πώς.
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
Και ξέρετε ποιους οδηγούς πρέπει να προειδοποιήσετε να κάνουν στην άκρη.
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
Και θέλαμε να κάνουμε -- ποιος είναι ο καλύτερος τρόπος να ειδοποιηθούν όλοι;
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
Πώς μπορούν τα αυτοκίνητα να ψιθυρίσουν «Πρέπει να κάνεις στην άκρη;»
06:56
Well, it depends on two things:
147
404529
1517
Εξαρτάται από δύο πράγματα:
06:58
one, the ability of the car,
148
406046
2169
πρώτον, την ικανότητα του αυτοκινήτου
07:00
and second the ability of the driver.
149
408215
3217
και δεύτερον την ικανότητα του οδηγού.
07:03
If one guy has a really great car,
150
411432
1505
Εάν κάποιος έχει ένα πραγματικά καλό αυτοκίνητο,
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
αλλά χρησιμοποιεί το τηλέφωνο ή, ξέρετε, κάνει κάτι,
07:07
they're not probably in the best position
152
415862
1930
πιθανότατα δεν είναι στην καλύτερη θέση
07:09
to react in an emergency.
153
417792
2970
να αντιδράσει σε μια αιφνίδια κατάσταση.
07:12
So we started a separate line of research
154
420762
1665
Έτσι, ξεκινήσαμε μια ξεχωριστή έρευνα
07:14
doing driver state modeling.
155
422427
2551
κάνοντας μοντελοποίηση της κατάστασης του οδηγού.
07:16
And now, using a series of three cameras,
156
424978
2329
Τώρα, χρησιμοποιώντας μια σειρά τριών καμερών,
07:19
we can detect if a driver is looking forward,
157
427307
2270
μπορούμε να εντοπίσουμε εάν ο οδηγός κοιτάζει μπροστά,
07:21
looking away, looking down, on the phone,
158
429577
2860
κοιτάζει μακρυά, κοιτάζει κάτω, είναι στο τηλέφωνο
07:24
or having a cup of coffee.
159
432437
3061
ή πίνει καφέ.
07:27
We can predict the accident
160
435498
2070
Μπορούμε να προβλέψουμε το ατύχημα
07:29
and we can predict who, which cars,
161
437568
3651
και μπορούμε να προβλέψουμε ποιος, ποια αυτοκίνητα,
07:33
are in the best position to move out of the way
162
441219
3486
είναι στην βέλτιστη θέση να κινηθούν εκτός πορείας
07:36
to calculate the safest route for everyone.
163
444705
3009
να υπολογίσουν την ασφαλέστερη διαδρομή για όλους.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
Κατά βάση, αυτές οι τεχνολογίες υπάρχουν σήμερα.
07:44
I think the biggest problem that we face
165
452349
2824
Πιστεύω ότι το μεγαλύτερο πρόβλημα που αντιμετωπίζουμε
07:47
is our own willingness to share our data.
166
455173
3013
είναι η προθυμία μας να μοιραστούμε τα δεδομένα μας.
07:50
I think it's a very disconcerting notion,
167
458186
2631
Νομίζω ότι είναι μια πολύ ανησυχητική έννοια,
07:52
this idea that our cars will be watching us,
168
460817
2386
η ιδέα ότι τα αυτοκίνητά μας θα μας παρακολουθούν,
07:55
talking about us to other cars,
169
463203
3371
θα μιλάνε για εμάς σε άλλα αυτοκίνητα,
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
θα μας κουτσομπολεύουν διαρκώς.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
Αλλά πιστεύω ότι μπορεί να γίνει με τέτοιο τρόπο ώστε να προστατευτεί η ιδιωτικότητά μας,
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
όπως ακριβώς τώρα, όταν βλέπω εξωτερικά το αμάξι σας
08:09
I don't really know about you.
173
477639
2363
πραγματικά δεν γνωρίζω για εσάς.
08:12
If I look at your license plate number,
174
480002
1137
Εάν κοιτάξω τις πινακίδες κυκλοφορίας σας,
08:13
I don't really know who you are.
175
481139
1886
δεν ξέρω ποιος είστε.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
Πιστεύω ότι τα αυτοκίνητά μας θα μιλάνε για εμάς πίσω από την πλάτη μας.
08:19
(Laughter)
177
487274
2975
(Γέλια)
08:22
And I think it's going to be a great thing.
178
490249
3185
Και πιστεύω ότι θα είναι κάτι πάρα πολύ καλό.
08:25
I want you to consider for a moment
179
493434
1650
Θέλω να σκεφτείτε για μια στιγμή
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
εάν πραγματικά δεν θέλετε ο αφηρημένος έφηβος πίσω σας
08:31
to know that you're braking,
181
499202
2120
να γνωρίζει ότι φρενάρετε,
08:33
that you're coming to a dead stop.
182
501322
2924
ότι σκοπεύετε να σταματήσετε.
08:36
By sharing our data willingly,
183
504246
2741
Με τον εθελούσιο διαμοιρασμό των δεδομένων μας,
08:38
we can do what's best for everyone.
184
506987
2812
μπορούμε να κάνουμε το καλύτερο για όλους.
08:41
So let your car gossip about you.
185
509799
3076
Αφήστε λοιπόν το αυτοκίνητό σας να σας κουτσομπολεύσει.
08:44
It's going to make the roads a lot safer.
186
512875
3038
Θα κάνει τους δρόμους πιο ασφαλής.
08:47
Thank you.
187
515913
1791
Σας ευχαριστώ.
08:49
(Applause)
188
517704
4985
(Χειροκρότημα)
ABOUT THE SPEAKER
Jennifer Healey - Research scientistA 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.
Jennifer Healey | Speaker | TED.com