TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
رعنا الکالیوبی: این اپلیکیشن میداند شما چطور احساس میکنید-- با نگاه کردن به چهرهتان
Filmed:
Readability: 4.3
1,613,290 views
احساساتمان جنبه‌های مختلف زندگیمان را تحت تأثیر قرار می‌دهند - چگونگی یادگیریمان، چگونگی برقراری ارتباطمان، چگونگی تصمیم‌گیریمان. اما احساساتمان در زندگی دیجیتال غایب هستند؛ وسایل و اپلیکیشن‌هایی که با آن‌ها کار می کنیم، نمی‌دانند چه احساسی داریم. دانشمند رعنا الکالیوبی، می‌خواهد این وضعیت را تغییر دهد. او یک نمونه‌ی نمایشی از یک تکنولوژی جدید را نشان می‌دهد که حالات صورت شما را می‌خواند و آن‌ها را با احساسات مربوطه تطبیق می‌دهد. او می‌گوید، این «جست‌و‌جوگر احساسات» پیچیدگی‌های بزرگی دارد، و می‌تواند نه تنها تعامل ما و ماشین‌ها را تغییر دهد، بلکه می‌تواند تعامل ما با یکدیگر را نیز تغییر دهد.
Rana el Kaliouby - Computer scientist
What if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware. Full bio
What if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware. Full bio
Double-click the English transcript below to play the video.
00:12
Our emotions influence
every aspect of our lives,
every aspect of our lives,
0
556
4017
احساسات ما روی همه‌ی جنبه‌های زندگیمان
تأثیر می‌گذارد،
تأثیر می‌گذارد،
00:16
from our health and how we learn,
to how we do business and make decisions,
to how we do business and make decisions,
1
4573
3576
از سلامتی و چگونگی یادگیریمان گرفته،
تا شیوه‌ی کسب و کار و تصمیم‌گیریمان،
تا شیوه‌ی کسب و کار و تصمیم‌گیریمان،
00:20
big ones and small.
2
8149
1773
از ریز تا درشت.
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
احساساتمان روی برقراری ارتباطمات
با دیگران نیز تأثیر می‌گذارد.
با دیگران نیز تأثیر می‌گذارد.
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
ما چنان رشد کرده‌ایم
تا در جهانی این‌چنین زندگی کنیم،
تا در جهانی این‌چنین زندگی کنیم،
00:31
but instead, we're living
more and more of our lives like this --
more and more of our lives like this --
5
19108
4319
ولی در مقابل، بیشتر این‌گونه
زندگی می‌کنیم --
زندگی می‌کنیم --
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
این پیامک را دخترم،
شب گذشته برایم فرستاده است --
شب گذشته برایم فرستاده است --
00:38
in a world that's devoid of emotion.
7
26561
2740
در جهانی که خالی از احساسات است.
00:41
So I'm on a mission to change that.
8
29301
1951
من مأموریت دارم که وضعیت را
تغییر دهم.
تغییر دهم.
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
می‌خواهم احساسات را
به تجربه‌ی دیجیتال بیاورم.
به تجربه‌ی دیجیتال بیاورم.
00:48
I started on this path 15 years ago.
10
36223
3077
این راه را ۱۵ سال پیش آغاز کردم.
00:51
I was a computer scientist in Egypt,
11
39300
2066
من یک دانشمند کامپیوتر در مصر بودم،
00:53
and I had just gotten accepted to
a Ph.D. program at Cambridge University.
a Ph.D. program at Cambridge University.
12
41366
4505
و به‌تازگی در یک برنامه‌ی دکترا
در دانشگاه کمبریج پذیرفته شده بودم.
در دانشگاه کمبریج پذیرفته شده بودم.
00:57
So I did something quite unusual
13
45871
2113
من کاری به نسبت غیر معمول
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
برای یک زن مسلمان مصری تازه عروس
انجام دادم:
انجام دادم:
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
با حمایت همسرم که
باید در مصر می‌ماند
باید در مصر می‌ماند
01:08
I packed my bags and I moved to England.
16
56598
3018
چمدان‌هایم را برداشتم و به انگلیس رفتم.
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
در کمبریج، هزاران مایل
دور از خانه،
دور از خانه،
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
فهمیدم که بیشتر ساعات را
با لپ‌تاپم سپری می‌کنم
با لپ‌تاپم سپری می‌کنم
01:18
than I did with any other human.
19
66257
2229
تا با دیگر انسان‌ها.
01:20
Yet despite this intimacy, my laptop
had absolutely no idea how I was feeling.
had absolutely no idea how I was feeling.
20
68486
4853
با وجود این صمیمیت، لپ‌تاپ من هیچ ایده‌ای
درباره‌ی آن‌چه من احساس می‌کردم نداشت.
درباره‌ی آن‌چه من احساس می‌کردم نداشت.
01:25
It had no idea if I was happy,
21
73339
3211
هیچ ایده‌ای درباره‌ی این که من خوش‌حالم
01:28
having a bad day, or stressed, confused,
22
76550
2988
روز بدی را گذرانده‌ام، استرس داشته‌ام،
یا گیجم،
یا گیجم،
01:31
and so that got frustrating.
23
79538
2922
و خب، اینها ناامید‌کننده شد.
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
حتی بدتر، هنگامی که با خانواده‌ام،
به صورت آنلاین ارتباط برقرار می‌کردم،
به صورت آنلاین ارتباط برقرار می‌کردم،
01:41
I felt that all my emotions
disappeared in cyberspace.
disappeared in cyberspace.
25
89421
3282
احساس می‌کردم که تمام احساسات من
در فضای سایبری ناپدید می‌شوند.
در فضای سایبری ناپدید می‌شوند.
01:44
I was homesick, I was lonely,
and on some days I was actually crying,
and on some days I was actually crying,
26
92703
5155
من دلتنگ خانه بودم، تنها بودم،
و بعضی روزها واقعا گریه می‌کردم،
و بعضی روزها واقعا گریه می‌کردم،
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
ولی تنها راه ابراز احساساتم
این شکلک بود.
این شکلک بود.
01:54
(Laughter)
28
102786
2020
(خنده‌ی حضار)
01:56
Today's technology
has lots of I.Q., but no E.Q.;
has lots of I.Q., but no E.Q.;
29
104806
4974
تکنولوژیِ امروز، بهره‌ی هوشی بالایی دارد
ولی بهره‌ی احساسی ندارد؛
ولی بهره‌ی احساسی ندارد؛
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
هوشِ شناختیِ فراوانی دارد،
ولی هوش احساسی ندارد.
ولی هوش احساسی ندارد.
02:04
So that got me thinking,
31
112956
2197
این مرا به فکر فرو برد،
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
اگر تکنولوژی می‌توانست
احساسات ما را بفهمد، چه می‌شد؟
احساسات ما را بفهمد، چه می‌شد؟
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
چه می‌شد اگر وسایل ما می‌توانستند
احساست ما را بفهمند و با توجه به آن‌ها واکنش نشان‌دهند،
احساست ما را بفهمند و با توجه به آن‌ها واکنش نشان‌دهند،
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
مثل هر یک از دوستان ما که هوش احساسی دارد
و واکنش نشان می‌دهد؟
و واکنش نشان می‌دهد؟
02:18
Those questions led me and my team
35
126666
3564
این سؤالات، من و تیمم را
02:22
to create technologies that can read
and respond to our emotions,
and respond to our emotions,
36
130230
4377
به ساخت تکنولوژی‌هایی که بتوانند احساساتِ
ما را بخوانند و به آن پاسخ بدهند سوق داد،
ما را بخوانند و به آن پاسخ بدهند سوق داد،
02:26
and our starting point was the human face.
37
134607
3090
و نقطه‌ی شروع ما چهره‌ی انسان‌ها بود.
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
چهره‌ی انسان، یکی از قوی‌ترین کانال‌هاست
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
که همه‌ی ما از آن استفاده می‌کنیم، تا
حالت‌های اجتماعی و احساسی را ابراز کنیم،
حالت‌های اجتماعی و احساسی را ابراز کنیم،
02:37
everything from enjoyment, surprise,
40
145766
3010
همه‌چیز، شوق و شگفتی‌ِمان،
02:40
empathy and curiosity.
41
148776
4203
هم‌دلی و کنجکاویمان.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
در دانش احساسات، ما به هر حرکت عضلات صورت
یک واحد حرکت می‌گوییم.
یک واحد حرکت می‌گوییم.
02:49
So for example, action unit 12,
43
157907
2925
در نتیجه، برای مثال، حرکتِ واحدِ ۱۲،
02:52
it's not a Hollywood blockbuster,
44
160832
2038
یک فیلم پرفروش هالیوودی نیست،
02:54
it is actually a lip corner pull,
which is the main component of a smile.
which is the main component of a smile.
45
162870
3442
بلکه در حقیقت، بالا رفتن گوشه‌ی لب است،
که یک جز‌ٔ اصلی لبخند است.
که یک جز‌ٔ اصلی لبخند است.
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
همه امتحانش کنید. بیایید
چندین لبخند داشته‌باشیم.
چندین لبخند داشته‌باشیم.
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
مثال دیگر، حرکتِ واحدِ ۴ است،
که حرکتِ چروک انداختن ابرو است.
که حرکتِ چروک انداختن ابرو است.
03:03
It's when you draw your eyebrows together
48
171954
2238
زمانی که شما ابرو‌هایتان را درهم می‌‌کشید
03:06
and you create all
these textures and wrinkles.
these textures and wrinkles.
49
174192
2267
و همه‌ی این الگو‌ها و چین‌ها را می‌سازید.
03:08
We don't like them, but it's
a strong indicator of a negative emotion.
a strong indicator of a negative emotion.
50
176459
4295
ما اخم را دوست نداریم، ولی این حرکت
نشانگری قوی برای احساسات منفی است.
نشانگری قوی برای احساسات منفی است.
03:12
So we have about 45 of these action units,
51
180754
2206
ما حدود ۴۵ واحد حرکتی داریم،
03:14
and they combine to express
hundreds of emotions.
hundreds of emotions.
52
182960
3390
و همه‌ی آن‌ها با هم ترکیب می‌شوند
تا صدها احساس را ابراز و بیان کنند.
تا صدها احساس را ابراز و بیان کنند.
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
آموزش خواندن احساسات چهره
به یک کامپیوتر سخت است،
به یک کامپیوتر سخت است،
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
زیرا این واحد‌های حرکتی می‌توانند
سریع، دقیق، و ماهرانه باشند.
سریع، دقیق، و ماهرانه باشند.
03:25
and they combine in many different ways.
55
193223
2554
و به شکل‌های مختلف با هم ترکیب شوند.
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
برای مثال، لبخند و پوزخند زدن را
در نظر بگیرید.
در نظر بگیرید.
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
آن‌ها از جهاتی، شبیه به هم هستند،
ولی معانی کاملا متفاوتی دارند.
ولی معانی کاملا متفاوتی دارند.
03:35
(Laughter)
58
203268
1718
(خنده‌ی حضار)
03:36
So the smile is positive,
59
204986
3004
لبخند مثبت است،
03:39
a smirk is often negative.
60
207990
1270
و پوزخند معمولاً منفی.
03:41
Sometimes a smirk
can make you become famous.
can make you become famous.
61
209260
3876
بعضی اوقات، یک پوزخند
می‌تواند شما را معروف کند.
می‌تواند شما را معروف کند.
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
ولی جداً، برای یک کامپیوتر
مهم است که بتواند
مهم است که بتواند
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
دو حالت متفاوت را
از هم تشخیص دهد.
از هم تشخیص دهد.
03:50
So how do we do that?
64
218815
1812
حال، ما این کار را چگونه
انجام می‌دهیم؟
انجام می‌دهیم؟
03:52
We give our algorithms
65
220627
1787
ما به الگوریتم‌هایمان
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
ده‌ها مثال از صدها مثالی که
مردم در آن‌ها می‌خندند را می‌دهیم،
مردم در آن‌ها می‌خندند را می‌دهیم،
03:58
from different ethnicities, ages, genders,
67
226524
3065
از فرهنگ‌ها، سنین، و جنسیت‌های متفاوت،
04:01
and we do the same for smirks.
68
229589
2811
و همین کار را برای پوزخند‌ها
انجام می‌دهیم.
انجام می‌دهیم.
04:04
And then, using deep learning,
69
232400
1554
و سپس، با کمک یادگیری عمیق،
04:05
the algorithm looks for all these
textures and wrinkles
textures and wrinkles
70
233954
2856
الگوریتمْ به همه‌ی این الگو‌ها
و چین‌و‌چروک‌ها
و چین‌و‌چروک‌ها
04:08
and shape changes on our face,
71
236810
2580
و تغییرات قالبِ چهره‌مان نگاه می‌کند،
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
و به طور اساسی یاد میگیرد که
همه‌ی لبخند‌ها ویژگی‌های مشابهی دارند
همه‌ی لبخند‌ها ویژگی‌های مشابهی دارند
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
و همه‌ی پوزخند‌ها، ویژگی‌های ماهرانه،
اما متفاوتی دارند.
اما متفاوتی دارند.
04:17
And the next time it sees a new face,
74
245773
2368
و دفعه‌ی بعد که
یک چهره‌ی جدید را می‌بیند،
یک چهره‌ی جدید را می‌بیند،
04:20
it essentially learns that
75
248141
2299
ضرورتاً می‌فهمد
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
که این چهره، ویژگی‌های یک لبخند را دارد،
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
و می‌گوید: «آها، من این را تشخیص می‌دهم.
این جلوه‌ی یک لبخند است.»
این جلوه‌ی یک لبخند است.»
04:30
So the best way to demonstrate
how this technology works
how this technology works
78
258381
2800
پس بهترین راه برای نشان‌دادن
چگونگی عمل‌کرد این تکنولوژی
چگونگی عمل‌کرد این تکنولوژی
04:33
is to try a live demo,
79
261181
2136
اجرای یک نمایش زنده است،
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
پس من یک داوطلب می‌خواهم،
ترجیحاً فردی با یک صورت.
ترجیحاً فردی با یک صورت.
04:39
(Laughter)
81
267230
2334
(خنده‌ی حضار)
04:41
Cloe's going to be our volunteer today.
82
269564
2771
کلوی داوطلب امروز ما خواهد بود.
04:45
So over the past five years, we've moved
from being a research project at MIT
from being a research project at MIT
83
273325
4458
در پنج سالِ گذشته، ما از یک
پروژه‌ی تحقیقاتی در MIT،
پروژه‌ی تحقیقاتی در MIT،
04:49
to a company,
84
277783
1156
به یک شرکت تبدیل شدیم،
04:50
where my team has worked really hard
to make this technology work,
to make this technology work,
85
278939
3192
جایی که تیم من، به سختی کار کرده‌است
تا این تکنولوژی کار کند،
تا این تکنولوژی کار کند،
04:54
as we like to say, in the wild.
86
282131
2409
که چیزی است که می‌خواهیم
در واقعیت بگوییم تا در تئوری.
در واقعیت بگوییم تا در تئوری.
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
همچنین ما، آن را کوچک کرده‌ایم
تا هسته‌ی موتور احساسات
تا هسته‌ی موتور احساسات
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
روی هر دستگاه موبایلِ مجهز به دوربین،
مانند این آی‌پد، کار کند.
مانند این آی‌پد، کار کند.
05:02
So let's give this a try.
89
290530
2786
پس بیایید امتحانش کنیم.
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
همان‌طور که می‌توانید مشاهده‌کنید،
الگوریتم صورت کلوی را یافته است،
الگوریتم صورت کلوی را یافته است،
05:10
so it's this white bounding box,
91
298680
1692
پس این جعبه‌ی سفید
کادر صورت را نشان می‌دهد،
کادر صورت را نشان می‌دهد،
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
که دارد خصوصیات اصلی صورتش را
دنبال می‌کند؛
دنبال می‌کند؛
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
ابرو‌هایش، چشمانش، دهانش، و دماغش.
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
سؤال این است که
آیا می‌تواند احساساتش را نیز شناسایی کند؟
آیا می‌تواند احساساتش را نیز شناسایی کند؟
05:20
So we're going to test the machine.
95
308786
1671
پس ما دستگاه را تست می‌کنیم.
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
اول از همه، صورت بدون احساست را
به من نشان بده. بله، عالی است! (خنده‌ی حضار)
به من نشان بده. بله، عالی است! (خنده‌ی حضار)
05:26
And then as she smiles,
this is a genuine smile, it's great.
this is a genuine smile, it's great.
97
314643
2813
حالا او می‌خندد،
این یک خنده‌ی خالص است، عالی است.
این یک خنده‌ی خالص است، عالی است.
05:29
So you can see the green bar
go up as she smiles.
go up as she smiles.
98
317456
2300
می‌توانید ببینید که نوار سبز
با خندیدن او بزرگ می‌شود.
با خندیدن او بزرگ می‌شود.
05:31
Now that was a big smile.
99
319756
1222
این یک خنده‌ی بزرگ بود.
05:32
Can you try a subtle smile
to see if the computer can recognize?
to see if the computer can recognize?
100
320978
3043
می‌توانی کمی ملایم بخندی تا ببینیم
کامپیوتر می‌تواند آن را شناسایی کند؟
کامپیوتر می‌تواند آن را شناسایی کند؟
05:36
It does recognize subtle smiles as well.
101
324021
2331
بله، می‌تواند خنده‌ی ماهرانه را هم
به همین ترتیب شناسایی کند.
به همین ترتیب شناسایی کند.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
ما واقعا سخت کار کرده‌ایم
تا این کار را انجام دهیم.
تا این کار را انجام دهیم.
05:40
And then eyebrow raised,
indicator of surprise.
indicator of surprise.
103
328477
2962
و بعد، بالا رفتن ابروها،
که نشان‌دهنده‌ی شگفتی است.
که نشان‌دهنده‌ی شگفتی است.
05:43
Brow furrow, which is
an indicator of confusion.
an indicator of confusion.
104
331439
4249
چین‌خوردگی پیشانی،
نشان‌دهنده‌ی گیجی است.
نشان‌دهنده‌ی گیجی است.
05:47
Frown. Yes, perfect.
105
335688
4007
رو ترش کُن. بله، عالی است.
05:51
So these are all the different
action units. There's many more of them.
action units. There's many more of them.
106
339695
3493
پس اینها همه‌ی واحد‌هایِ حرکتیِ متفاوت
هستند. چندین حرکت دیگر نیز وجود دارد.
هستند. چندین حرکت دیگر نیز وجود دارد.
05:55
This is just a slimmed-down demo.
107
343188
2032
این یک نمایش کوچک‌شده است.
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
ما به هر خواندن، یک
نقطه‌ی داده‌ی احساسات می‌گوییم.
نقطه‌ی داده‌ی احساسات می‌گوییم.
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
و این نقاط می‌توانند با هم ترکیب شوند
تا نشان‌دهنده‌ی احساسات متفاوت باشند.
تا نشان‌دهنده‌ی احساسات متفاوت باشند.
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
پس در سمتِ راستِ نمونه‌ی نمایشی--
نشان بده که خوشحالی.
نشان بده که خوشحالی.
06:07
So that's joy. Joy fires up.
111
355990
1454
این شوق است.
شوق زیاد می‌شود.
شوق زیاد می‌شود.
06:09
And then give me a disgust face.
112
357444
1927
و حالا به من یک صورت منزجر نشان بده.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
احساست را، زمانی که زِین، گروهِ
وان‌دایرِکشن را ترک کرد، به خاطر بیاور.
وان‌دایرِکشن را ترک کرد، به خاطر بیاور.
06:15
(Laughter)
114
363643
1510
(خنده‌ی حضار)
06:17
Yeah, wrinkle your nose. Awesome.
115
365153
4342
بله، دماغت را چین بده. عالی است.
06:21
And the valence is actually quite
negative, so you must have been a big fan.
negative, so you must have been a big fan.
116
369495
3731
و نشان‌گر ظرفیت تا حدودی منفی شد،
پس حتما یک طرفدار واقعی هستی.
پس حتما یک طرفدار واقعی هستی.
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
معیارِ ظرفیت، مثبت یا منفی بودنِ تجربه را
نشان می‌دهد،
نشان می‌دهد،
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
و معیارِ درگیری نشان‌دهنده‌ی تأثیری است
که حالت صورت فرد خواهد گذاشت.
که حالت صورت فرد خواهد گذاشت.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
پس زمانی را تصور کنید که کلوی
به این رشته‌ی احساسات بی‌درنگ دسترسی داشت،
به این رشته‌ی احساسات بی‌درنگ دسترسی داشت،
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
و می‌توانست آن را با هر کسی که می‌خواهد
در میان بگذارد.
در میان بگذارد.
06:36
Thank you.
121
384935
2923
متشکرم.
06:39
(Applause)
122
387858
4621
(تشویق حضار)
06:45
So, so far, we have amassed
12 billion of these emotion data points.
12 billion of these emotion data points.
123
393749
5270
تابه‌حال، ما ۱۲ میلیارد از این نقاطِ
احساسی را جمع‌آوری کرده‌ایم.
احساسی را جمع‌آوری کرده‌ایم.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
این مجموعه، بزرگترین پایگاه‌داده‌ی
احساسات در دنیاست.
احساسات در دنیاست.
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
آن را از ۲/۹ میلیون ویدیوی چهره
جمع‌آوری کرده‌ایم،
جمع‌آوری کرده‌ایم،
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
که شرکت‌کنندگان با در اختیار گذاشتن
احساساتشان موافقت کرده‌اند،
احساساتشان موافقت کرده‌اند،
06:59
and from 75 countries around the world.
127
407193
3205
و از ۷۵ کشور در سراسر جهان
شرکت کرده‌اند.
شرکت کرده‌اند.
07:02
It's growing every day.
128
410398
1715
این مجموعه،
هر روز رو به رشد است.
هر روز رو به رشد است.
07:04
It blows my mind away
129
412603
2067
مغزم منفجر می‌شود،
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
زمانی که فکر می‌کنم که ما می‌توانیم
چیزی خصوصی مانند احساسات را
چیزی خصوصی مانند احساسات را
07:09
and we can do it at this scale.
131
417865
2235
تا این حد، اندازه بگیریم.
07:12
So what have we learned to date?
132
420100
2177
تا به حال چه آموخته‌ایم؟
07:15
Gender.
133
423057
2331
جنسیت.
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
داده‌های ما، چیز‌هایی که ممکن است
در آن‌ها شک داشته باشید را، تأیید می‌کنند.
در آن‌ها شک داشته باشید را، تأیید می‌کنند.
07:21
Women are more expressive than men.
135
429034
1857
خانم‌ها از آقایان واضح‌تر
ابراز احساسات می‌کنند.
ابراز احساسات می‌کنند.
07:22
Not only do they smile more,
their smiles last longer,
their smiles last longer,
136
430891
2683
نه تنها بیشتر لبخند می‌زنند،
بلکه لبخند‌هایشان با دوام‌تر است.
بلکه لبخند‌هایشان با دوام‌تر است.
07:25
and we can now really quantify
what it is that men and women
what it is that men and women
137
433574
2904
و ما می‌توانیم ارزیابی کنیم،
که زنان و مردان به چه چیز‌هایی
که زنان و مردان به چه چیز‌هایی
07:28
respond to differently.
138
436478
2136
واکنش‌های متفاوتی نشان می‌دهند.
07:30
Let's do culture: So in the United States,
139
438614
2290
بیایید فرهنگ را بررسی کنیم:
در ایالات متحده،
در ایالات متحده،
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
زنان ۴۰ درصد بیشتر از مردان
در بیان احساسات خود گویا هستند،
در بیان احساسات خود گویا هستند،
07:36
but curiously, we don't see any difference
in the U.K. between men and women.
in the U.K. between men and women.
141
444108
3645
ولی به شکل عجیبی، هیچ تفاوتی بین زنان و
مردان در انگلستان، مشاهده نمی‌شود.
مردان در انگلستان، مشاهده نمی‌شود.
07:39
(Laughter)
142
447753
2506
(خنده‌ی حضار)
07:43
Age: People who are 50 years and older
143
451296
4027
سن: کسانی که ۵۰ سال یا بیشتر
سن دارند،
سن دارند،
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
۲۵ درصد بیشتر از افراد جوانتر
احساساتی هستند.
احساساتی هستند.
07:51
Women in their 20s smile a lot more
than men the same age,
than men the same age,
145
459899
3852
زنان در دهه‌ی بیست‌سالگیشان، بسیار بیشتر
از مردان با سن مشابه لبخند می‌زنند.
از مردان با سن مشابه لبخند می‌زنند.
07:55
perhaps a necessity for dating.
146
463751
3839
شاید این یکی از الزامات معاشرت است.
07:59
But perhaps what surprised us
the most about this data
the most about this data
147
467590
2617
اما شاید آن‌چه از بیشتر درباره‌ی این
داده‌ها شگفت‌زده‌مان کرد
داده‌ها شگفت‌زده‌مان کرد
08:02
is that we happen
to be expressive all the time,
to be expressive all the time,
148
470207
3203
این بود که ما در تمام مدت در حال
ابرازِ احساساتیم،
ابرازِ احساساتیم،
08:05
even when we are sitting
in front of our devices alone,
in front of our devices alone,
149
473410
2833
حتی زمانی که به تنهایی در مقابل دستگاهمان
نشسته‌ایم،
نشسته‌ایم،
08:08
and it's not just when we're watching
cat videos on Facebook.
cat videos on Facebook.
150
476243
3274
و نه تنها زمانی که داریم ویدیوی یک گربه
را در فیس‌بوک می‌بینیم، بلکه همیشه.
را در فیس‌بوک می‌بینیم، بلکه همیشه.
08:12
We are expressive when we're emailing,
texting, shopping online,
texting, shopping online,
151
480217
3010
ما هنگام ایمیل زدن،پیامک زدن،
خرید آنلاین،
خرید آنلاین،
08:15
or even doing our taxes.
152
483227
2300
یا حتی پرداخت مالیات،
در حال ابراز احساساتیم.
در حال ابراز احساساتیم.
08:17
Where is this data used today?
153
485527
2392
امروزه، این داده‌ها
در کجا استفاده می‌شود؟
در کجا استفاده می‌شود؟
08:19
In understanding how we engage with media,
154
487919
2763
در فهم این که ما چگونه با رسانه‌ها
در ارتباطیم،
در ارتباطیم،
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
در فهم الگو‌های اشتراک‌گذاریِ ویدیو‌ها
و رأی دادن؛
و رأی دادن؛
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
و همچنین قدرت دادن یا
احساسی کردن تکنولوژی،
احساسی کردن تکنولوژی،
08:27
and I want to share some examples
that are especially close to my heart.
that are especially close to my heart.
157
495906
4621
می‌خواهم چند مثال با شما در میان بگذارم
که قلبم را درهم می‌فشارند.
که قلبم را درهم می‌فشارند.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
عینک‌های هوشمند از نظر احساسات
می‌توانند به افرادی که
می‌توانند به افرادی که
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
از نظر بینایی مشکل دارند، در فهمِ احساساتِ
دیگران، یاری برسانند،
دیگران، یاری برسانند،
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
و به افراد مبتلا به اوتیسم نیز در قالبِ
مترجم احساسات کمک کنند،
مترجم احساسات کمک کنند،
08:43
something that they really struggle with.
161
511680
2778
مشکلی که واقعاً این افراد دارند با آن
دست و پنجه نرم می‌کنند.
دست و پنجه نرم می‌کنند.
08:47
In education, imagine
if your learning apps
if your learning apps
162
515918
2859
در آموزش: اگر شما در حال یادگیری هستید،
اپلیکیشن‌ها
اپلیکیشن‌ها
08:50
sense that you're confused and slow down,
163
518777
2810
سردرگمی شما را احساس می‌کنند
و سرعت‌شان کم می‌شود.
و سرعت‌شان کم می‌شود.
08:53
or that you're bored, so it's sped up,
164
521587
1857
یا اگر حوصله‌تان سر رفته
سرعت‌شان بالا می‌رود،
سرعت‌شان بالا می‌رود،
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
مانند یک معلم عالی در کلاس درس.
08:59
What if your wristwatch tracked your mood,
166
527043
2601
چه می‌شد اگر ساعت مچی شما
احساساتتان را درک می‌کرد،
احساساتتان را درک می‌کرد،
09:01
or your car sensed that you're tired,
167
529644
2693
یا ماشین‌تان می‌فهمید که شما خسته هستید،
09:04
or perhaps your fridge
knows that you're stressed,
knows that you're stressed,
168
532337
2548
یا یخچال‌تان می‌فهمید که شما مضطرب هستید،
09:06
so it auto-locks to prevent you
from binge eating. (Laughter)
from binge eating. (Laughter)
169
534885
6066
و به‌طور خودکار بسته می‌شد تا
از پرخوری شما جلوگیری کند. (خنده‌ی حضار)
از پرخوری شما جلوگیری کند. (خنده‌ی حضار)
09:12
I would like that, yeah.
170
540951
2717
من این را دوست دارم، بله.
09:15
What if, when I was in Cambridge,
171
543668
1927
چه می‌شد اگر زمانی که من در کمبریج بودم،
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
به رشته‌ی احساسات بی‌درنگم دسترسی داشتم،
09:19
and I could share that with my family
back home in a very natural way,
back home in a very natural way,
173
547908
3529
و می‌توانستم آن را با خانواده‌ام در خانه
به صورت طبیعی در میان بگذارم،
به صورت طبیعی در میان بگذارم،
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
همان‌طور که انگار
با آن‌ها در یک اتاق هستم؟
با آن‌ها در یک اتاق هستم؟
09:27
I think five years down the line,
175
555408
3142
فکر می‌کنم که ۵ سال دیگر از الان،
09:30
all our devices are going
to have an emotion chip,
to have an emotion chip,
176
558550
2337
همه‌ی وسایل ما یک تراشه‌ی احساسات
خواهند داشت،
خواهند داشت،
09:32
and we won't remember what it was like
when we couldn't just frown at our device
when we couldn't just frown at our device
177
560887
4064
و ما دیگر زمانی را به‌یاد نمی‌آوریم
که نمی‌توانستیم به وسیله‌مان اخم کنیم،
که نمی‌توانستیم به وسیله‌مان اخم کنیم،
09:36
and our device would say, "Hmm,
you didn't like that, did you?"
you didn't like that, did you?"
178
564951
4249
و وسیله‌مان به ما می‌گوید: «هممم،
این را دوست نداشتی، نه؟»
این را دوست نداشتی، نه؟»
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
بزرگترین چالش ما
کاربرد‌های زیاد این تکنولوژی است.
کاربرد‌های زیاد این تکنولوژی است.
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
من و تیمم به این نتیجه رسیدیم که نمی‌توانیم
همه‌ی اپلیکیشن‌ها را خودمان بسازیم،
همه‌ی اپلیکیشن‌ها را خودمان بسازیم،
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
پس این تکنولوژی را در دسترس قرار دادیم
تا سایر توسعه‌دهندگان
تا سایر توسعه‌دهندگان
09:51
can get building and get creative.
182
579360
2114
بتوانند این برنامه‌ها را بسازند
و خلاق باشند.
و خلاق باشند.
09:53
We recognize that
there are potential risks
there are potential risks
183
581474
4086
ما متوجه شدیم
که امکان خطر
که امکان خطر
09:57
and potential for abuse,
184
585560
2067
و همچنین سؤاستفاده وجود دارد،
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
ولی به‌شخصه، بعد از
چندین سال انجام این کار،
چندین سال انجام این کار،
10:02
I believe that the benefits to humanity
186
590576
2972
باور دارم که این تکنولوژی مزایایی برای
انسانیت دارد
انسانیت دارد
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
و داشتن تکنولوژی هوشمند احساسی
10:07
far outweigh the potential for misuse.
188
595823
3576
ارزشمندتر امکان سؤاستفاده است.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
من شما را دعوت می‌کنم
که بخشی از این گفت‌و‌گو شوید.
که بخشی از این گفت‌و‌گو شوید.
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
این که افراد بیشتری درباره‌ی
این تکنولوژی بدانند،
این تکنولوژی بدانند،
10:16
the more we can all have a voice
in how it's being used.
in how it's being used.
191
604484
3177
کمک می‌کند تا بیشتر بتوانیم بگوییم که
چگونه از آن استفاده می‌شود.
چگونه از آن استفاده می‌شود.
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
همان‌طور که زندگیمان
بیشتر و بیشتر دیجیتالی می‌شود،
بیشتر و بیشتر دیجیتالی می‌شود،
10:25
we are fighting a losing battle
trying to curb our usage of devices
trying to curb our usage of devices
193
613655
3498
در یک جنگ شکست خورده مبارزه می‌کنیم
تا از استفاده از وسایل در زندگیمان کم کنیم
تا از استفاده از وسایل در زندگیمان کم کنیم
10:29
in order to reclaim our emotions.
194
617153
2229
به این منظور که احساساتمان را بازگردانیم.
10:32
So what I'm trying to do instead
is to bring emotions into our technology
is to bring emotions into our technology
195
620622
3914
چیزی که من در عوض برایش تلاش می‌کنم این
است که احساسات را به درون تکنولوژی بیاورم
است که احساسات را به درون تکنولوژی بیاورم
10:36
and make our technologies more responsive.
196
624536
2229
و کاری کنم که تکنولوژی‌هایمان پاسخ‌گوتر باشد.
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
پس می‌خواهم وسایلی که ما را
از هم جدا کرده‌اند،
از هم جدا کرده‌اند،
10:41
to bring us back together.
198
629435
2462
دوباره ما را به هم بازگردانند.
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
با انسانی کردن تکنولوژی،
این فرصت طلایی را داریم
این فرصت طلایی را داریم
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
که دوباره درباره‌ی ارتباطمان
با ماشین‌ها فکر کنیم،
با ماشین‌ها فکر کنیم،
10:51
and therefore, how we, as human beings,
201
639782
4481
و در نهایت، این که چگونه ما،
به عنوان انسان‌ها،
به عنوان انسان‌ها،
10:56
connect with one another.
202
644263
1904
با یکدیگر ارتباط برقرار می‌کنیم.
10:58
Thank you.
203
646167
2160
متشکرم.
11:00
(Applause)
204
648327
3313
(تشویق حضار)
ABOUT THE SPEAKER
Rana el Kaliouby - Computer scientistWhat if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware.
Why you should listen
Rana el Kaliouby, chief science officer and co-founder of Affectiva, an MIT Media Lab spin-off, is on a mission to bring emotion intelligence to our digital experiences. She leads the company's emotion analytics team, which is responsible for developing emotion-sensing algorithms and mining the world's largest emotion data database. So far, they've collected 12 billion emotion data points from 2.9 million face videos from volunteers in 75 countries. The company’s platform is used by many Fortune Global 100 companies to measure consumer engagement, and is pioneering emotion-enabled digital apps for enterprise, entertainment, video communication and online education.
Entrepreneur magazine called el Kaliouby one of “The 7 Most Powerful Women To Watch in 2014,” and the MIT Technology Review included her in their list of the “Top 35 Innovators Under 35.”
Rana el Kaliouby | Speaker | TED.com