TED@IBM
Raphael Arar: How we can teach computers to make sense of our emotions
Raphael Arar: Comment apprendre aux ordinateurs à trouver du sens dans nos émotions
Filmed:
Readability: 4.3
1,255,602 views
Comment pouvons-nous créer une intelligence artificielle avec qui les gens voudraient interagir ? Raphael Arar suggère de commencer par l'art. Il nous parle de projets interactifs qui aident l'intelligence artificielle à mieux comprendre des idées complexes comme la nostalgie, l'intuition et la discussion – pour faire en sorte que la technologie du futur soit autant humaine qu'artificielle.
Raphael Arar - Designer, researcher
IBM's Raphael Arar creates art and designs experiences that examine the complexities of our increasingly technocentric lives. Full bio
IBM's Raphael Arar creates art and designs experiences that examine the complexities of our increasingly technocentric lives. Full bio
Double-click the English transcript below to play the video.
00:13
I consider myself one part artist
and one part designer.
and one part designer.
0
1760
4680
Je me vois à moitié comme un artiste
et à moitié comme un designer.
et à moitié comme un designer.
00:18
And I work at an artificial
intelligence research lab.
intelligence research lab.
1
6480
3160
Je travaille dans un laboratoire
de recherche en intelligence artificielle.
de recherche en intelligence artificielle.
00:22
We're trying to create technology
2
10720
1696
On essaie de créer la technologie
00:24
that you'll want to interact with
in the far future.
in the far future.
3
12440
3296
avec laquelle vous voudrez
interagir dans un futur lointain.
interagir dans un futur lointain.
00:27
Not just six months from now,
but try years and decades from now.
but try years and decades from now.
4
15760
4640
Pas seulement dans 6 mois,
mais dans des années, des décennies.
mais dans des années, des décennies.
00:33
And we're taking a moonshot
5
21120
1616
Ce sera un moment historique
00:34
that we'll want to be
interacting with computers
interacting with computers
6
22760
2456
quand on interagira
avec les ordinateurs
avec les ordinateurs
00:37
in deeply emotional ways.
7
25240
2120
par l'intensité de nos émotions.
00:40
So in order to do that,
8
28280
1456
Pour y arriver,
00:41
the technology has to be
just as much human as it is artificial.
just as much human as it is artificial.
9
29760
4480
la technologie doit être autant
humaine qu'artificielle.
humaine qu'artificielle.
00:46
It has to get you.
10
34920
2256
Elle doit nous toucher.
00:49
You know, like that inside joke
that'll have you and your best friend
that'll have you and your best friend
11
37200
3336
Comme cette blague qu'on ne partage
qu'avec son meilleur ami,
qu'avec son meilleur ami,
00:52
on the floor, cracking up.
12
40560
1936
en se tordant de rire, par terre.
00:54
Or that look of disappointment
that you can just smell from miles away.
that you can just smell from miles away.
13
42520
4560
Ou cet air de déception
qu'on peut sentir à des kilomètres.
qu'on peut sentir à des kilomètres.
01:00
I view art as the gateway to help us
bridge this gap between human and machine:
bridge this gap between human and machine:
14
48560
6040
Je vois l'art comme la passerelle
pour combler le fossé
entre l'homme et la machine,
entre l'homme et la machine,
01:07
to figure out what it means
to get each other
to get each other
15
55280
3136
pour imaginer ce que signifie
« se comprendre l'un l'autre »
« se comprendre l'un l'autre »
01:10
so that we can train AI to get us.
16
58440
2760
pour entraîner l'IA à nous comprendre.
01:13
See, to me, art is a way
to put tangible experiences
to put tangible experiences
17
61920
3816
À mon sens, l'art est le moyen
de mettre des expériences concrètes
de mettre des expériences concrètes
01:17
to intangible ideas,
feelings and emotions.
feelings and emotions.
18
65760
3240
sur des idées abstraites,
des sentiments et des émotions.
des sentiments et des émotions.
01:21
And I think it's one
of the most human things about us.
of the most human things about us.
19
69800
2600
Je pense que c'est la plus
humaine des choses qui soit.
humaine des choses qui soit.
01:25
See, we're a complicated
and complex bunch.
and complex bunch.
20
73480
2936
Nous sommes une espèce complexe.
01:28
We have what feels like
an infinite range of emotions,
an infinite range of emotions,
21
76440
3136
Nous ressentons une gamme
infinie d'émotions et,
infinie d'émotions et,
01:31
and to top it off, we're all different.
22
79600
2496
pour couronner le tout,
nous sommes tous différents.
nous sommes tous différents.
01:34
We have different family backgrounds,
23
82120
2296
Nos origines familiales sont différentes,
01:36
different experiences
and different psychologies.
and different psychologies.
24
84440
3080
tout comme nos expériences
et notre façon de penser.
et notre façon de penser.
01:40
And this is what makes life
really interesting.
really interesting.
25
88240
2720
C'est ce qui rend nos vies
vraiment intéressantes.
vraiment intéressantes.
01:43
But this is also what makes
working on intelligent technology
working on intelligent technology
26
91440
3496
Mais c'est aussi ce qui rend le travail
sur la technologie intelligente
sur la technologie intelligente
01:46
extremely difficult.
27
94960
1600
extrêmement difficile.
01:49
And right now, AI research, well,
28
97640
3456
Actuellement, la recherche sur l'IA
01:53
it's a bit lopsided on the tech side.
29
101120
2016
favorise plutôt la dimension technique.
01:55
And that makes a lot of sense.
30
103160
2136
Ce qui s'explique très bien.
01:57
See, for every
qualitative thing about us --
qualitative thing about us --
31
105320
2456
Chacune de nos
caractéristiques qualitatives,
caractéristiques qualitatives,
01:59
you know, those parts of us that are
emotional, dynamic and subjective --
emotional, dynamic and subjective --
32
107800
4456
tout ce qui a trait à nos émotions,
aux dynamiques internes et au subjectif,
aux dynamiques internes et au subjectif,
02:04
we have to convert it
to a quantitative metric:
to a quantitative metric:
33
112280
3136
doit être convertie
en données quantitatives
en données quantitatives
02:07
something that can be represented
with facts, figures and computer code.
with facts, figures and computer code.
34
115440
4360
pouvant être représentées par des faits,
des chiffres et du code informatique.
des chiffres et du code informatique.
02:13
The issue is, there are
many qualitative things
many qualitative things
35
121000
3376
Le problème, c'est qu'on a beaucoup
de données qualitatives
de données qualitatives
02:16
that we just can't put our finger on.
36
124400
1960
tout simplement incompréhensibles.
02:20
So, think about hearing
your favorite song for the first time.
your favorite song for the first time.
37
128400
3200
La première fois que vous avez
écouté votre chanson préférée,
écouté votre chanson préférée,
02:25
What were you doing?
38
133200
1200
que faisiez-vous ?
02:28
How did you feel?
39
136000
1200
Qu'avez-vous ressenti ?
02:30
Did you get goosebumps?
40
138720
1360
Vous avez eu la chair de poule ?
02:33
Or did you get fired up?
41
141240
1640
Ou vous étiez à fond ?
02:36
Hard to describe, right?
42
144400
1200
Difficile à décrire, non ?
02:38
See, parts of us feel so simple,
43
146800
2096
Des parties de nous ont l'air si simples,
02:40
but under the surface,
there's really a ton of complexity.
there's really a ton of complexity.
44
148920
3656
mais une complexité inouïe
se cache sous la surface.
se cache sous la surface.
02:44
And translating
that complexity to machines
that complexity to machines
45
152600
2936
Traduire cette complexité à des machines
02:47
is what makes them modern-day moonshots.
46
155560
2856
sera une des avancées
majeures de notre temps.
majeures de notre temps.
02:50
And I'm not convinced that we can
answer these deeper questions
answer these deeper questions
47
158440
4176
Je ne suis pas sûr qu'on puisse
répondre à ces questions existentielles
répondre à ces questions existentielles
02:54
with just ones and zeros alone.
48
162640
1480
uniquement par du code binaire.
02:57
So, in the lab, I've been creating art
49
165120
1936
Au laboratoire, la création artistique
02:59
as a way to help me
design better experiences
design better experiences
50
167080
2456
est ma façon de concevoir
de meilleures expériences
de meilleures expériences
03:01
for bleeding-edge technology.
51
169560
2096
pour les technologies de pointe.
03:03
And it's been serving as a catalyst
52
171680
1736
L'art me sert de catalyseur
03:05
to beef up the more human ways
that computers can relate to us.
that computers can relate to us.
53
173440
3840
pour renforcer au maximum la dimension
humaine comprise par les ordinateurs.
humaine comprise par les ordinateurs.
03:10
Through art, we're tacking
some of the hardest questions,
some of the hardest questions,
54
178000
2696
À travers l'art, on aborde
des questions très difficiles,
des questions très difficiles,
03:12
like what does it really mean to feel?
55
180720
2360
comme ce que veut
vraiment dire « ressentir ».
vraiment dire « ressentir ».
03:16
Or how do we engage and know
how to be present with each other?
how to be present with each other?
56
184120
4080
Comment s'investir et savoir
être là pour les autres.
être là pour les autres.
03:20
And how does intuition
affect the way that we interact?
affect the way that we interact?
57
188800
4000
Et comment l'intuition influence
notre façon d'interagir.
notre façon d'interagir.
03:26
So, take for example human emotion.
58
194440
2056
Prenons par exemple l'émotion humaine.
03:28
Right now, computers can make sense
of our most basic ones,
of our most basic ones,
59
196520
3256
Actuellement, les ordinateurs peuvent
comprendre les plus basiques
comprendre les plus basiques
03:31
like joy, sadness,
anger, fear and disgust,
anger, fear and disgust,
60
199800
3696
comme la joie, la tristesse,
la colère, la peur et le dégoût,
la colère, la peur et le dégoût,
03:35
by converting those
characteristics to math.
characteristics to math.
61
203520
3000
en convertissant mathématiquement
ces traits caractéristiques.
ces traits caractéristiques.
03:39
But what about the more complex emotions?
62
207400
2536
Mais qu'en est-il
des émotions plus complexes ?
des émotions plus complexes ?
03:41
You know, those emotions
63
209960
1216
Ces émotions
03:43
that we have a hard time
describing to each other?
describing to each other?
64
211200
2376
qu'on a du mal à décrire
à quelqu'un d'autre.
à quelqu'un d'autre.
03:45
Like nostalgia.
65
213600
1440
Comme la nostalgie.
03:47
So, to explore this, I created
a piece of art, an experience,
a piece of art, an experience,
66
215640
3936
Pour l'étudier, j'ai créé
une œuvre d'art, une expérience,
une œuvre d'art, une expérience,
03:51
that asked people to share a memory,
67
219600
2096
qui demande aux gens
de partager un souvenir.
de partager un souvenir.
03:53
and I teamed up with some data scientists
68
221720
2136
J'ai fait équipe
avec des experts en mégadonnées
avec des experts en mégadonnées
03:55
to figure out how to take
an emotion that's so highly subjective
an emotion that's so highly subjective
69
223880
3576
pour comprendre comment
saisir une émotion aussi subjective
saisir une émotion aussi subjective
03:59
and convert it into something
mathematically precise.
mathematically precise.
70
227480
3200
et la convertir en quelque chose
de précis pour les mathématiques.
de précis pour les mathématiques.
04:03
So, we created what we call
a nostalgia score
a nostalgia score
71
231840
2136
On a donc créé une matrice de la nostalgie
04:06
and it's the heart of this installation.
72
234000
2216
et c'est le cœur de cette installation.
04:08
To do that, the installation
asks you to share a story,
asks you to share a story,
73
236240
3056
Pour ce faire, l'installation demande
de raconter une histoire,
de raconter une histoire,
04:11
the computer then analyzes it
for its simpler emotions,
for its simpler emotions,
74
239320
3256
l'ordinateur analyse ensuite
les émotions les plus simples.
les émotions les plus simples.
04:14
it checks for your tendency
to use past-tense wording
to use past-tense wording
75
242600
2656
Il vérifie la tendance à utiliser
les verbes au passé
les verbes au passé
04:17
and also looks for words
that we tend to associate with nostalgia,
that we tend to associate with nostalgia,
76
245280
3336
et cherche les mots souvent
associés à la nostalgie,
associés à la nostalgie,
04:20
like "home," "childhood" and "the past."
77
248640
3040
comme « maison »,
« enfance » et « le passé ».
« enfance » et « le passé ».
04:24
It then creates a nostalgia score
78
252760
2056
Puis une matrice de nostalgie est créée,
04:26
to indicate how nostalgic your story is.
79
254840
2736
indiquant le degré
de nostalgie de l'histoire.
de nostalgie de l'histoire.
04:29
And that score is the driving force
behind these light-based sculptures
behind these light-based sculptures
80
257600
4136
La matrice agit
sur ces sculptures lumineuses
sur ces sculptures lumineuses
04:33
that serve as physical embodiments
of your contribution.
of your contribution.
81
261760
3896
qui incarnent chaque contribution.
04:37
And the higher the score,
the rosier the hue.
the rosier the hue.
82
265680
3216
Plus le score est élevé,
plus la lumière est rose.
plus la lumière est rose.
04:40
You know, like looking at the world
through rose-colored glasses.
through rose-colored glasses.
83
268920
3936
C'est comme voir la vie en rose.
04:44
So, when you see your score
84
272880
2616
Quand on voit son score
04:47
and the physical representation of it,
85
275520
2656
et sa représentation artistique,
04:50
sometimes you'd agree
and sometimes you wouldn't.
and sometimes you wouldn't.
86
278200
2936
on est parfois d'accord,
mais pas toujours.
mais pas toujours.
04:53
It's as if it really understood
how that experience made you feel.
how that experience made you feel.
87
281160
3480
C'est comme si l’œuvre d'art
comprenait ce qu'on ressent.
comprenait ce qu'on ressent.
04:57
But other times it gets tripped up
88
285400
2216
Mais, d'autres fois, c'est perturbant,
04:59
and has you thinking
it doesn't understand you at all.
it doesn't understand you at all.
89
287640
2560
on a l'impression de ne pas
avoir été du tout compris.
avoir été du tout compris.
05:02
But the piece really serves to show
90
290680
1896
Cette œuvre d'art sert à montrer
05:04
that if we have a hard time explaining
the emotions that we have to each other,
the emotions that we have to each other,
91
292600
4056
que, si on a du mal à expliquer
nos émotions les uns aux autres,
nos émotions les uns aux autres,
05:08
how can we teach a computer
to make sense of them?
to make sense of them?
92
296680
2360
comment apprendre
à un ordinateur à les comprendre ?
à un ordinateur à les comprendre ?
05:12
So, even the more objective parts
about being human are hard to describe.
about being human are hard to describe.
93
300360
3576
Même les dimensions les plus objectives
de l'homme sont dures à décrire.
de l'homme sont dures à décrire.
05:15
Like, conversation.
94
303960
1240
Comme la conversation.
05:17
Have you ever really tried
to break down the steps?
to break down the steps?
95
305880
2736
Avez-vous déjà brisé les étapes
dans une conversation ?
dans une conversation ?
05:20
So think about sitting
with your friend at a coffee shop
with your friend at a coffee shop
96
308640
2656
Imaginez que vous êtes assis
avec un ami à un café
avec un ami à un café
05:23
and just having small talk.
97
311320
1320
parlant de tout et de rien.
05:25
How do you know when to take a turn?
98
313160
1720
Comment savoir quand prendre un tournant ?
05:27
How do you know when to shift topics?
99
315440
1840
Comment savoir quand changer de sujet ?
05:29
And how do you even know
what topics to discuss?
what topics to discuss?
100
317960
2720
Et même comment savoir
de quels sujets parler ?
de quels sujets parler ?
05:33
See, most of us
don't really think about it,
don't really think about it,
101
321560
2096
La plupart de nous n'y pense pas vraiment,
05:35
because it's almost second nature.
102
323680
1656
c'est comme une seconde nature.
05:37
And when we get to know someone,
we learn more about what makes them tick,
we learn more about what makes them tick,
103
325360
3496
Quand on rencontre quelqu'un,
on en apprend plus sur ses passions
on en apprend plus sur ses passions
05:40
and then we learn
what topics we can discuss.
what topics we can discuss.
104
328880
2376
et on apprend
de quels sujets on peut parler.
de quels sujets on peut parler.
05:43
But when it comes to teaching
AI systems how to interact with people,
AI systems how to interact with people,
105
331280
3656
Mais quand il faut enseigner à l'IA
comment interagir avec les gens,
comment interagir avec les gens,
05:46
we have to teach them
step by step what to do.
step by step what to do.
106
334960
2856
on doit lui expliquer étape par étape.
05:49
And right now, it feels clunky.
107
337840
3496
Actuellement, c'est encore trop inadapté.
05:53
If you've ever tried to talk
with Alexa, Siri or Google Assistant,
with Alexa, Siri or Google Assistant,
108
341360
4136
Si vous avez déjà essayé de parler
avec Alexa, Siri ou l'Assistant Google,
avec Alexa, Siri ou l'Assistant Google,
05:57
you can tell that it or they
can still sound cold.
can still sound cold.
109
345520
4200
vous remarquerez que leurs réponses
paraissent désincarnées.
paraissent désincarnées.
06:02
And have you ever gotten annoyed
110
350440
1656
Avez-vous déjà été agacé
06:04
when they didn't understand
what you were saying
what you were saying
111
352120
2256
quand ils n'ont pas compris
ce que vous disiez
ce que vous disiez
06:06
and you had to rephrase what you wanted
20 times just to play a song?
20 times just to play a song?
112
354400
3840
et que vous avez dû reformuler 20 fois
votre requête pour écouter une chanson.
votre requête pour écouter une chanson.
06:11
Alright, to the credit of the designers,
realistic communication is really hard.
realistic communication is really hard.
113
359440
4896
Il faut reconnaître aux designers
qu'une communication réaliste
est très complexe.
est très complexe.
06:16
And there's a whole branch of sociology,
114
364360
2136
Il y a une branche entière
de la sociologie,
de la sociologie,
06:18
called conversation analysis,
115
366520
1936
l'analyse conversationnelle,
06:20
that tries to make blueprints
for different types of conversation.
for different types of conversation.
116
368480
3136
qui cherche à modéliser
différents types de conversations.
différents types de conversations.
06:23
Types like customer service
or counseling, teaching and others.
or counseling, teaching and others.
117
371640
4080
Comme le service client,
le conseil, l'enseignement, etc.
le conseil, l'enseignement, etc.
06:28
I've been collaborating
with a conversation analyst at the lab
with a conversation analyst at the lab
118
376880
2936
J'ai travaillé au laboratoire
avec un analyste conversationnel
avec un analyste conversationnel
06:31
to try to help our AI systems
hold more human-sounding conversations.
hold more human-sounding conversations.
119
379840
4696
pour aider nos systèmes d'IA à discuter
d'une façon qui semble plus humaine.
d'une façon qui semble plus humaine.
06:36
This way, when you have an interaction
with a chatbot on your phone
with a chatbot on your phone
120
384560
3176
Ainsi, en interagissant
avec un chatbot sur son portable
avec un chatbot sur son portable
06:39
or a voice-based system in the car,
121
387760
1856
ou avec un système vocal en voiture,
06:41
it sounds a little more human
and less cold and disjointed.
and less cold and disjointed.
122
389640
3320
l'échange semblera un peu plus
humain, moins froid et désincarné.
humain, moins froid et désincarné.
06:46
So I created a piece of art
123
394360
1336
J'ai créé une œuvre d'art
06:47
that tries to highlight
the robotic, clunky interaction
the robotic, clunky interaction
124
395720
2816
qui souligne les maladresses
d'expression des robots
d'expression des robots
06:50
to help us understand, as designers,
125
398560
1976
pour aider les designers à comprendre
06:52
why it doesn't sound human yet
and, well, what we can do about it.
and, well, what we can do about it.
126
400560
4576
pourquoi ils ne parlent pas encore comme
des humains et ce qu'on peut y faire.
des humains et ce qu'on peut y faire.
06:57
The piece is called Bot to Bot
127
405160
1456
Elle s'appelle Bot to Bot,
06:58
and it puts one conversational
system against another
system against another
128
406640
2936
c'est l'interaction de deux
systèmes conversationnels
systèmes conversationnels
07:01
and then exposes it to the general public.
129
409600
2536
qui est exposée au public.
07:04
And what ends up happening
is that you get something
is that you get something
130
412160
2496
Au final, on arrive au résultat
07:06
that tries to mimic human conversation,
131
414680
1896
d'une tentative d'imiter une discussion,
07:08
but falls short.
132
416600
1896
sans y parvenir.
07:10
Sometimes it works and sometimes
it gets into these, well,
it gets into these, well,
133
418520
2736
Soit ça fonctionne, soit on reste
07:13
loops of misunderstanding.
134
421280
1536
dans des sortes
de spirales de malentendus.
de spirales de malentendus.
07:14
So even though the machine-to-machine
conversation can make sense,
conversation can make sense,
135
422840
3096
Si la conversation d'une machine
à l'autre peut avoir du sens,
à l'autre peut avoir du sens,
07:17
grammatically and colloquially,
136
425960
2016
grammaticalement et dans la forme,
07:20
it can still end up
feeling cold and robotic.
feeling cold and robotic.
137
428000
3216
elle paraît toujours froide et robotique.
07:23
And despite checking all the boxes,
the dialogue lacks soul
the dialogue lacks soul
138
431240
4016
Même en remplissant tous les critères,
le dialogue manque d'âme
le dialogue manque d'âme
07:27
and those one-off quirks
that make each of us who we are.
that make each of us who we are.
139
435280
3136
et de ces traits uniques
qui font ce que nous sommes.
qui font ce que nous sommes.
07:30
So while it might be grammatically correct
140
438440
2056
Même en étant grammaticalement correct
07:32
and uses all the right
hashtags and emojis,
hashtags and emojis,
141
440520
2656
et en utilisant les hashtags
et les emojis appropriés,
et les emojis appropriés,
07:35
it can end up sounding mechanical
and, well, a little creepy.
and, well, a little creepy.
142
443200
4136
le dialogue finit par sembler
mécanique et un peu sinistre.
mécanique et un peu sinistre.
07:39
And we call this the uncanny valley.
143
447360
2336
On appelle ça la vallée mystérieuse.
07:41
You know, that creepiness factor of tech
144
449720
1936
L'élément sinistre d'une technologie
07:43
where it's close to human
but just slightly off.
but just slightly off.
145
451680
2856
qui est proche de l'humain,
mais pas complètement.
mais pas complètement.
07:46
And the piece will start being
146
454560
1456
Et mon œuvre va devenir
07:48
one way that we test
for the humanness of a conversation
for the humanness of a conversation
147
456040
3216
une façon de tester l'humanité
d'une conversation
d'une conversation
07:51
and the parts that get
lost in translation.
lost in translation.
148
459280
2160
et les éléments perdus dans la traduction.
07:54
So there are other things
that get lost in translation, too,
that get lost in translation, too,
149
462560
2856
D'autres choses sont aussi
perdues dans la traduction,
perdues dans la traduction,
07:57
like human intuition.
150
465440
1616
comme l'intuition humaine.
07:59
Right now, computers
are gaining more autonomy.
are gaining more autonomy.
151
467080
2776
Actuellement, les ordinateurs
sont plus autonomes.
sont plus autonomes.
08:01
They can take care of things for us,
152
469880
1736
Ils peuvent nous rendre des services,
08:03
like change the temperature
of our houses based on our preferences
of our houses based on our preferences
153
471640
3176
comme changer la température
de la maison selon nos préférences
de la maison selon nos préférences
08:06
and even help us drive on the freeway.
154
474840
2160
ou même aider à conduire
sur une autoroute.
sur une autoroute.
08:09
But there are things
that you and I do in person
that you and I do in person
155
477560
2496
Mais vous et moi faisons
certaines choses en personne
certaines choses en personne
08:12
that are really difficult
to translate to AI.
to translate to AI.
156
480080
2760
qui sont très difficiles
à traduire à une IA.
à traduire à une IA.
08:15
So think about the last time
that you saw an old classmate or coworker.
that you saw an old classmate or coworker.
157
483440
4360
Pensez à votre dernière rencontre avec
un ancien camarade de classe ou collègue.
un ancien camarade de classe ou collègue.
08:21
Did you give them a hug
or go in for a handshake?
or go in for a handshake?
158
489080
2480
Vous êtes-vous embrassés
ou serré la main ?
ou serré la main ?
Vous n'avez pas hésité un instant
08:24
You probably didn't think twice
159
492800
1496
08:26
because you've had so many
built up experiences
built up experiences
160
494320
2336
car vous avez tellement passé
de moments ensemble
de moments ensemble
08:28
that had you do one or the other.
161
496680
2000
que vous savez quoi faire.
08:31
And as an artist, I feel
that access to one's intuition,
that access to one's intuition,
162
499440
3456
En tant qu'artiste, je sens
qu'atteindre l'intuition de quelqu'un,
qu'atteindre l'intuition de quelqu'un,
08:34
your unconscious knowing,
163
502920
1416
son savoir inconscient,
08:36
is what helps us create amazing things.
164
504360
3056
nous aide à créer
des choses extraordinaires.
des choses extraordinaires.
08:39
Big ideas, from that abstract,
nonlinear place in our consciousness
nonlinear place in our consciousness
165
507440
4056
Des grandes idées, depuis cet abstrait,
ce lieu chaotique dans notre conscience
ce lieu chaotique dans notre conscience
08:43
that is the culmination
of all of our experiences.
of all of our experiences.
166
511520
2960
où culminent toutes nos expériences.
08:47
And if we want computers to relate to us
and help amplify our creative abilities,
and help amplify our creative abilities,
167
515840
4656
Pour créer un lien avec les ordinateurs
et qu'ils amplifient
nos capacités créatives,
nos capacités créatives,
08:52
I feel that we'll need to start thinking
about how to make computers be intuitive.
about how to make computers be intuitive.
168
520520
3896
je pense qu'il faudra réfléchir à comment
rendre les ordinateurs plus intuitifs.
rendre les ordinateurs plus intuitifs.
08:56
So I wanted to explore
how something like human intuition
how something like human intuition
169
524440
3096
J'ai donc voulu comprendre
comment l'intuition humaine
comment l'intuition humaine
08:59
could be directly translated
to artificial intelligence.
to artificial intelligence.
170
527560
3456
pourrait être traduite sans filtre
à une intelligence artificielle.
à une intelligence artificielle.
09:03
And I created a piece
that explores computer-based intuition
that explores computer-based intuition
171
531040
3216
Et j'ai créé une œuvre
qui explore l'intuition informatique
qui explore l'intuition informatique
09:06
in a physical space.
172
534280
1320
dans l'espace physique.
09:08
The piece is called Wayfinding,
173
536480
1696
Cette œuvre s'appelle Wayfinding,
09:10
and it's set up as a symbolic compass
that has four kinetic sculptures.
that has four kinetic sculptures.
174
538200
3936
elle est formée d'un compas symbolique
avec quatre sculptures cinétiques.
avec quatre sculptures cinétiques.
09:14
Each one represents a direction,
175
542160
2056
Chacune représente une direction :
09:16
north, east, south and west.
176
544240
2120
nord, est, sud et ouest.
09:19
And there are sensors set up
on the top of each sculpture
on the top of each sculpture
177
547080
2696
Des capteurs sont placés
au dessus de chaque sculpture
au dessus de chaque sculpture
09:21
that capture how far away
you are from them.
you are from them.
178
549800
2256
pour mesurer la distance
entre elle et vous.
entre elle et vous.
Les données collectées
09:24
And the data that gets collected
179
552080
1816
09:25
ends up changing the way
that sculptures move
that sculptures move
180
553920
2136
vont changer le mouvement des sculptures
09:28
and the direction of the compass.
181
556080
2040
et la direction du compas.
09:31
The thing is, the piece doesn't work
like the automatic door sensor
like the automatic door sensor
182
559360
3656
L'installation ne fonctionne pas
comme un capteur de porte automatique
comme un capteur de porte automatique
09:35
that just opens
when you walk in front of it.
when you walk in front of it.
183
563040
2656
qui s'ouvre juste en marchant devant elle.
09:37
See, your contribution is only a part
of its collection of lived experiences.
of its collection of lived experiences.
184
565720
5056
Votre contribution n'est qu'une partie
de sa collection d'expériences vécues.
de sa collection d'expériences vécues.
09:42
And all of those experiences
affect the way that it moves.
affect the way that it moves.
185
570800
4056
Toutes ces expériences influencent
la façon dont l’œuvre d'art bouge.
la façon dont l’œuvre d'art bouge.
09:46
So when you walk in front of it,
186
574880
1736
Donc quand on marche devant elle,
09:48
it starts to use all of the data
187
576640
1976
elle se met à utiliser tous les données
09:50
that it's captured
throughout its exhibition history --
throughout its exhibition history --
188
578640
2616
emmagasinées pendant toute l'exposition –
09:53
or its intuition --
189
581280
1816
ou son intuition –
09:55
to mechanically respond to you
based on what it's learned from others.
based on what it's learned from others.
190
583120
3560
pour nous répondre mécaniquement
en utilisant ce qu'elle appris des autres.
en utilisant ce qu'elle appris des autres.
09:59
And what ends up happening
is that as participants
is that as participants
191
587480
2536
Au final, les participants
10:02
we start to learn the level
of detail that we need
of detail that we need
192
590040
2816
commencent à comprendre
le niveau de détail nécessaire
le niveau de détail nécessaire
10:04
in order to manage expectations
193
592880
2016
afin de gérer les attentes
10:06
from both humans and machines.
194
594920
2776
tant des humains que des machines.
10:09
We can almost see our intuition
being played out on the computer,
being played out on the computer,
195
597720
3616
On peut presque voir notre intuition
interprétée sur l'ordinateur,
interprétée sur l'ordinateur,
10:13
picturing all of that data
being processed in our mind's eye.
being processed in our mind's eye.
196
601360
3600
représentant toutes les données
traitées par notre œil et notre cerveau.
traitées par notre œil et notre cerveau.
10:17
My hope is that this type of art
197
605560
1656
J'espère que ce type d'art
10:19
will help us think differently
about intuition
about intuition
198
607240
2416
nous aidera à penser
différemment l'intuition
différemment l'intuition
10:21
and how to apply that to AI in the future.
199
609680
2280
et comment l'intégrer
à l'IA dans le futur.
à l'IA dans le futur.
10:24
So these are just a few examples
of how I'm using art to feed into my work
of how I'm using art to feed into my work
200
612480
3936
Voici quelques exemples de mon utilisation
de l'art pour nourrir mon travail
de l'art pour nourrir mon travail
10:28
as a designer and researcher
of artificial intelligence.
of artificial intelligence.
201
616440
3096
de designer et de chercheur
en intelligence artificielle.
en intelligence artificielle.
10:31
And I see it as a crucial way
to move innovation forward.
to move innovation forward.
202
619560
3496
Je le vois comme une méthode clé
pour faire progresser l'innovation.
pour faire progresser l'innovation.
10:35
Because right now, there are
a lot of extremes when it comes to AI.
a lot of extremes when it comes to AI.
203
623080
4376
Car, actuellement, il y a beaucoup
d'opinions extrêmes sur l'IA.
d'opinions extrêmes sur l'IA.
10:39
Popular movies show it
as this destructive force
as this destructive force
204
627480
2816
Les blockbusters la présentent
en force de destruction
en force de destruction
10:42
while commercials
are showing it as a savior
are showing it as a savior
205
630320
3056
alors que les publicités
l'encensent comme le sauveur,
l'encensent comme le sauveur,
10:45
to solve some of the world's
most complex problems.
most complex problems.
206
633400
2936
à même de résoudre des problèmes
très complexes dans le monde.
très complexes dans le monde.
10:48
But regardless of where you stand,
207
636360
2536
Mais quelles que soient nos opinions,
10:50
it's hard to deny
that we're living in a world
that we're living in a world
208
638920
2176
il est dur de contester
qu'on vit dans un monde
qu'on vit dans un monde
10:53
that's becoming more
and more digital by the second.
and more digital by the second.
209
641120
2576
qui devient de plus en plus
numérique à chaque seconde.
numérique à chaque seconde.
10:55
Our lives revolve around our devices,
smart appliances and more.
smart appliances and more.
210
643720
4600
Nos vies tournent autour de nos appareils,
des applications intelligentes, etc.
des applications intelligentes, etc.
11:01
And I don't think
this will let up any time soon.
this will let up any time soon.
211
649400
2320
Et je ne crois pas
que ça va s'arrêter de sitôt.
que ça va s'arrêter de sitôt.
11:04
So, I'm trying to embed
more humanness from the start.
more humanness from the start.
212
652400
3736
Je cherche donc à intégrer
plus d'humanité dès le départ.
plus d'humanité dès le départ.
11:08
And I have a hunch that bringing art
into an AI research process
into an AI research process
213
656160
5136
J'ai le pressentiment qu'amener l'art
dans la recherche
en intelligence artificielle
en intelligence artificielle
11:13
is a way to do just that.
214
661320
1896
est une façon d'y arriver.
11:15
Thank you.
215
663240
1216
Merci.
11:16
(Applause)
216
664480
2280
(Applaudissements)
ABOUT THE SPEAKER
Raphael Arar - Designer, researcherIBM's Raphael Arar creates art and designs experiences that examine the complexities of our increasingly technocentric lives.
Why you should listen
While his artwork raises questions about our relationship with modernity and technology, Raphael Arar’s design work revolves around answering those questions in human-centered ways.
Currently a designer and researcher at IBM Research, Arar has been exploring ways to translate aspects of emotional intelligence into machine-readable format. Through this, he is passionately tackling ethical platforms of artificial intelligence. Inc. Magazine says he "epitomizes the style and multi-disciplinary skill set of the modern designer," and in 2017, he was listed as one of Forbes's "30 under 30 in Enterprise Technology."
Raphael Arar | Speaker | TED.com