TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
Rana el Kaliouby: Appen som vet hur du mår genom att tolka ditt ansikte
Filmed:
Readability: 4.3
1,613,290 views
Våra känslor påverkar varje del av våra liv – hur vi lär oss saker, hur vi kommunicerar, hur vi fattar beslut. Ändå finns de inte i våra digitala liv; de enheter och appar vi interagerar med vet inte hur vi känner oss. Forskaren Rana el Kaliouby vill ändra på det. Hon visar en kraftfull ny teknik som läser av ansiktuttryck och kopplar dem mot motsvarande känslor. Den här "känslomotorn" får stora konsekvenser, säger hon, och skulle kunna ändra inte bara hur vi interagerar med maskiner, utan också med varandra.
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
Våra känslor påverkar
varje del av våra liv
varje del av våra liv
från vår hälsa och hur vi lär oss,
till hur vi gör affärer och fattar beslut,
till hur vi gör affärer och fattar beslut,
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
00:20
big ones and small.
2
8149
1773
stora som små.
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
Våra känslor påverkar också
hur vi knyter an till varandra.
hur vi knyter an till varandra.
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
Vi har utvecklats för att leva
i en sån här värld,
i en sån här värld,
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
men nu lever vi istället
mer och mer såna här liv -
mer och mer såna här liv -
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
det här är ett sms som jag fick
från min dotter igår kväll -
från min dotter igår kväll -
00:38
in a world that's devoid of emotion.
7
26561
2740
i en värld som är tömd på känslor.
Jag ser som mitt uppdrag att förändra det.
00:41
So I'm on a mission to change that.
8
29301
1951
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
Jag vill föra tillbaka känslorna
i våra digitala upplevelser.
i våra digitala upplevelser.
00:48
I started on this path 15 years ago.
10
36223
3077
Jag började med det för 15 år sen.
Jag var dataingenjör i Egypten
00:51
I was a computer scientist in Egypt,
11
39300
2066
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
och hade just blivit antagen
till en forskarutbildning
vid Cambridge University.
vid Cambridge University.
00:57
So I did something quite unusual
13
45871
2113
Jag gjorde något ganska ovanligt
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
för att vara en ung nygift
muslimsk egyptisk fru:
muslimsk egyptisk fru:
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
Med stöd från min man
som blev tvungen att stanna i Egypten
som blev tvungen att stanna i Egypten
01:08
I packed my bags and I moved to England.
16
56598
3018
packade jag mina väskor
och flyttade till England.
och flyttade till England.
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
I Cambridge, tusentals kilometer hemifrån,
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
insåg jag att jag tillbringade
fler timmar med min laptop
fler timmar med min laptop
än jag gjorde med någon människa.
01:18
than I did with any other human.
19
66257
2229
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
Trots detta nära band visste inte datorn
något om hur jag kände mig.
något om hur jag kände mig.
01:25
It had no idea if I was happy,
21
73339
3211
Den visste inte om jag var glad,
om jag hade en dålig dag,
eller var stressad, förvirrad,
eller var stressad, förvirrad,
01:28
having a bad day, or stressed, confused,
22
76550
2988
01:31
and so that got frustrating.
23
79538
2922
och det blev frustrerande.
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
Ännu värre var det när jag kommunicerade
med min familj därhemma, och kände
med min familj därhemma, och kände
01:41
I felt that all my emotions
disappeared in cyberspace.
disappeared in cyberspace.
25
89421
3282
att mina känslor försvann i cyberrymden.
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
Jag längtade hem, jag kände mig ensam,
och vissa dagar grät jag,
och vissa dagar grät jag,
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
men allt jag kunde använda
för att kommunicera känslorna var den här.
för att kommunicera känslorna var den här.
01:54
(Laughter)
28
102786
2020
(Skratt)
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
Dagens teknik har mycket IQ, men ingen EQ;
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
hög kognitiv intelligens
men ingen emotionell intelligens.
men ingen emotionell intelligens.
02:04
So that got me thinking,
31
112956
2197
Det fick mig att börja fundera på
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
hur det skulle bli om vår teknik
skulle kunna känna av våra känslor?
skulle kunna känna av våra känslor?
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
Om våra maskiner kunde känna av vårt humör
och bete sig i enlighet med det,
och bete sig i enlighet med det,
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
som en emotionellt intelligent vän?
02:18
Those questions led me and my team
35
126666
3564
De här frågorna gjorde
att jag och mitt team
att jag och mitt team
började skapa teknik som kan läsa av
och reagera på våra känslor,
och reagera på våra känslor,
02:22
to create technologies that can read
and respond to our emotions,
and respond to our emotions,
36
130230
4377
02:26
and our starting point was the human face.
37
134607
3090
och vi började med det mänskliga ansiktet.
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
Det mänskliga ansiktet råkar vara
en av de bästa kanaler
en av de bästa kanaler
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
som vi använder för att kommunicera
sociala och känslomässiga tillstånd,
sociala och känslomässiga tillstånd,
02:37
everything from enjoyment, surprise,
40
145766
3010
allt från njutning, överraskning,
02:40
empathy and curiosity.
41
148776
4203
empati och nyfikenhet.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
Inom känslovetenskap kallas en rörelse
hos en ansiktsmuskel för "aktiv enhet".
hos en ansiktsmuskel för "aktiv enhet".
02:49
So for example, action unit 12,
43
157907
2925
Den tolfte aktiva enheten
är inte en toppfilm från Hollywood
02:52
it's not a Hollywood blockbuster,
44
160832
2038
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
utan en uppdragen mungipa,
vilket är huvudkomponenten i ett leende.
vilket är huvudkomponenten i ett leende.
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
Prova det allihop. Nu ler vi lite.
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
Ett annat exempel
är fjärde aktiva enheten.
är fjärde aktiva enheten.
Det är när man drar ihop ögonbrynen
03:03
It's when you draw your eyebrows together
48
171954
2238
03:06
and you create all
these textures and wrinkles.
these textures and wrinkles.
49
174192
2267
och får den här ytan och rynkorna.
Vi tycker inte om dem, men det är
en stark indikator på en negativ känsla.
en stark indikator på en negativ känsla.
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
Vi har ungefär 45 aktiva enheter,
03:12
So we have about 45 of these action units,
51
180754
2206
och de kan kombineras
för att uttrycka hundratals känslor.
för att uttrycka hundratals känslor.
03:14
and they combine to express
hundreds of emotions.
hundreds of emotions.
52
182960
3390
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
Att lära en dator att läsa av
känslouttryck i ansiktet är svårt,
känslouttryck i ansiktet är svårt,
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
för de aktiva enheterna
kan vara snabba och subtila
kan vara snabba och subtila
03:25
and they combine in many different ways.
55
193223
2554
och de går att kombinera
på många olika sätt.
på många olika sätt.
Ta till exempel leendet och hånflinet.
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
De ser ganska lika ut,
men de betyder helt olika saker.
men de betyder helt olika saker.
03:35
(Laughter)
58
203268
1718
(Skratt)
03:36
So the smile is positive,
59
204986
3004
Ett leende är positivt,
ett flin är ofta negativt.
03:39
a smirk is often negative.
60
207990
1270
03:41
Sometimes a smirk
can make you become famous.
can make you become famous.
61
209260
3876
Ibland kan ett flin göra en känd.
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
Men trots allt är det viktigt
för en dator att kunna
för en dator att kunna
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
se skillnad mellan de här två uttrycken.
Hur gör vi det?
03:50
So how do we do that?
64
218815
1812
Vi ger våra algoritmer
03:52
We give our algorithms
65
220627
1787
tiotusentals exempel
av människor som vi vet ler,
av människor som vi vet ler,
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
03:58
from different ethnicities, ages, genders,
67
226524
3065
med olika etnisk bakgrund, ålder, kön,
04:01
and we do the same for smirks.
68
229589
2811
och vi gör samma sak för flin.
Och genom maskininlärning
04:04
And then, using deep learning,
69
232400
1554
04:05
the algorithm looks for all these
textures and wrinkles
textures and wrinkles
70
233954
2856
letar algoritmen
efter såna här ytor och rynkor
efter såna här ytor och rynkor
04:08
and shape changes on our face,
71
236810
2580
och formändringar i vårt ansikte
och lär sig helt enkelt att alla leenden
har egenskaper gemensamt,
har egenskaper gemensamt,
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
medan alla flin har
något annorlunda egenskaper.
något annorlunda egenskaper.
Och nästa gång den ser ett nytt ansikte
04:17
And the next time it sees a new face,
74
245773
2368
04:20
it essentially learns that
75
248141
2299
märker den att
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
det här ansiktet har samma egenskaper
som ett leende ansikte och den säger:
som ett leende ansikte och den säger:
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
"Aha, jag känner igen det här.
Det är ett leende uttryck."
Det är ett leende uttryck."
04:30
So the best way to demonstrate
how this technology works
how this technology works
78
258381
2800
Det bästa sättet att visa
hur tekniken fungerar
hur tekniken fungerar
04:33
is to try a live demo,
79
261181
2136
är genom en livedemo,
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
så jag behöver en frivillig,
helst någon med ett ansikte.
helst någon med ett ansikte.
04:39
(Laughter)
81
267230
2334
(Skratt)
04:41
Cloe's going to be our volunteer today.
82
269564
2771
Cloe blir vår frivilliga idag.
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
De senaste fem åren har vi utvecklats
från att vara ett projekt på MIT
från att vara ett projekt på MIT
till att bli ett företag,
04:49
to a company,
84
277783
1156
där mitt team har jobbat mycket hårt
för att få tekniken att fungera,
för att få tekniken att fungera,
04:50
where my team has worked really hard
to make this technology work,
to make this technology work,
85
278939
3192
04:54
as we like to say, in the wild.
86
282131
2409
som vi säger, i naturen.
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
Vi har också krympt den
så att känslomotorn
så att känslomotorn
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
fungerar i alla mobila enheter
med kamera, som den här iPaden.
med kamera, som den här iPaden.
05:02
So let's give this a try.
89
290530
2786
Vi testar.
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
Som ni kan se har algoritmen
hittat Cloes ansikte,
hittat Cloes ansikte,
det är den här vita inramande rutan,
05:10
so it's this white bounding box,
91
298680
1692
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
och den spårar
huvudpunkterna i hennes ansikte,
huvudpunkterna i hennes ansikte,
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
hennes ögonbryn, ögon, mun och näsa.
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
Frågan är, kan den läsa av hennes uttryck?
Vi ska testa maskinen.
05:20
So we're going to test the machine.
95
308786
1671
Först av allt, ge mig ett pokerfejs.
Ja, jättebra. (Skratt)
Ja, jättebra. (Skratt)
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
Och när hon sen ler
är det ett riktigt leende, det är fint.
är det ett riktigt leende, det är fint.
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
Ni kan se att den gröna stapeln
går upp när hon ler.
går upp när hon ler.
05:29
So you can see the green bar
go up as she smiles.
go up as she smiles.
98
317456
2300
05:31
Now that was a big smile.
99
319756
1222
Det var ett stort leende.
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
Kan du prova ett litet leende
och se om datorn kan känna igen det?
och se om datorn kan känna igen det?
05:36
It does recognize subtle smiles as well.
101
324021
2331
Den känner igen småleenden också.
Vi har jobbat hårt
för att det ska fungera.
för att det ska fungera.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
Och sen höjda ögonbryn,
ett tecken på förvåning.
ett tecken på förvåning.
05:40
And then eyebrow raised,
indicator of surprise.
indicator of surprise.
103
328477
2962
05:43
Brow furrow, which is
an indicator of confusion.
an indicator of confusion.
104
331439
4249
Rynkade ögonbryn, vilket är
ett tecken på förvirring.
ett tecken på förvirring.
05:47
Frown. Yes, perfect.
105
335688
4007
Rynka pannan. Ja, perfekt.
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
Det är de olika aktiva enheterna.
Det finns många fler.
Det finns många fler.
05:55
This is just a slimmed-down demo.
107
343188
2032
Det här är bara en förenklad demo.
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
Vi kallar varje avläsning
för en emotionell datapunkt,
för en emotionell datapunkt,
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
och de kan aktiveras tillsammans
för att visa olika känslor.
för att visa olika känslor.
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
Så på högra sidan - se glad ut.
06:07
So that's joy. Joy fires up.
111
355990
1454
Det är lycka. Lycka lyser upp.
06:09
And then give me a disgust face.
112
357444
1927
Ge mig sen en min av avsmak.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
Försök minnas hur det var
när Zayn lämnade One Direction.
när Zayn lämnade One Direction.
06:15
(Laughter)
114
363643
1510
(Skratt)
06:17
Yeah, wrinkle your nose. Awesome.
115
365153
4342
Ja, rynka näsan. Perfekt.
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
Och uttrycket är starkt negativt,
så du måste ha varit ett stort fan.
så du måste ha varit ett stort fan.
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
Värde är hur positiv
eller negativ en upplevelse är,
eller negativ en upplevelse är,
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
och engagemang är hur uttrycksfull hon är.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
Tänk er att Cloe hade tillgång
till den här känsloströmmen i realtid,
till den här känsloströmmen i realtid,
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
och kunde dela den med vem hon ville.
06:36
Thank you.
121
384935
2923
Tack.
(Applåder)
06:39
(Applause)
122
387858
4621
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
Så här långt har vi samlat in
12 miljarder såna här datapunkter.
12 miljarder såna här datapunkter.
Det är den största databasen
för känslor i världen.
för känslor i världen.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
Vi har samlat in den
från 2,9 miljoner filmer på ansikten,
från 2,9 miljoner filmer på ansikten,
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
människor som har gått med på
att dela sina känslor med oss,
att dela sina känslor med oss,
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
06:59
and from 75 countries around the world.
127
407193
3205
från 75 länder i världen.
07:02
It's growing every day.
128
410398
1715
Det blir fler och fler varje dag.
07:04
It blows my mind away
129
412603
2067
Det känns fantastiskt
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
att vi nu kan kvantifiera
något så personligt som våra känslor,
något så personligt som våra känslor,
07:09
and we can do it at this scale.
131
417865
2235
och vi kan göra det i den här skalan.
07:12
So what have we learned to date?
132
420100
2177
Vad har vi då lärt oss så här långt?
07:15
Gender.
133
423057
2331
Kön.
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
Vår data bekräftar något
som du kanske misstänker.
som du kanske misstänker.
07:21
Women are more expressive than men.
135
429034
1857
Kvinnor är mer uttrycksfulla än män.
07:22
Not only do they smile more,
their smiles last longer,
their smiles last longer,
136
430891
2683
De inte bara ler mer,
deras leenden pågår längre,
deras leenden pågår längre,
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
och vi kan nu verkligen mäta
vad det är som män och kvinnor
vad det är som män och kvinnor
07:28
respond to differently.
138
436478
2136
reagerar olika på.
07:30
Let's do culture: So in the United States,
139
438614
2290
Om vi tittar på kultur:
I USA är kvinnor 40 procent
mer uttrycksfulla än män,
mer uttrycksfulla än män,
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
men lustigt nog ser vi ingen skillnad
mellan män och kvinnor i Storbritannien.
mellan män och kvinnor i Storbritannien.
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
07:39
(Laughter)
142
447753
2506
(Skratt)
07:43
Age: People who are 50 years and older
143
451296
4027
Ålder: Människor som är 50 år och äldre
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
är 25 procent mer emotionella
än unga människor.
än unga människor.
Kvinnor i 20-årsåldern ler mycket mer
än män i samma ålder,
än män i samma ålder,
07:51
Women in their 20s smile a lot more
than men the same age,
than men the same age,
145
459899
3852
07:55
perhaps a necessity for dating.
146
463751
3839
kanske är det nödvändigt vid dejter.
07:59
But perhaps what surprised us
the most about this data
the most about this data
147
467590
2617
Men det som förvånade oss mest
08:02
is that we happen
to be expressive all the time,
to be expressive all the time,
148
470207
3203
är att vi uttrycker oss hela tiden,
08:05
even when we are sitting
in front of our devices alone,
in front of our devices alone,
149
473410
2833
även när vi sitter ensamma
framför våra skärmar,
framför våra skärmar,
08:08
and it's not just when we're watching
cat videos on Facebook.
cat videos on Facebook.
150
476243
3274
och det är inte bara
när vi tittar på kattvideos på Facebook.
när vi tittar på kattvideos på Facebook.
Vi är uttycksfulla när vi skickar e-post,
textmeddelanden, handlar online,
textmeddelanden, handlar online,
08:12
We are expressive when we're emailing,
texting, shopping online,
texting, shopping online,
151
480217
3010
08:15
or even doing our taxes.
152
483227
2300
till och med när vi deklarerar.
08:17
Where is this data used today?
153
485527
2392
Var används den här informationen idag?
08:19
In understanding how we engage with media,
154
487919
2763
Genom att förstå hur vi interagerar
med medier kan vi förstå
med medier kan vi förstå
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
viral budskapsspridning och röstbeteenden
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
och även föra in möjligheten
till känslouttryck i tekniken,
till känslouttryck i tekniken,
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
och jag vill dela med mig av några exempel
som ligger mig speciellt varmt om hjärtat.
som ligger mig speciellt varmt om hjärtat.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
Känslostyrda glasögon kan hjälpa människor
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
med synnedsättning
att läsa av andras ansikten,
att läsa av andras ansikten,
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
och det kan hjälpa individer
med autism att tolka känslor,
med autism att tolka känslor,
något som de verkligen kämpar med.
08:43
something that they really struggle with.
161
511680
2778
Inom utbildning,
tänk dig att dina läroappar
tänk dig att dina läroappar
08:47
In education, imagine
if your learning apps
if your learning apps
162
515918
2859
08:50
sense that you're confused and slow down,
163
518777
2810
känner av att du är förvirrad
och saktar ner,
och saktar ner,
eller om du är uttråkad kan de öka tempot,
08:53
or that you're bored, so it's sped up,
164
521587
1857
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
precis som en riktigt bra lärare
skulle göra i klassrummet.
skulle göra i klassrummet.
08:59
What if your wristwatch tracked your mood,
166
527043
2601
Tänk om din armbandsklocka
kunde mäta hur du mår,
kunde mäta hur du mår,
09:01
or your car sensed that you're tired,
167
529644
2693
eller om din bil kunde veta
att du var trött,
att du var trött,
09:04
or perhaps your fridge
knows that you're stressed,
knows that you're stressed,
168
532337
2548
eller kanske din kyl vet om
att du är stressad,
att du är stressad,
09:06
so it auto-locks to prevent you
from binge eating. (Laughter)
from binge eating. (Laughter)
169
534885
6066
så att den låser sig automatiskt
för att undvika att du proppar i dig.
för att undvika att du proppar i dig.
Det skulle jag vilja ha.
09:12
I would like that, yeah.
170
540951
2717
(Skratt)
09:15
What if, when I was in Cambridge,
171
543668
1927
Tänk om jag hade hade haft tillgång
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
till mina känslor i realtid i Cambridge,
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
och jag hade kunnat dela den
med min familj på ett naturligt sätt,
med min familj på ett naturligt sätt,
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
på samma sätt som om vi
hade varit i samma rum tillsammans?
hade varit i samma rum tillsammans?
09:27
I think five years down the line,
175
555408
3142
Jag tror att om fem år
kommer våra enheter att ha ett känslochip
09:30
all our devices are going
to have an emotion chip,
to have an emotion chip,
176
558550
2337
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
och vi kommer inte att minnas hur det var
när vi inte kunde rynka pannan åt maskinen
när vi inte kunde rynka pannan åt maskinen
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
och den sa "Hmm,
det där gillade du inte va?"
det där gillade du inte va?"
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
Vår största utmaning är att det finns
så många tillämpningar för tekniken,
så många tillämpningar för tekniken,
så jag och mitt team inser
att vi inte kan bygga alla själva,
att vi inte kan bygga alla själva,
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
så vi har gjort tekniken tillgänglig
så att andra utvecklare
så att andra utvecklare
kan börja skapa på ett kreativt sätt.
09:51
can get building and get creative.
182
579360
2114
09:53
We recognize that
there are potential risks
there are potential risks
183
581474
4086
Vi inser att det finns potientiella risker
09:57
and potential for abuse,
184
585560
2067
och möjligheter till missbruk,
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
men jag tror, efter att ha
använt detta i många år,
använt detta i många år,
10:02
I believe that the benefits to humanity
186
590576
2972
att fördelarna för mänskligheten
av att ha emotionellt intelligent teknik
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
mer än väl uppväger konsekvenserna
av felaktig användning.
av felaktig användning.
10:07
far outweigh the potential for misuse.
188
595823
3576
Och jag bjuder in er alla
att ta del i diskussionen.
att ta del i diskussionen.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
Ju fler människor
som känner till den här tekniken,
som känner till den här tekniken,
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
desto mer kan vi uttrycka åsikter
om hur den ska användas.
om hur den ska användas.
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
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
Så när allt fler delar
av våra liv blir digitala
av våra liv blir digitala
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
utkämpar vi en ojämn kamp för att begränsa
användningen av digitala enheter
användningen av digitala enheter
10:29
in order to reclaim our emotions.
194
617153
2229
och kunna återta våra känslor.
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
Vad jag istället försöker göra
är att föra in känslorna i tekniken
är att föra in känslorna i tekniken
10:36
and make our technologies more responsive.
196
624536
2229
och göra vår teknik mer lyhörd.
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
Jag vill att maskinerna
som har separerat oss
som har separerat oss
10:41
to bring us back together.
198
629435
2462
ska föra oss samman igen.
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
Och genom att göra tekniken mer human
har vi ett gyllene tillfälle
har vi ett gyllene tillfälle
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
att tänka om hur vi umgås med maskiner,
10:51
and therefore, how we, as human beings,
201
639782
4481
och därmed hur vi som människor
10:56
connect with one another.
202
644263
1904
umgås med varandra.
10:58
Thank you.
203
646167
2160
Tack.
(Applåder)
11:00
(Applause)
204
648327
3313
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