TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
Rana el Kaliouby: Un lector emocional de tu expresión facial
Filmed:
Readability: 4.3
1,613,290 views
Las emociones influyen en cada aspecto de nuestras vidas: en la forma de aprender, de comunicarnos y tomar decisiones. Sin embargo, no están presentes en nuestra vida digital; los dispositivos y las aplicaciones con los que interactuamos no tienen manera de saber nuestro estado de ánimo. La científica Rana el Kaliouby pretende cambiar eso y nos presenta una nueva y poderosa tecnología que lee expresiones faciales para interpretar las emociones correspondientes. Afirma que este "lector afectivo" tiene profundas implicaciones que pueden cambiar no solo la forma en la que interactuamos con las máquinas sino también en la forma de interactuar entre entre nosotros.
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.
Las emociones influyen en
cada aspecto de nuestras vidas,
cada aspecto de nuestras vidas,
00:12
Our emotions influence
every aspect of our lives,
every aspect of our lives,
0
556
4017
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
de la salud y el aprendizaje, a la forma
de hacer negocios y tomar decisiones,
de hacer negocios y tomar decisiones,
00:20
big ones and small.
2
8149
1773
grandes y pequeñas.
Las emociones influyen en la forma
en la cual interaccionamos entre nosotros.
en la cual interaccionamos entre nosotros.
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
Hemos evolucionado para vivir
en un mundo como este,
en un mundo como este,
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
pero en cambio, vivimos la vida
cada vez más de esta manera
cada vez más de esta manera
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
--este es el mensaje de texto
que recibí de mi hija anoche--
que recibí de mi hija anoche--
00:38
in a world that's devoid of emotion.
7
26561
2740
en un mundo desprovisto de emoción.
00:41
So I'm on a mission to change that.
8
29301
1951
Mi misión es cambiar esto.
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
Quiero devolver las emociones
a nuestra experiencia digital.
a nuestra experiencia digital.
00:48
I started on this path 15 years ago.
10
36223
3077
Empecé con esto hace 15 años.
00:51
I was a computer scientist in Egypt,
11
39300
2066
Era ingeniera informática en Egipto
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
y fui aceptada en un programa de doctorado
en la Universidad de Cambridge.
en la Universidad de Cambridge.
00:57
So I did something quite unusual
13
45871
2113
E hice algo bastante inusual
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
para una joven recién casada,
egipcia y musulmana:
egipcia y musulmana:
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
con el apoyo de mi marido,
que debía quedarse en Egipto,
que debía quedarse en Egipto,
01:08
I packed my bags and I moved to England.
16
56598
3018
hice las maletas y me mudé a Inglaterra.
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
En Cambridge, a miles
de kilómetros de casa,
de kilómetros de casa,
me di cuenta de que estaba
pasando más horas con mi laptop
pasando más horas con mi laptop
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
01:18
than I did with any other human.
19
66257
2229
que con otros seres humanos.
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
Pero a pesar de esta intimidad, mi laptop
no tenía ni idea de mi estado de ánimo.
no tenía ni idea de mi estado de ánimo.
01:25
It had no idea if I was happy,
21
73339
3211
No tenía idea de si yo era feliz,
si tenía un mal día, o estaba
estresada o confundida,
estresada o confundida,
01:28
having a bad day, or stressed, confused,
22
76550
2988
01:31
and so that got frustrating.
23
79538
2922
y eso era frustrante.
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
Aun peor, cuando me comunicaba
en línea con mi familia en casa,
en línea con mi familia en casa,
01:41
I felt that all my emotions
disappeared in cyberspace.
disappeared in cyberspace.
25
89421
3282
sentía que todas mis emociones
desaparecían en el ciberespacio.
desaparecían en el ciberespacio.
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
Sentía nostalgia, estaba sola,
y algunos días lloraba,
y algunos días lloraba,
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
pero todo lo que tenía para
comunicar mis emociones era esto.
comunicar mis emociones era esto.
01:54
(Laughter)
28
102786
2020
(Risas)
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
Hoy la tecnología es
inteligente pero no emocional
inteligente pero no emocional
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
mucha inteligencia cognitiva,
pero nada de inteligencia emocional.
pero nada de inteligencia emocional.
02:04
So that got me thinking,
31
112956
2197
Eso me hizo pensar,
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
¿y si la tecnología pudiera
interpretar nuestras emociones?
interpretar nuestras emociones?
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
¿Y si nuestros dispositivos pudieran
detectar y reaccionar en consecuencia,
detectar y reaccionar en consecuencia,
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
como lo harían los amigos
con inteligencia emocional?
con inteligencia emocional?
02:18
Those questions led me and my team
35
126666
3564
Esas preguntas me guiaron
a mí y a mi equipo
a mí y a mi equipo
a crear tecnologías capaces
de leer emociones y responder,
de leer emociones y responder,
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
y nuestro punto de partida
fue el rostro humano.
fue el rostro humano.
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
Nuestro rostro es uno de
los canales más poderosos
los canales más poderosos
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
que usamos para comunicar
estados sociales y emocionales,
estados sociales y emocionales,
02:37
everything from enjoyment, surprise,
40
145766
3010
todo, del disfrute y la sorpresa,
02:40
empathy and curiosity.
41
148776
4203
a la empatía y la curiosidad.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
En la ciencia de las emociones, cada
movimiento de cada músculo facial,
movimiento de cada músculo facial,
es una unidad de acción.
02:49
So for example, action unit 12,
43
157907
2925
Por ejemplo, la unidad de acción 12,
02:52
it's not a Hollywood blockbuster,
44
160832
2038
no es una superproducción de Hollywood,
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
es el tirón de la comisura labial,
componente principal de una sonrisa.
componente principal de una sonrisa.
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
Intenten todos. Sonriamos.
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
Otro ejemplo es la unidad de acción 4,
las líneas de expresión en el entrecejo
cuando juntamos las cejas
cuando juntamos las cejas
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
y se forman estos pliegues y arrugas.
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
No nos gustan, pero es una
fuerte señal de una emoción negativa.
fuerte señal de una emoción negativa.
03:12
So we have about 45 of these action units,
51
180754
2206
Hay unas 45 unidades de acción,
03:14
and they combine to express
hundreds of emotions.
hundreds of emotions.
52
182960
3390
y combinadas expresan
cientos de emociones,
cientos de emociones,
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
Enseñarle a una computadora a leer
estas emociones faciales es difícil,
estas emociones faciales es difícil,
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
porque estas unidades de acción
pueden ser rápidas y sutiles,
pueden ser rápidas y sutiles,
03:25
and they combine in many different ways.
55
193223
2554
y se combinan de muchas formas.
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
Tomemos por ejemplo
la sonrisa genuina y la socarrona.
la sonrisa genuina y la socarrona.
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
Se parecen pero expresan cosas diferentes.
03:35
(Laughter)
58
203268
1718
(Risas)
03:36
So the smile is positive,
59
204986
3004
La sonrisa genuina es positiva,
la sonrisa socarrona a veces es negativa.
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
A veces una mueca puede hacerte célebre.
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
Pero en serio, es importante
para una computadora poder
para una computadora poder
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
notar la diferencia entre
las dos expresiones.
las dos expresiones.
03:50
So how do we do that?
64
218815
1812
¿Cómo hacemos esto?
03:52
We give our algorithms
65
220627
1787
Introducimos en el programa de computación
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
decenas de miles de ejemplos
de personas que sonríen
de personas que sonríen
03:58
from different ethnicities, ages, genders,
67
226524
3065
de distintas etnias, edades, géneros,
04:01
and we do the same for smirks.
68
229589
2811
y hacemos lo mismo con
las sonrisas socarronas.
las sonrisas socarronas.
04:04
And then, using deep learning,
69
232400
1554
Luego, los algoritmos
en aprendizaje automático
en aprendizaje automático
04:05
the algorithm looks for all these
textures and wrinkles
textures and wrinkles
70
233954
2856
buscan estas lineas, pliegues
y cambios musculares faciales
y cambios musculares faciales
04:08
and shape changes on our face,
71
236810
2580
y básicamente aprenden
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
que todas las sonrisas genuinas
tienen características comunes
tienen características comunes
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
mientras que las sonrisas socarronas
tienen otras sensiblemente diferentes.
tienen otras sensiblemente diferentes.
04:17
And the next time it sees a new face,
74
245773
2368
Y la próxima vez que vean
un nuevo rostro, sabrán
un nuevo rostro, sabrán
04:20
it essentially learns that
75
248141
2299
que este rostro tiene las mismas
características de una sonrisa genuina,
características de una sonrisa genuina,
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
y dirán: "Ajá, la reconozco.
Esta es la expresión de una sonrisa".
Esta es la expresión de una sonrisa".
Y la mejor manera de demostrar
cómo funciona esta tecnología
cómo funciona esta tecnología
04:30
So the best way to demonstrate
how this technology works
how this technology works
78
258381
2800
04:33
is to try a live demo,
79
261181
2136
es con una demo en vivo,
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
para esto necesito un voluntario,
preferentemente alguien con un rostro.
preferentemente alguien con un rostro.
04:39
(Laughter)
81
267230
2334
(Risas)
04:41
Cloe's going to be our volunteer today.
82
269564
2771
Chloe será nuestra voluntaria de hoy.
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
En los últimos 5 años, pasamos de ser
un proyecto de investigación en el MIT
un proyecto de investigación en el MIT
04:49
to a company,
84
277783
1156
a ser una empresa,
04:50
where my team has worked really hard
to make this technology work,
to make this technology work,
85
278939
3192
donde mi equipo ha trabajado
arduamente en esta tecnología,
arduamente en esta tecnología,
04:54
as we like to say, in the wild.
86
282131
2409
para que funcione fuera del laboratorio.
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
Y la hemos compactado tanto como
para que el lector de las emociones
para que el lector de las emociones
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
funcione en un dispositivo móvil
con una cámara, como este iPad.
con una cámara, como este iPad.
05:02
So let's give this a try.
89
290530
2786
Así que probémosla.
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
Como pueden ver, el algoritmo
detectó el rostro de Chloe,
detectó el rostro de Chloe,
05:10
so it's this white bounding box,
91
298680
1692
es este cuadro delimitador blanco,
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
que detecta los contornos principales
de sus rasgos faciales,
de sus rasgos faciales,
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
sus cejas, sus ojos, su boca y nariz.
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
La pregunta es:
¿puede reconocer su expresión?
¿puede reconocer su expresión?
05:20
So we're going to test the machine.
95
308786
1671
Vamos a probar la máquina.
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
Ante todo, pon cara
de póquer. Sí, genial. (Risas)
de póquer. Sí, genial. (Risas)
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
Y a medida que sonríe --esta es
una sonrisa genuina, es genial--
una sonrisa genuina, es genial--
05:29
So you can see the green bar
go up as she smiles.
go up as she smiles.
98
317456
2300
pueden ver como aumenta la barra verde.
05:31
Now that was a big smile.
99
319756
1222
Esa fue una gran sonrisa.
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
¿Puedes intentar una sonrisa sutil
para ver si la computadora la reconoce?
para ver si la computadora la reconoce?
05:36
It does recognize subtle smiles as well.
101
324021
2331
También reconoce sonrisas sutiles.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
Hemos trabajado arduamente
para que esto suceda.
para que esto suceda.
05:40
And then eyebrow raised,
indicator of surprise.
indicator of surprise.
103
328477
2962
Luego levanta una ceja,
que indica sorpresa.
que indica sorpresa.
05:43
Brow furrow, which is
an indicator of confusion.
an indicator of confusion.
104
331439
4249
Frunce el ceño,
que indica la confusión.
que indica la confusión.
Enfurruñate. Sí, perfecto.
05:47
Frown. Yes, perfect.
105
335688
4007
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
Estas son diferentes unidades
de acción. Hay muchas más.
de acción. Hay muchas más.
05:55
This is just a slimmed-down demo.
107
343188
2032
Esta es solo una demo superficial.
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
Llamamos a cada lectura
un dato emocional,
un dato emocional,
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
que luego pueden actuar juntos
para crear distintas emociones.
para crear distintas emociones.
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
A la derecha de la demo,
parece que estás feliz.
parece que estás feliz.
Eso es alegría. Se desata la alegría.
06:07
So that's joy. Joy fires up.
111
355990
1454
06:09
And then give me a disgust face.
112
357444
1927
Ahora pon cara de disgusto.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
Trata de recordar qué sentiste
cuando Zayn dejó One Direction.
cuando Zayn dejó One Direction.
06:15
(Laughter)
114
363643
1510
(Risas)
06:17
Yeah, wrinkle your nose. Awesome.
115
365153
4342
Sí, arruga la nariz. Genial.
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
La valencia es bastante negativa,
por lo que debe haber sido una gran fan.
por lo que debe haber sido una gran fan.
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
La valencia indica cuán positiva
o negativa es una experiencia,
o negativa es una experiencia,
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
y la vinculación indica lo
expresiva que es también.
expresiva que es también.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
Imaginen que Chloe tiene acceso a este
contenido emocional en tiempo real,
contenido emocional en tiempo real,
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
y que puede compartir sus
emociones con quien quiere.
emociones con quien quiere.
06:36
Thank you.
121
384935
2923
Gracias.
(Aplausos)
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
Hasta ahora contamos con 12 000
millones de estos indicadores emocionales.
millones de estos indicadores emocionales.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
Es la base de datos de emociones
más grande del mundo.
más grande del mundo.
La hemos recopilado a partir de
2,9 millones de rostros en videos,
2,9 millones de rostros en videos,
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
de personas que accedieron a compartir
sus emociones con nosotros,
sus emociones con nosotros,
06:59
and from 75 countries around the world.
127
407193
3205
de 75 países del mundo.
07:02
It's growing every day.
128
410398
1715
Crece cada día.
07:04
It blows my mind away
129
412603
2067
Me resulta impactante
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
que ahora podamos cuantificar algo
tan personal como las emociones,
tan personal como las emociones,
07:09
and we can do it at this scale.
131
417865
2235
y poder hacerlo a esta escala.
07:12
So what have we learned to date?
132
420100
2177
¿Qué hemos aprendido hasta la fecha?
07:15
Gender.
133
423057
2331
Hay diferencias por género.
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
Nuestros datos confirman algo
que Uds. ya sospechaban.
que Uds. ya sospechaban.
Las mujeres son más
expresivas que los hombres.
expresivas que los hombres.
07:21
Women are more expressive than men.
135
429034
1857
07:22
Not only do they smile more,
their smiles last longer,
their smiles last longer,
136
430891
2683
No solo sonríen más,
sus sonrisas duran más,
sus sonrisas duran más,
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
y ahora podemos cuantificar
cómo es que hombres y mujeres
cómo es que hombres y mujeres
07:28
respond to differently.
138
436478
2136
responden de maneras tan diferentes.
07:30
Let's do culture: So in the United States,
139
438614
2290
Veamos culturalmente: en EE.UU.,
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
las mujeres son un 40 %
más expresivas que los hombres,
más expresivas que los hombres,
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
pero curiosamente, no vemos diferencia
entre hombres y mujeres en el R.U.
entre hombres y mujeres en el R.U.
07:39
(Laughter)
142
447753
2506
(Risas)
07:43
Age: People who are 50 years and older
143
451296
4027
Por edad: las personas de 50 años o más
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
son un 25 % más emotivos
que los más jóvenes.
que los más jóvenes.
07:51
Women in their 20s smile a lot more
than men the same age,
than men the same age,
145
459899
3852
Las mujeres de veintipico sonríen mucho
más que los hombres de la misma edad,
más que los hombres de la misma edad,
07:55
perhaps a necessity for dating.
146
463751
3839
quizá es una necesidad para las citas.
07:59
But perhaps what surprised us
the most about this data
the most about this data
147
467590
2617
Pero quizá lo que más
nos sorprende de estos datos
nos sorprende de estos datos
08:02
is that we happen
to be expressive all the time,
to be expressive all the time,
148
470207
3203
es que solemos ser
expresivos todo el tiempo,
expresivos todo el tiempo,
08:05
even when we are sitting
in front of our devices alone,
in front of our devices alone,
149
473410
2833
incluso cuando estamos sentados
solos frente a nuestros dispositivos
solos frente a nuestros dispositivos
08:08
and it's not just when we're watching
cat videos on Facebook.
cat videos on Facebook.
150
476243
3274
y no solo cuando miramos
videos de gatos en Facebook.
videos de gatos en Facebook.
Somos expresivos cuando mandamos emails,
mensajes, cuando compramos en línea,
mensajes, cuando compramos en línea,
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
o incluso pagando impuestos.
08:17
Where is this data used today?
153
485527
2392
¿Para qué se usan estos datos hoy?
08:19
In understanding how we engage with media,
154
487919
2763
Para entender cómo nos
relacionamos con los medios,
relacionamos con los medios,
para entender la viralidad
y el comportamiento del voto;
y el comportamiento del voto;
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
y también para dar poder
dotar de emoción a la tecnología,
dotar de emoción a la tecnología,
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
y quiero compartir algunos ejemplos
particularmente especiales para mi.
particularmente especiales para mi.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
Las gafas portátiles con lector
emotivo pueden ayudar
emotivo pueden ayudar
a las personas con discapacidad visual
a leer los rostros de los demás,
a leer los rostros de los demás,
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
y a las personas del espectro autista
a interpretar pistas emocionales
a interpretar pistas emocionales
08:43
something that they really struggle with.
161
511680
2778
algo que les cuesta mucho.
08:47
In education, imagine
if your learning apps
if your learning apps
162
515918
2859
En educación, imaginen
si sus apps educativas
si sus apps educativas
08:50
sense that you're confused and slow down,
163
518777
2810
detectaran que están confundidos
y bajaran la velocidad,
y bajaran la velocidad,
08:53
or that you're bored, so it's sped up,
164
521587
1857
o que están aburridos, y aceleraran,
como haría un buen profesor en el aula.
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
08:59
What if your wristwatch tracked your mood,
166
527043
2601
Y si una pulsera leyera su estado anímico,
09:01
or your car sensed that you're tired,
167
529644
2693
o el auto detectara que están cansados,
o quizá si el frigorífico
supiera que están estresados,
supiera que están estresados,
09:04
or perhaps your fridge
knows that you're stressed,
knows that you're stressed,
168
532337
2548
09:06
so it auto-locks to prevent you
from binge eating. (Laughter)
from binge eating. (Laughter)
169
534885
6066
y se autobloqueara para
evitar atracones. (Risas)
evitar atracones. (Risas)
09:12
I would like that, yeah.
170
540951
2717
Me gustaría eso, sí.
09:15
What if, when I was in Cambridge,
171
543668
1927
¿Y si, cuando estuve en Cambridge,
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
hubiera tenido acceso en tiempo
real a mi contenido emocional
real a mi contenido emocional
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
y hubiera podido compartirlo con mi
familia en casa de manera muy natural,
familia en casa de manera muy natural,
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
como si estuviéramos en
la misma habitación juntos?
la misma habitación juntos?
09:27
I think five years down the line,
175
555408
3142
Creo que dentro de 5 años,
todos los dispositivos tendrán
un chip lector de emociones
un chip lector de emociones
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
y no recordaremos cómo era no poder
fruncir el ceño a nuestro dispositivo
fruncir el ceño a nuestro dispositivo
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
y que nuestro dispositivo dijera:
"Mmm, no te gusta, ¿no?"
"Mmm, no te gusta, ¿no?"
Nuestro desafío más grande es que hay
tantas aplicaciones para esta tecnología,
tantas aplicaciones para esta tecnología,
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
que mi equipo y yo nos dimos cuenta
de que no podemos con todo solos,
de que no podemos con todo solos,
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
por eso liberamos esta tecnología
para que otros desarrolladores
puedan desarrollarla y ser creativos.
puedan desarrollarla y ser creativos.
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
Reconocemos que hay riesgos potenciales
09:57
and potential for abuse,
184
585560
2067
y potencial para el abuso,
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
pero en mi opinión, habiendo pasado
muchos años haciendo esto,
muchos años haciendo esto,
10:02
I believe that the benefits to humanity
186
590576
2972
creo que los beneficios para la humanidad
de contar con tecnología
emocionalmente inteligente
emocionalmente inteligente
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
10:07
far outweigh the potential for misuse.
188
595823
3576
superan con creces las
desventajas por uso indebido.
desventajas por uso indebido.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
Y los invito a todos
a tomar parte en el debate.
a tomar parte en el debate.
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
Cuantas más personas
conozcan esta tecnología,
conozcan esta tecnología,
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
más podemos decir
sobre cómo se usa.
sobre cómo se usa.
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
Conforme nuestras vidas
se vuelven cada vez más digitales,
se vuelven cada vez más digitales,
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
estamos librando una batalla perdida
tratando de evitar los dispositivos
tratando de evitar los dispositivos
10:29
in order to reclaim our emotions.
194
617153
2229
para recuperar nuestras emociones.
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
Por eso yo propongo, en cambio,
incorporar las emociones a la tecnología
incorporar las emociones a la tecnología
10:36
and make our technologies more responsive.
196
624536
2229
y hacer que nuestras tecnologías
sean más receptivas.
sean más receptivas.
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
Quiero que esos dispositivos
que nos han separado
que nos han separado
10:41
to bring us back together.
198
629435
2462
nos vuelvan a unir.
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
Y humanizando la tecnología,
tenemos esta oportunidad excelente
tenemos esta oportunidad excelente
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
de reinventar la manera de
conectarnos con las máquinas,
conectarnos con las máquinas,
10:51
and therefore, how we, as human beings,
201
639782
4481
y por lo tanto, la manera de como
nosotros, los seres humanos,
nosotros, los seres humanos,
10:56
connect with one another.
202
644263
1904
conectamos unos con otros.
10:58
Thank you.
203
646167
2160
Gracias.
(Aplausos)
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