TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
Rana el Kaliouby: Cette application sait ce que vous ressentez - d'après l'expression de votre visage
Filmed:
Readability: 4.3
1,613,290 views
Nos émotions influencent tous les aspects de notre vie - de la façon dont nous apprenons, communiquons, à nos prises de décisions. Pourtant elles restent absentes de la sphère numérique de nos vies ; les appareils et applications avec lesquels nous interagissons n'ont aucun moyen de percevoir ce que nous ressentons. La chercheuse Rana el Kaliouby a pour but de changer ça. Elle nous offre une démonstration d'une nouvelle et puissante technologie qui peut lire nos expressions faciales et les interpréter en tant qu'émotions. Ce "processeur émotionnel" a d'importantes implications, dit-elle, et pourrait bien changer non seulement la façon dont nous interagissions avec les machines - mais aussi comment nous le faisons l'un avec l'autre.
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
Nos émotions influencent
tous les aspects de notre vie,
tous les aspects de notre vie,
de notre santé et
notre façon d'apprendre
notre façon d'apprendre
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
à la manière dont
nous faisons des affaires,
nous faisons des affaires,
et prenons des décisions,
petites ou grandes.
petites ou grandes.
00:20
big ones and small.
2
8149
1773
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
Elles influencent aussi la manière
dont nous interagissons ensemble.
dont nous interagissons ensemble.
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
Nous avons évolué pour vivre
dans un monde qui ressemble à ça,
dans un monde qui ressemble à ça,
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
mais nous vivons nos vies de plus
en plus plutôt comme ceci --
en plus plutôt comme ceci --
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
c'est le message que ma fille
m'a envoyé hier soir --
m'a envoyé hier soir --
00:38
in a world that's devoid of emotion.
7
26561
2740
dans un monde dépourvu d'émotion.
00:41
So I'm on a mission to change that.
8
29301
1951
Ma mission est de changer tout ça.
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
Je veux ramener l'expression de nos
émotions dans nos expériences numériques.
émotions dans nos expériences numériques.
00:48
I started on this path 15 years ago.
10
36223
3077
J'ai commencé de travailler
dans cette direction il y a 15 ans.
dans cette direction il y a 15 ans.
00:51
I was a computer scientist in Egypt,
11
39300
2066
J'étais informaticienne en Égypte,
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
et venais juste d'être acceptée dans
un programme de thèse à Cambridge.
un programme de thèse à Cambridge.
Alors j'ai fait quelque chose
d'assez inhabituel
d'assez inhabituel
00:57
So I did something quite unusual
13
45871
2113
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
pour une jeune musulmane égyptienne
et tout juste mariée :
et tout juste mariée :
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
avec le soutien de mon mari
qui devait rester en Égypte,
qui devait rester en Égypte,
01:08
I packed my bags and I moved to England.
16
56598
3018
j'ai fait mes bagages et suis partie
pour l'Angleterre.
pour l'Angleterre.
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
A Cambridge, à des milliers
de kilomètres de chez moi,
de kilomètres de chez moi,
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
j'ai réalisé que je passais
plus d'heures sur mon ordinateur
plus d'heures sur mon ordinateur
01:18
than I did with any other human.
19
66257
2229
qu'avec n'importe quel humain.
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
Pourtant, malgré cette intimité,
il n'avait absolument aucune idée
il n'avait absolument aucune idée
01:25
It had no idea if I was happy,
21
73339
3211
de ce que je ressentais.
Il ne savait pas si j'étais heureuse,
Il ne savait pas si j'étais heureuse,
01:28
having a bad day, or stressed, confused,
22
76550
2988
si j'avais eu une mauvaise journée,
si j'étais stressée
si j'étais stressée
01:31
and so that got frustrating.
23
79538
2922
ou confuse et ça devenait
vraiment frustrant.
vraiment frustrant.
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
Le pire, c'était que lorsque
je communiquais en ligne
je communiquais en ligne
avec ma famille à la maison,
j'avais l'impression que toutes
mes émotions disparaissaient
mes émotions disparaissaient
01:41
I felt that all my emotions
disappeared in cyberspace.
disappeared in cyberspace.
25
89421
3282
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
dans cet espace virtuel. J'avais le mal
du pays, je me sentais seule
du pays, je me sentais seule
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
et me mettais même
à pleurer certains jours.
à pleurer certains jours.
Mais tout ce que j'avais pour partager
ces émotions, c'était ça. (Rires)
ces émotions, c'était ça. (Rires)
01:54
(Laughter)
28
102786
2020
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
La technologie moderne a beaucoup
de Q.I. mais aucun Q.E.: c'est-à-dire
de Q.I. mais aucun Q.E.: c'est-à-dire
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
beaucoup d'intelligence
cognitive mais pas émotionnelle.
cognitive mais pas émotionnelle.
02:04
So that got me thinking,
31
112956
2197
Je me suis alors demandée
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
ce que ça changerait si notre technologie
pouvait percevoir nos émotions ?
pouvait percevoir nos émotions ?
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
Que se passerait-il si nos appareils
pouvaient les percevoir et réagir
pouvaient les percevoir et réagir
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
en fonction, exactement
comme un ami le ferait ?
comme un ami le ferait ?
02:18
Those questions led me and my team
35
126666
3564
Ces questions nous ont menés,
mon équipe et moi
mon équipe et moi
02:22
to create technologies that can read
and respond to our emotions,
and respond to our emotions,
36
130230
4377
à développer des technologies qui peuvent
lire et réagir à nos émotions,
lire et réagir à nos émotions,
02:26
and our starting point was the human face.
37
134607
3090
à partir du visage humain.
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
Il se trouve que le visage est
un des moyens d'expression
un des moyens d'expression
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
les plus puissants que nous utilisons
pour communiquer notre état social
pour communiquer notre état social
02:37
everything from enjoyment, surprise,
40
145766
3010
ou émotionnel,
tout de la joie, la surprise,
tout de la joie, la surprise,
02:40
empathy and curiosity.
41
148776
4203
la compassion à la curiosité.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
En science des émotions, chacun des
mouvements du visage est appelé action.
mouvements du visage est appelé action.
02:49
So for example, action unit 12,
43
157907
2925
Par exemple, action numéro 12
n'est pas le nom
du dernier succès hollywoodien,
du dernier succès hollywoodien,
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
mais l'action de tirer le coin des lèvres,
autrement dit de sourire.
autrement dit de sourire.
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
Essayez ! Faisons tous
nos plus beaux sourires !
nos plus beaux sourires !
Autre exemple, action numéro 4,
le froncement de sourcils.
le froncement de sourcils.
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
03:03
It's when you draw your eyebrows together
48
171954
2238
C'est lorsque vous plissez les sourcils
03:06
and you create all
these textures and wrinkles.
these textures and wrinkles.
49
174192
2267
ensemble et créez
toutes ces rides et textures.
toutes ces rides et textures.
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
On ne les aime pas mais c'est un très bon
indicateur d'émotion négative.
indicateur d'émotion négative.
Nous avons environ 45 de ces actions
03:12
So we have about 45 of these action units,
51
180754
2206
03:14
and they combine to express
hundreds of emotions.
hundreds of emotions.
52
182960
3390
que nous combinons pour exprimer
des centaines d'émotions.
des centaines d'émotions.
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
Enseigner à un ordinateur comment
reconnaître ces expressions faciales
reconnaître ces expressions faciales
est difficile parce qu'elles peuvent être
rapides, sont subtiles,
rapides, sont subtiles,
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
et peuvent former beaucoup
de combinaisons différentes.
de combinaisons différentes.
03:25
and they combine in many different ways.
55
193223
2554
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
Prenez par exemple,
un sourire normal ou un sourire narquois.
un sourire normal ou un sourire narquois.
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
Ils sont en soi assez similaires, mais
ont une signification bien différente.
ont une signification bien différente.
03:35
(Laughter)
58
203268
1718
(Rires)
Le sourire normal est positif,
03:36
So the smile is positive,
59
204986
3004
le sourire narquois souvent négatif.
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
Un sourire narquois peut même
vous rendre célèbre parfois !
vous rendre célèbre parfois !
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
Mais plus sérieusement,
il est très important
il est très important
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
que l'ordinateur puisse différencier
ces deux expressions.
ces deux expressions.
03:50
So how do we do that?
64
218815
1812
Alors comment y arrive-t-on ?
03:52
We give our algorithms
65
220627
1787
On donne à nos algorithmes
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
des dizaines de milliers d'exemples
spécifiques de personnes
spécifiques de personnes
03:58
from different ethnicities, ages, genders,
67
226524
3065
en train de sourire,
d'origines, âge, sexe différents
d'origines, âge, sexe différents
04:01
and we do the same for smirks.
68
229589
2811
et on fait la même chose pour
des sourires narquois.
des sourires narquois.
Ensuite par un processus
d'apprentissage,
d'apprentissage,
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
l'algorithme assimile
toutes ces textures, ces rides
toutes ces textures, ces rides
04:08
and shape changes on our face,
71
236810
2580
et mouvements de notre visage,
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
apprend les caractéristiques
générales d'un sourire,
générales d'un sourire,
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
et en associe de plus spécifiques
aux sourires narquois.
aux sourires narquois.
04:17
And the next time it sees a new face,
74
245773
2368
Ainsi au prochain visage qu'il voit,
04:20
it essentially learns that
75
248141
2299
l'algorithme peut essentiellement
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
reconnaître les caractéristiques
d'un sourire et dire :
d'un sourire et dire :
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
« ha ! je reconnais cette expression,
c'est un sourire. »
c'est un sourire. »
Le meilleur moyen d'illustrer
comment cette technologie fonctionne
comment cette technologie fonctionne
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
est une démonstration en direct
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
alors j'aurais besoin d'un volontaire,
de préférence quelqu'un avec un visage.
de préférence quelqu'un avec un visage.
04:39
(Laughter)
81
267230
2334
(Rires)
04:41
Cloe's going to be our volunteer today.
82
269564
2771
Cloe sera notre volontaire aujourd'hui.
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
Au cours des 5 dernières années,
notre groupe de recherche au MIT
notre groupe de recherche au MIT
est devenu une entreprise,
04:49
to a company,
84
277783
1156
04:50
where my team has worked really hard
to make this technology work,
to make this technology work,
85
278939
3192
dans laquelle mon équipe a travaillé dur
pour que cette technologie marche,
pour que cette technologie marche,
04:54
as we like to say, in the wild.
86
282131
2409
dans la vie de tous les jours,
comme on dit.
comme on dit.
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
Nous l'avons aussi optimisée
pour qu'elle fonctionne
pour qu'elle fonctionne
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
sur n'importe quel appareil pourvu
d'une caméra, comme cet iPad.
d'une caméra, comme cet iPad.
05:02
So let's give this a try.
89
290530
2786
Mais essayons plutôt.
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
Comme vous le voyez, l'algorithme
trouve essentiellement le visage de Cloe
trouve essentiellement le visage de Cloe
05:10
so it's this white bounding box,
91
298680
1692
dans cette zone encadrée blanche,
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
et décèle les mouvements
des points principaux
des points principaux
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
tels que ses sourcils, ses yeux,
sa bouche et son nez.
sa bouche et son nez.
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
La question est alors de savoir
s'il peut reconnaître ses expressions.
s'il peut reconnaître ses expressions.
05:20
So we're going to test the machine.
95
308786
1671
Essayons donc de le tester.
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
Tout d'abord, montrez moi un visage
impassible. Oui, parfait ! (Rires)
impassible. Oui, parfait ! (Rires)
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
Et maintenant un sourire franc,
en voilà un beau, parfait.
en voilà un beau, parfait.
Vous voyez, l'indicateur vert
monte quand elle sourit.
monte quand elle sourit.
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
C'était un beau sourire ça.
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
Pouvez-vous faire
un sourire plus subtil pour voir ?
un sourire plus subtil pour voir ?
Oui, le programme
le reconnaît aussi.
le reconnaît aussi.
05:36
It does recognize subtle smiles as well.
101
324021
2331
On a travaillé dur pour que ça marche.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
Là, les sourcils relevés déclenchent
l'indicateur de surprise.
l'indicateur de surprise.
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
Le sillon des sourcils, lui,
est l'indicateur de confusion.
est l'indicateur de confusion.
05:47
Frown. Yes, perfect.
105
335688
4007
Froncez les sourcils. Oui, parfait.
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
Tout ça vous montre différentes
actions, il y en a beaucoup d'autres.
actions, il y en a beaucoup d'autres.
05:55
This is just a slimmed-down demo.
107
343188
2032
C'est juste une démonstration épurée.
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
Chaque action reconnue est
une point de donnée émotionnelle
une point de donnée émotionnelle
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
et l'ensemble de ces données
peut décrire différentes émotions.
peut décrire différentes émotions.
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
Sur la droite ici
regardez comme vous êtes heureuse.
regardez comme vous êtes heureuse.
L'indicateur de joie se déclenche.
06:07
So that's joy. Joy fires up.
111
355990
1454
06:09
And then give me a disgust face.
112
357444
1927
Maintenant exprimez le dégoût.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
Souvenez-vous du départ
de Zayn de One Direction.
de Zayn de One Direction.
(Rires)
06:15
(Laughter)
114
363643
1510
Voilà, le nez se ride. Super.
06:17
Yeah, wrinkle your nose. Awesome.
115
365153
4342
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 capacité est en fait assez négative,
vous deviez vraiment être fan !
vous deviez vraiment être fan !
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
Cette jauge montre si l'expérience
est positive ou négative,
est positive ou négative,
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
la jauge d'engagement montre
le niveau d'expression.
le niveau d'expression.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
Imaginez que Cloe ait accès direct
à ce flux d'émotions en temps réel,
à ce flux d'émotions en temps réel,
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
elle pourrait alors le partager
avec qui elle voudrait.
avec qui elle voudrait.
06:36
Thank you.
121
384935
2923
Merci.
(Applaudissements)
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
Jusqu'à présent nous avons accumulé
12 milliards de ces données émotionnelles.
12 milliards de ces données émotionnelles.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
C'est la plus grande base de données
de ce type au monde,
de ce type au monde,
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
construite à partir de 2,9 millions
de vidéos de visages de personnes
de vidéos de visages de personnes
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
qui acceptent de partager
leurs émotions avec nous
leurs émotions avec nous
06:59
and from 75 countries around the world.
127
407193
3205
et provenant de 75 pays différents.
07:02
It's growing every day.
128
410398
1715
Et ça continue tous les jours.
07:04
It blows my mind away
129
412603
2067
Ça me fascine totalement que l'on puisse
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
à présent quantifier quelque chose
d'aussi personnel que nos émotions,
d'aussi personnel que nos émotions,
07:09
and we can do it at this scale.
131
417865
2235
et qu'on le fasse à cette échelle.
07:12
So what have we learned to date?
132
420100
2177
Qu'a-t-on appris de tout ça
jusqu'à présent ?
jusqu'à présent ?
07:15
Gender.
133
423057
2331
En ce qui concerne le genre :
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
nos données confirment ce dont
vous vous doutiez probablement,
vous vous doutiez probablement,
les femmes sont plus expressives
que les hommes.
que les hommes.
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
Non seulement elles sourient plus,
mais aussi plus longtemps,
mais aussi plus longtemps,
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
et on peut maintenant vraiment
quantifier ce à quoi
quantifier ce à quoi
les hommes et les femmes
réagissent différemment.
réagissent différemment.
07:28
respond to differently.
138
436478
2136
07:30
Let's do culture: So in the United States,
139
438614
2290
Pour l'influence culturelle :
aux États-Unis
aux États-Unis
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
si les femmes sont 40% plus expressives
que les hommes, curieusement,
que les hommes, curieusement,
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
on ne voit aucune différence
à ce niveau-là au Royaume Uni.
à ce niveau-là au Royaume Uni.
07:39
(Laughter)
142
447753
2506
(Rires)
07:43
Age: People who are 50 years and older
143
451296
4027
Pour l'âge : les personnes
de 50 ans et plus
de 50 ans et plus
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
sont 25% plus émotives que
les personnes plus jeunes.
les personnes plus jeunes.
Les femmes dans leur vingtaine sourient
beaucoup plus que les hommes du même âge,
beaucoup plus que les hommes du même âge,
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
peut-être par nécessité
pour faire des rencontres.
pour faire des rencontres.
Mais ce qui nous a surpris le plus
dans toutes ces données,
dans toutes ces données,
07:59
But perhaps what surprised us
the most about this data
the most about this data
147
467590
2617
08:02
is that we happen
to be expressive all the time,
to be expressive all the time,
148
470207
3203
c'est que nous sommes en fait
constamment expressifs,
constamment expressifs,
mais lorsque nous sommes assis
tout seuls en face de nos écrans,
tout seuls en face de nos écrans,
08:05
even when we are sitting
in front of our devices alone,
in front of our devices alone,
149
473410
2833
08:08
and it's not just when we're watching
cat videos on Facebook.
cat videos on Facebook.
150
476243
3274
et pas seulement à regarder
des vidéos de chats sur Facebook.
des vidéos de chats sur Facebook.
08:12
We are expressive when we're emailing,
texting, shopping online,
texting, shopping online,
151
480217
3010
Nous sommes expressifs
quand on écrit un mail, un texto,
quand on écrit un mail, un texto,
quand on achète en ligne et
même quand on paie nos impôts.
même quand on paie nos impôts.
08:15
or even doing our taxes.
152
483227
2300
08:17
Where is this data used today?
153
485527
2392
Pour quoi utilise-t-on
ces données aujourd'hui ?
ces données aujourd'hui ?
08:19
In understanding how we engage with media,
154
487919
2763
Ça va de comprendre comment
nous interagissons avec les médias,
nous interagissons avec les médias,
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
les phénomènes viraux,
les dynamiques de vote,
les dynamiques de vote,
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
à doter nos technologies
de capacités émotionnelles,
de capacités émotionnelles,
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
et j'aimerais partager avec vous
quelques exemples qui me tiennent à cœur.
quelques exemples qui me tiennent à cœur.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
Des lunettes à lecture émotionnelle
peuvent aider les malvoyants
peuvent aider les malvoyants
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
à décrypter les expressions
sur le visage des autres,
sur le visage des autres,
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
et peuvent aider les personnes atteintes
d'autisme à interpréter les émotions,
d'autisme à interpréter les émotions,
08:43
something that they really struggle with.
161
511680
2778
ce qu'elles ont beaucoup de mal à faire.
Pour l'éducation, imaginez que
les applications d'apprentissage
les applications d'apprentissage
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
perçoivent votre confusion
et ralentissent,
et ralentissent,
08:53
or that you're bored, so it's sped up,
164
521587
1857
qu'elles perçoivent votre ennui
et accélèrent
et accélèrent
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
tout comme un bon enseignant
le ferait dans la salle de classe.
le ferait dans la salle de classe.
08:59
What if your wristwatch tracked your mood,
166
527043
2601
Imaginez que votre montre
puisse déceler votre humeur,
puisse déceler votre humeur,
09:01
or your car sensed that you're tired,
167
529644
2693
ou que votre voiture puisse
percevoir votre fatigue,
percevoir votre fatigue,
ou peut-être que votre frigo
puisse sentir que vous êtes stressé
puisse sentir que vous êtes stressé
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
et se verrouiller pour empêcher
toute frénésie alimentaire. (Rires)
toute frénésie alimentaire. (Rires)
J'apprécierais ça, oui.
09:12
I would like that, yeah.
170
540951
2717
09:15
What if, when I was in Cambridge,
171
543668
1927
Que se serait-il passé si à Cambridge
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
j'avais eu accès à ces données
émotionnelles
émotionnelles
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
pour les partager tout naturellement
avec ma famille à la maison
avec ma famille à la maison
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
comme si nous avions tous été
dans la même pièce ?
dans la même pièce ?
09:27
I think five years down the line,
175
555408
3142
Je pense que d'ici cinq ans,
09:30
all our devices are going
to have an emotion chip,
to have an emotion chip,
176
558550
2337
tous nos appareils auront
une puce émotionnelle,
une puce émotionnelle,
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
et on ne se souviendra même plus
du temps où,
du temps où,
quand on fronçait les sourcils
devant l'un d'eux,
devant l'un d'eux,
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
il ne nous retournait pas un,
« hmm, ça ne t'a pas plu, hein ? »
« hmm, ça ne t'a pas plu, hein ? »
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
Notre plus grand défit est qu'il existe
tellement d'applications
à cette technologie.
à cette technologie.
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
Mon équipe et moi nous rendons
bien compte que
bien compte que
nous ne pouvons pas
tout faire nous-même
tout faire nous-même
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
et avons donc rendu
cette technologie publique
cette technologie publique
pour que d'autres puissent
la développer et être créatifs.
la développer et être créatifs.
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
Nous sommes conscients
des risques potentiels
des risques potentiels
09:57
and potential for abuse,
184
585560
2067
et des possibilités d'abus,
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
mais personnellement,
après avoir passé des années à faire ça,
après avoir passé des années à faire ça,
10:02
I believe that the benefits to humanity
186
590576
2972
je pense que les bénéfices
que l'humanité peut recevoir
que l'humanité peut recevoir
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
d'une technologie
émotionnellement intelligente
émotionnellement intelligente
10:07
far outweigh the potential for misuse.
188
595823
3576
dépassent de loin les risques potentiels
de mauvais usage.
de mauvais usage.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
Je vous invite tous
à prendre part à la discussion.
à prendre part à la discussion.
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
Plus de gens seront au courant
de cette technologie,
de cette technologie,
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
mieux on pourra en définir
ensemble les termes d'usage.
ensemble les termes d'usage.
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
Alors que de plus en plus de notre vie
passe au digital, nous nous lançons
passe au digital, nous nous lançons
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
dans une lutte perdue d'avance pour
restreindre notre usage d'appareils
restreindre notre usage d'appareils
10:29
in order to reclaim our emotions.
194
617153
2229
et reconquérir nos émotions.
Ce que j'essaie
Ce que j'essaie
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
de faire au contraire est d'amener
nos émotions dans notre technologie
nos émotions dans notre technologie
10:36
and make our technologies more responsive.
196
624536
2229
et la rendre ainsi plus réactive.
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
Je veux que ces appareils qui
nous séparaient les uns des autres,
nous séparaient les uns des autres,
10:41
to bring us back together.
198
629435
2462
finalement nous rapprochent.
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
En rendant notre technologie plus humaine,
nous avons également l'opportunité
nous avons également l'opportunité
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
de revoir la façon dont
nous interagissons avec les machines,
nous interagissons avec les machines,
10:51
and therefore, how we, as human beings,
201
639782
4481
et par là-même la façon
dont nous, humains,
dont nous, humains,
10:56
connect with one another.
202
644263
1904
interagissons ensemble.
10:58
Thank you.
203
646167
2160
Merci.
(Applaudissements)
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