TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
Rana el Kaliouby: Ez az app tudja, mit érzünk - az arckifejezésünkből
Filmed:
Readability: 4.3
1,613,290 views
Az érzelmeink életünk minden aspektusát befolyásolják - a tanulástól kezdve
a kommunikáción át a döntéshozatalig. Mégis hiányoznak a digitális életünkből; a készülékek és appok, amelyekkel kapcsolatba kerülünk, nem tudhatják, mit érzünk. Rana el Kaliouby kutató célja változtatni ezen. Bemutat egy új, hatékony technológiát, amely leolvassa az arckifejezésünket, és megfelelteti azt egy érzelemnek. Azt állítja, hogy ennek az "érzelem-motornak" nagy a kihatása, megváltoztathatja nemcsak azt, ahogyan a gépekkel kapcsolatot teremtünk, hanem azt is, ahogyan egymással.
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
Az érzelmeink életünk
minden aspektusát befolyásolják,
minden aspektusát befolyásolják,
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
az egészségtől kezdve a tanulásig,
az üzleteléstől a döntéshozatalig,
az üzleteléstől a döntéshozatalig,
00:20
big ones and small.
2
8149
1773
nagyokat és kicsiket egyaránt.
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
Az érzelmeink befolyásolják azt is,
hogyan kötődünk másokhoz.
hogyan kötődünk másokhoz.
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
Ilyen világra lettünk teremtve,
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
de ehelyett egyre inkább
egy másmilyen, --
egy másmilyen, --
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
ezt az üzenetet a lányomtól
kaptam múlt éjszaka -
kaptam múlt éjszaka -
00:38
in a world that's devoid of emotion.
7
26561
2740
érzelemmentes világban kezdünk élni.
00:41
So I'm on a mission to change that.
8
29301
1951
Az a küldetésem, hogy ezen változtassak.
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
Vissza akarom hozni az érzelmeket
digitális élményeinkbe.
digitális élményeinkbe.
00:48
I started on this path 15 years ago.
10
36223
3077
Tizenöt éve indultam el ezen az úton.
00:51
I was a computer scientist in Egypt,
11
39300
2066
Számítógép-szakértő voltam Egyiptomban,
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
és épp akkor vettek fel a Cambridge
Egyetem doktori programjára.
Egyetem doktori programjára.
00:57
So I did something quite unusual
13
45871
2113
Tehát valami egészen szokatlant csináltam
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
fiatal, frissen házasodott
muszlim egyiptomi feleségként:
muszlim egyiptomi feleségként:
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
Férjem támogatásával, akinek
Egyiptomban kellett maradnia,
Egyiptomban kellett maradnia,
01:08
I packed my bags and I moved to England.
16
56598
3018
összecsomagoltam és Angliába költöztem.
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
Cambridge-ben, több ezer mérföldre
az otthonomtól,
az otthonomtól,
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
rájöttem, hogy több órát töltök
a laptopommal,
a laptopommal,
01:18
than I did with any other human.
19
66257
2229
mint bármelyik embertársammal.
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
De az intimitás ellenére a laptopomnak
fogalma sem volt az érzéseimről.
fogalma sem volt az érzéseimről.
01:25
It had no idea if I was happy,
21
73339
3211
Nem tudta, ha vidám voltam,
01:28
having a bad day, or stressed, confused,
22
76550
2988
ha rossz napom volt, ha stresszes
vagy zavart voltam,
vagy zavart voltam,
01:31
and so that got frustrating.
23
79538
2922
és ez frusztrált.
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
Még rosszabb: ahogyan online beszélgettem
az otthon maradt családommal,
az otthon maradt családommal,
01:41
I felt that all my emotions
disappeared in cyberspace.
disappeared in cyberspace.
25
89421
3282
úgy éreztem, hogy minden érzelmem
elvész a kibertérben.
elvész a kibertérben.
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
Honvágyam volt, magányos voltam,
és néhanapján igazából is sírtam,
és néhanapján igazából is sírtam,
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
de ennyi volt mindaz, amivel kifejezhettem
ezeket az érzéseket.
ezeket az érzéseket.
01:54
(Laughter)
28
102786
2020
(Nevetés)
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
A mai technológiának magas az IQ-ja,
viszont az EQ-ja nem;
viszont az EQ-ja nem;
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
rengeteg kognitív intelligencia,
de semmi érzelmi intelligencia.
de semmi érzelmi intelligencia.
02:04
So that got me thinking,
31
112956
2197
Ez elgondolkodtatott:
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
mi lenne, ha a technológia
érzékelné érzelmeinket?
érzékelné érzelmeinket?
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
Mi lenne, ha eszközeink érzékelnék, mit
érzünk, és annak megfelelően reagálnának,
érzünk, és annak megfelelően reagálnának,
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
ahogyan azt egy érzelmileg
intelligens barátunk tenné?
intelligens barátunk tenné?
02:18
Those questions led me and my team
35
126666
3564
Ezek a kérdések vezettek
engem és a csapatomat
engem és a csapatomat
02:22
to create technologies that can read
and respond to our emotions,
and respond to our emotions,
36
130230
4377
olyan technológiák megalkotására, amelyek
olvassák az érzéseinket, és válaszolnak.
olvassák az érzéseinket, és válaszolnak.
02:26
and our starting point was the human face.
37
134607
3090
Kiindulópontunk az emberi arc volt.
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
Emberi arcunk történetesen
az egyik legerősebb csatorna,
az egyik legerősebb csatorna,
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
amelynek révén közösségi és érzelmi
állapotainkat közöljük,
állapotainkat közöljük,
02:37
everything from enjoyment, surprise,
40
145766
3010
mindent, beleértve az élvezetet,
meglepetést,
meglepetést,
02:40
empathy and curiosity.
41
148776
4203
empátiát és kíváncsiságot is.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
Az érzelmek tudományában minden
arcizom-mozgást egy egységnek nevezünk.
arcizom-mozgást egy egységnek nevezünk.
02:49
So for example, action unit 12,
43
157907
2925
A 12-es mozgásegység például
02:52
it's not a Hollywood blockbuster,
44
160832
2038
nem egy hollywoodi kasszasiker,
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
ez valójában a száj sarkának felhúzása,
ami egy mosoly fő alkotóeleme.
ami egy mosoly fő alkotóeleme.
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
Mindenki kipróbálhatja.
Lássunk néhány mosolyt.
Lássunk néhány mosolyt.
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
Egy másik példa a 4-es egység.
Ez a szemöldök ráncolása.
Ez a szemöldök ráncolása.
03:03
It's when you draw your eyebrows together
48
171954
2238
Ilyenkor összevonjuk a szemöldökünket,
03:06
and you create all
these textures and wrinkles.
these textures and wrinkles.
49
174192
2267
és létrehozzuk ezeket a
formákat meg ráncokat.
formákat meg ráncokat.
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
Nem szeretjük, de erős
negatív érzést jelez.
negatív érzést jelez.
03:12
So we have about 45 of these action units,
51
180754
2206
Van kb. 45 ilyen mozgásegységünk,
03:14
and they combine to express
hundreds of emotions.
hundreds of emotions.
52
182960
3390
ezek kombinálva több száz
érzelmet fejeznek ki.
érzelmet fejeznek ki.
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
Nehéz megtanítani egy számítógépnek,
hogy ezeket az érzelmeket olvassa,
hogy ezeket az érzelmeket olvassa,
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
mert lehetnek ezek gyorsak, rejtettek,
03:25
and they combine in many different ways.
55
193223
2554
és különböző módon keverednek.
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
Vegyük például a mosolyt és a grimaszt.
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
Valamennyire hasonlónak tűnnek,
ám nagyon különbözik a jelentésük.
ám nagyon különbözik a jelentésük.
03:35
(Laughter)
58
203268
1718
(Nevetés)
03:36
So the smile is positive,
59
204986
3004
A mosoly pozitív,
03:39
a smirk is often negative.
60
207990
1270
a grimasz gyakran negatív.
03:41
Sometimes a smirk
can make you become famous.
can make you become famous.
61
209260
3876
Néha egy grimasz híressé tehet.
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
De komolyan, fontos, hogy egy
számítógép képes legyen
számítógép képes legyen
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
megkülönböztetni egymástól a két érzelmet.
03:50
So how do we do that?
64
218815
1812
Mindezt hogyan csináljuk?
03:52
We give our algorithms
65
220627
1787
Adunk az algortimusainknak
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
több tízezer példát emberekről,
akikről tudjuk, hogy mosolyognak,
akikről tudjuk, hogy mosolyognak,
03:58
from different ethnicities, ages, genders,
67
226524
3065
ezek különböző etnikumúak, korúak, neműek,
04:01
and we do the same for smirks.
68
229589
2811
és ugyanígy teszünk a grimasszal is.
04:04
And then, using deep learning,
69
232400
1554
Aztán deep learninget használva
04:05
the algorithm looks for all these
textures and wrinkles
textures and wrinkles
70
233954
2856
az algoritmus megkeresi ezeket a
a struktúrákat és ráncokat,
a struktúrákat és ráncokat,
04:08
and shape changes on our face,
71
236810
2580
az arcunk változásait,
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
lényegében megtanulja, hogy minden
mosolynak van közös jellemzője,
mosolynak van közös jellemzője,
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
és minden grimasznak élesen
különböző jellemzői vannak.
különböző jellemzői vannak.
04:17
And the next time it sees a new face,
74
245773
2368
A következő alkalommal,
mikor meglát egy új arcot,
mikor meglát egy új arcot,
04:20
it essentially learns that
75
248141
2299
lényegében rájön, hogy
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
ennek az arcnak ugyanolyan
jellemzői vannak, mint a mosolynak,
jellemzői vannak, mint a mosolynak,
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
és azt mondja: "Jé, felismerem ezt.
Ez egy mosoly kifejezése."
Ez egy mosoly kifejezése."
04:30
So the best way to demonstrate
how this technology works
how this technology works
78
258381
2800
A technológia működésének
bizonyítására a legjobb mód
bizonyítására a legjobb mód
04:33
is to try a live demo,
79
261181
2136
egy élő demo kipróbálása,
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
tehát szükségem van egy önkéntesre,
lehetőleg valakire, akinek van arca.
lehetőleg valakire, akinek van arca.
04:39
(Laughter)
81
267230
2334
(Nevetés)
04:41
Cloe's going to be our volunteer today.
82
269564
2771
Cloe lesz a mai önkéntesünk,
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
Az elmúlt öt év során egy MIT-s
kutatási projektből vállalattá
kutatási projektből vállalattá
04:49
to a company,
84
277783
1156
nőttük ki magunkat,
04:50
where my team has worked really hard
to make this technology work,
to make this technology work,
85
278939
3192
és a csapatom igen sokat dolgozott azon,
hogy ez a technológia
hogy ez a technológia
04:54
as we like to say, in the wild.
86
282131
2409
működjön, ahogy mondani szokás,
a vadonban is.
a vadonban is.
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
Úgy összezsugorítottuk, hogy
a fő érzelem-motor
a fő érzelem-motor
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
bármelyik kamerás mobil eszközön
működik, mint ezen az iPad-en is.
működik, mint ezen az iPad-en is.
05:02
So let's give this a try.
89
290530
2786
Tehát próbáljuk ki!
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
Ahogy láthatják, az algoritmus
megtalálta Cloe arcát,
megtalálta Cloe arcát,
05:10
so it's this white bounding box,
91
298680
1692
ez az a fehér határolókeret,
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
és követi a fő jellemző pontokat az arcán,
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
vagyis a szemöldökét, a szemét,
a száját és az orrát.
a száját és az orrát.
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
Az a kérdés,
hogy fel tudja-e ismerni, mit fejez ki?
hogy fel tudja-e ismerni, mit fejez ki?
05:20
So we're going to test the machine.
95
308786
1671
Most leteszteljük a gépet.
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
Legelőször mutasd a pókerarcod.
Igen, nagyszerű. (Nevetés)
Igen, nagyszerű. (Nevetés)
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
Aztán ahogy mosolyog,
ez egy valódi mosoly, nagyszerű.
ez egy valódi mosoly, nagyszerű.
05:29
So you can see the green bar
go up as she smiles.
go up as she smiles.
98
317456
2300
A zöld sáv láthatóan növekszik,
mikor mosolyog.
mikor mosolyog.
05:31
Now that was a big smile.
99
319756
1222
Ez egy nagy mosoly volt.
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
Megpróbálsz egy enyhébb mosolyt,
hogy lássuk, felismeri-e a gép?
hogy lássuk, felismeri-e a gép?
05:36
It does recognize subtle smiles as well.
101
324021
2331
Felismeri az enyhébb mosolyt is.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
Nagyon sokat dolgoztunk,
hogy ez sikerüljön.
hogy ez sikerüljön.
05:40
And then eyebrow raised,
indicator of surprise.
indicator of surprise.
103
328477
2962
Aztán felemelt szemöldök,
a meglepetés jelzője.
a meglepetés jelzője.
05:43
Brow furrow, which is
an indicator of confusion.
an indicator of confusion.
104
331439
4249
Szemöldökráncolás,
a zavartság jelzője.
a zavartság jelzője.
05:47
Frown. Yes, perfect.
105
335688
4007
Homlokráncolás. Tökéletes.
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
Ezek mind különböző mozgásegységek.
Sokkal több van belőlük.
Sokkal több van belőlük.
05:55
This is just a slimmed-down demo.
107
343188
2032
Ez csak egy karcsúsított demo.
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
Minden leolvasást
érzelmi adatpontnak nevezünk,
érzelmi adatpontnak nevezünk,
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
majd ezek ötvözése ábrázolja
a különböző érzelmeket.
a különböző érzelmeket.
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
A demo jobb oldalán -- tégy úgy,
mintha boldog lennél.
mintha boldog lennél.
06:07
So that's joy. Joy fires up.
111
355990
1454
Ez az öröm. Kigyúl az öröm.
06:09
And then give me a disgust face.
112
357444
1927
Most vágj utálkozó arcot.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
Gondolj arra, milyen volt, amikor Zayn
kilépett a One Direction-ből.
kilépett a One Direction-ből.
06:15
(Laughter)
114
363643
1510
(Nevetés)
06:17
Yeah, wrinkle your nose. Awesome.
115
365153
4342
Úgy, ráncold az orrod. Klassz.
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
A kötődés eléggé negatív,
biztos nagy rajongója voltál.
biztos nagy rajongója voltál.
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
A kötődés a tapasztalat
pozitív vagy negatív jellege,
pozitív vagy negatív jellege,
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
az elkötelezettség pedig
azt jelzi, mennyire kifejező.
azt jelzi, mennyire kifejező.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
Képzeljék el, ha Cloe hozzáférne
egy valós idejű érzelem-csatornához,
egy valós idejű érzelem-csatornához,
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
és megoszthatná azt mindenkivel,
akivel csak akarná.
akivel csak akarná.
06:36
Thank you.
121
384935
2923
Köszönöm.
06:39
(Applause)
122
387858
4621
(Taps)
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
Az eddigiekben 12 milliárd ilyen
érzelmi adatpontot gyűjtöttünk.
érzelmi adatpontot gyűjtöttünk.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
Ez a legnagyobb érzelem-adatbázis
a világon.
a világon.
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
2,9 millió arcot ábrázoló
videóról gyűjtöttük ezeket,
videóról gyűjtöttük ezeket,
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
olyanoktól, akik beleegyeztek
érzelmeik megosztásába,
érzelmeik megosztásába,
06:59
and from 75 countries around the world.
127
407193
3205
világszerte, 75 országban.
07:02
It's growing every day.
128
410398
1715
Naponta növekszik.
07:04
It blows my mind away
129
412603
2067
Lélegzetelállító, hogy tudunk
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
számszerűsíteni egy ennyire
személyes dolgot, mint az érzelmeink,
személyes dolgot, mint az érzelmeink,
07:09
and we can do it at this scale.
131
417865
2235
és ilyen nagyságrendben tudjuk.
07:12
So what have we learned to date?
132
420100
2177
Mit tanultunk tehát eddig?
07:15
Gender.
133
423057
2331
A nemek.
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
Adataink igazolják,
amit valószínűleg sejtenek.
amit valószínűleg sejtenek.
07:21
Women are more expressive than men.
135
429034
1857
A nők kifejezőbbek, mint a férfiak.
07:22
Not only do they smile more,
their smiles last longer,
their smiles last longer,
136
430891
2683
Nemcsak többet mosolyognak,
de a mosolyuk tovább tart,
de a mosolyuk tovább tart,
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
és most tényleg számszerűsíteni tudjuk,
mi az, amire
mi az, amire
07:28
respond to differently.
138
436478
2136
a nők és a férfiak eltérően válaszolnak.
07:30
Let's do culture: So in the United States,
139
438614
2290
Nézzük a kultúrát: az Egyesült Államokban
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
a nők 40%-kal kifejezőbbek,
mint a férfiak,
mint a férfiak,
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
de érdekes módon az Egyesült Királyságban
nem látunk közöttük különbséget.
nem látunk közöttük különbséget.
07:39
(Laughter)
142
447753
2506
(Nevetés)
07:43
Age: People who are 50 years and older
143
451296
4027
Életkor: az 50 év felettiek
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
25%-kal érzelmesebbek a fiataloknál.
07:51
Women in their 20s smile a lot more
than men the same age,
than men the same age,
145
459899
3852
A huszonéves nők sokkal többet
mosolyognak, mint az azonos korú férfiak,
mosolyognak, mint az azonos korú férfiak,
07:55
perhaps a necessity for dating.
146
463751
3839
lehet, hogy ez szükséges a randizáshoz.
07:59
But perhaps what surprised us
the most about this data
the most about this data
147
467590
2617
De az adatokban talán az
lepett meg a legjobban,
lepett meg a legjobban,
08:02
is that we happen
to be expressive all the time,
to be expressive all the time,
148
470207
3203
hogy úgy tűnik, mindig kifejezőek vagyunk,
08:05
even when we are sitting
in front of our devices alone,
in front of our devices alone,
149
473410
2833
még akkor is, amikor egyedül ülünk
a készülékeink előtt,
a készülékeink előtt,
08:08
and it's not just when we're watching
cat videos on Facebook.
cat videos on Facebook.
150
476243
3274
és nemcsak amikor cicás videókat
nézünk a Facebookon.
nézünk a Facebookon.
08:12
We are expressive when we're emailing,
texting, shopping online,
texting, shopping online,
151
480217
3010
Kifejezőek vagyunk e-mail és SMS írásakor,
online vásárláskor,
online vásárláskor,
08:15
or even doing our taxes.
152
483227
2300
még az adóbevallás kitöltésekor is.
08:17
Where is this data used today?
153
485527
2392
Hol használják ma ezeket az adatokat?
08:19
In understanding how we engage with media,
154
487919
2763
Annak megértésére,
mennyire köt le a média,
mennyire köt le a média,
hogy mi és miért terjed a neten,
hogy hogyan választunk,
hogy hogyan választunk,
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
és arra, hogyan építsük be
a gesztus értelmezését a technológiába.
a gesztus értelmezését a technológiába.
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
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
Bemutatok néhány, a szívemhez
különösen közel álló példát.
különösen közel álló példát.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
A gesztus-értelmező szemüvegek segítenek
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
a gyengénlátó embereknek
leolvasni mások arcát,
leolvasni mások arcát,
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
és segítenek az autista embereknek
az érzelmek értelmezésében,
az érzelmek értelmezésében,
08:43
something that they really struggle with.
161
511680
2778
ők ezzel nagyon küszködnek.
08:47
In education, imagine
if your learning apps
if your learning apps
162
515918
2859
Oktatás: képzeljék el,
hogy az online tanulásban az app
hogy az online tanulásban az app
08:50
sense that you're confused and slow down,
163
518777
2810
érzékeli, ha összezavarodtunk,
és lelassít;
és lelassít;
08:53
or that you're bored, so it's sped up,
164
521587
1857
ha unatkozunk, akkor felgyorsít,
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
ahogyan egy jó tanár tenné
az osztályteremben.
az osztályteremben.
08:59
What if your wristwatch tracked your mood,
166
527043
2601
Mi lenne, ha a karóránk figyelné
kedélyünket,
kedélyünket,
09:01
or your car sensed that you're tired,
167
529644
2693
az autónk észlelné, ha fáradtak vagyunk,
09:04
or perhaps your fridge
knows that you're stressed,
knows that you're stressed,
168
532337
2548
vagy akár: a hűtőnk tudná,
hogy feszültek vagyunk,
hogy feszültek vagyunk,
09:06
so it auto-locks to prevent you
from binge eating. (Laughter)
from binge eating. (Laughter)
169
534885
6066
és lezárná magát, hogy megakadályozza,
hogy túlzabáljuk magunkat. (Nevetés)
hogy túlzabáljuk magunkat. (Nevetés)
09:12
I would like that, yeah.
170
540951
2717
Igen, ezt szeretném.
09:15
What if, when I was in Cambridge,
171
543668
1927
Mi lett volna, ha a cambridge-i időkben
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
hozzáfértem volna az érzelem-csatornámhoz,
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
és természetes módon meg tudtam volna
azt osztani otthonmaradt családommal,
azt osztani otthonmaradt családommal,
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
mintha mindannyian együtt
lennénk, ugyanabban a szobában?
lennénk, ugyanabban a szobában?
09:27
I think five years down the line,
175
555408
3142
Azt gondolom, öt év múlva
09:30
all our devices are going
to have an emotion chip,
to have an emotion chip,
176
558550
2337
minden eszközünkben lesz érzelem-csip,
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
és már nem fogunk emlékezni arra,
amikor hiába néztünk homlokráncolva,
amikor hiába néztünk homlokráncolva,
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
készülékünk nem mondta:
"Ez ugye nem tetszett?"
"Ez ugye nem tetszett?"
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
A nagy kihívás az, hogy a technológiának
olyan sok alkalmazási területe van,
olyan sok alkalmazási területe van,
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
hogy a csapatommal rájöttünk:
nem tudjuk mindet mi megépíteni,
nem tudjuk mindet mi megépíteni,
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
ezért közzétettük a technológiát,
hogy más fejlesztők is
hogy más fejlesztők is
09:51
can get building and get creative.
182
579360
2114
tudjanak építeni rá és alkotni.
09:53
We recognize that
there are potential risks
there are potential risks
183
581474
4086
Elismerjük, hogy vannak
potenciális kockázatok,
potenciális kockázatok,
09:57
and potential for abuse,
184
585560
2067
és vissza lehet élni ezzel,
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
de személy szerint, miután
oly sok éve dolgozom rajta,
oly sok éve dolgozom rajta,
10:02
I believe that the benefits to humanity
186
590576
2972
hiszem, hogy az érzelmileg
intelligens technológia léte
intelligens technológia léte
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
olyan nagy haszon az emberiségnek,
10:07
far outweigh the potential for misuse.
188
595823
3576
hogy az jócskán ellensúlyozza
a visszaélés lehetőségét.
a visszaélés lehetőségét.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
Meghívom Önöket is,
vegyenek részt a beszélgetésben.
vegyenek részt a beszélgetésben.
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
Minél többen tudnak a technológiáról,
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
annál többen mondhatnak
véleményt használatáról.
véleményt használatáról.
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
Ahogy tehát egyre inkább digitálissá
válik életünk,
válik életünk,
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
vesztésre állunk a csatában,
amelyben korlátozni próbáljuk eszközeink
amelyben korlátozni próbáljuk eszközeink
10:29
in order to reclaim our emotions.
194
617153
2229
használatát, hogy
visszakérjük érzelmeinket.
visszakérjük érzelmeinket.
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
Ehelyett próbálok érzelmeket
vinni technológiánkba,
vinni technológiánkba,
10:36
and make our technologies more responsive.
196
624536
2229
és fogékonyabbá tenni azt.
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
Azt akarom, hogy az eszközök,
amelyek elválasztottak,
amelyek elválasztottak,
10:41
to bring us back together.
198
629435
2462
újra összekössenek minket.
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
A technológia emberiessé tételével
kitűnő lehetőségünk nyílik arra,
kitűnő lehetőségünk nyílik arra,
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
hogy újragondoljuk,
hogyan viszonyulunk a gépekhez,
hogyan viszonyulunk a gépekhez,
10:51
and therefore, how we, as human beings,
201
639782
4481
és ennek folytán mi, emberi lények,
10:56
connect with one another.
202
644263
1904
hogyan viszonyulunk egymáshoz.
10:58
Thank you.
203
646167
2160
Köszönöm.
11:00
(Applause)
204
648327
3313
(Taps)
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