ABOUT THE SPEAKER
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.

Why you should listen

Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.

Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.

Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.

More profile about the speaker
Jennifer Healey | Speaker | TED.com
TED@Intel

Jennifer Healey: If cars could talk, accidents might be avoidable

Jennifer Healey: se le auto potessero parlare, si eviterebbero gli incidenti

Filmed:
908,454 views

Quando guidiamo, entriamo in una bolla di vetro, chiudiamo le portiere, schiacciamo l'acceleratore e ci affidiamo agli occhi per dirigerci --- anche se siamo in grado di vedere solo qualche auto davanti e qualche auto dietro di noi. Ma cosa succederebbe se le auto potessero scambiarsi dati sulla reciproca posizione e sulla velocità, e usare i modelli predittivi per calcolare i percorsi più sicuri per tutti sulla strada? Jennifer Healey immagina un mondo senza incidenti. (Filmato a TED@Intel.)
- Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio

Double-click the English transcript below to play the video.

00:12
Let's faceviso it:
0
703
1914
Diciamolo:
00:14
DrivingGuida is dangerouspericoloso.
1
2617
2445
guidare è pericoloso.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
È una di quelle cose che
non ci piace pensare,
00:20
but the factfatto that religiousreligioso iconsicone and good luckfortuna charmsCharms
3
8160
3652
ma il fatto che santini e portafortuna
00:23
showmostrare up on dashboardscruscotti around the worldmondo
4
11812
4790
riempiano i cruscotti di tutto il mondo
00:28
betraystradisce the factfatto that we know this to be truevero.
5
16602
4137
dimostra che lo sappiamo benissimo.
00:32
CarAuto accidentsincidenti are the leadingprincipale causecausa of deathmorte
6
20739
3594
Gli incidenti automobilistici
sono la principale causa di morte
00:36
in people agesevo 16 to 19 in the UnitedUniti d'America StatesStati --
7
24333
4170
nelle persone fra i 16 e i 19 anni negli Stati Uniti --
00:40
leadingprincipale causecausa of deathmorte --
8
28503
2843
la principale causa di morte --
00:43
and 75 percentper cento of these accidentsincidenti have nothing to do
9
31346
3863
e il 75% di questi incidenti
non ha niente a che vedere
00:47
with drugsfarmaci or alcoholalcool.
10
35209
2285
con droghe o alcool.
00:49
So what happensaccade?
11
37494
2261
E allora perché?
00:51
No one can say for sure, but I rememberricorda my first accidentincidente.
12
39755
4219
Nessuno può dirlo con certezza,
ma io ricordo il mio primo incidente.
00:55
I was a younggiovane driverautista out on the highwayautostrada,
13
43974
3803
Avevo la patente
da poco, ero in autostrada
00:59
and the carauto in frontdavanti of me, I saw the brakefreno lightsluci go on.
14
47777
2258
e ho visto accendersi gli stop
della macchina davanti a me.
01:02
I'm like, "Okay, all right, this guy is slowingrallentando down,
15
50035
1800
Ho pensato: "OK, sta rallentando,
01:03
I'll slowlento down too."
16
51835
1282
rallento anch'io."
01:05
I steppasso on the brakefreno.
17
53117
1926
Schiaccio il freno.
01:07
But no, this guy isn't slowingrallentando down.
18
55043
2254
E invece no,
non stava rallentando.
01:09
This guy is stoppingsosta, deadmorto stop, deadmorto stop on the highwayautostrada.
19
57297
3178
Si stava fermando, fermo,
inchiodato in mezzo all'autostrada.
01:12
It was just going 65 -- to zerozero?
20
60475
2540
È passato da 100 km orari... a zero?
01:15
I slammedsbattuto on the brakesFreni.
21
63015
1520
Ho pestato sul freno.
01:16
I feltprovato the ABSABS kickcalcio in, and the carauto is still going,
22
64535
3059
Ho sentito l'ABS che si inseriva
ma la macchina non si è fermata,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
ha continuato ad andare,
e sapevo che non si sarebbe fermata
01:22
and the airaria bagBorsa deploysconsente di distribuire, the carauto is totaledtotalizzato,
24
70290
2939
l'airbag è esploso, la
macchina si è distrutta,
01:25
and fortunatelyfortunatamente, no one was hurtmale.
25
73229
3557
e per fortuna non si
è fatto male nessuno.
01:28
But I had no ideaidea that carauto was stoppingsosta,
26
76786
4211
Ma io non avevo idea che
quella macchina si stesse fermando,
01:32
and I think we can do a lot better than that.
27
80997
3645
e penso che potremmo
migliorare molto le cose.
01:36
I think we can transformtrasformare the drivingguida experienceEsperienza
28
84642
4145
Potremmo trasformare
l'esperienza della guida
01:40
by lettinglocazione our carsautomobili talk to eachogni other.
29
88787
3879
facendo parlare le macchine fra loro.
01:44
I just want you to think a little bitpo
30
92666
1424
Pensate un attimo
01:46
about what the experienceEsperienza of drivingguida is like now.
31
94090
2888
a cosa vuol dire oggi guidare.
01:48
Get into your carauto. CloseChiudere the doorporta. You're in a glassbicchiere bubblebolla.
32
96978
4028
Salite in macchina. Chiudete la portiera.
Siete in una bolla di vetro.
01:53
You can't really directlydirettamente sensesenso the worldmondo around you.
33
101006
2916
Non avete un contatto diretto
con il mondo circostante.
01:55
You're in this extendedesteso bodycorpo.
34
103922
2181
Siete in questa specie di
prolungamento del corpo.
01:58
You're taskedil compito with navigatingnavigando it down
35
106103
2163
E avete il compito
di districarvi lungo
02:00
partially-seenparzialmente visto roadwayscarreggiate,
36
108266
2056
strade semi-conosciute,
02:02
in and amongsttra other metalmetallo giantsgiganti, at super-humansuper-umani speedsvelocità.
37
110322
4424
fra altri giganti di metallo,
a velocità disumana.
02:06
Okay? And all you have to guideguida you are your two eyesocchi.
38
114746
4480
Giusto? E solo affidandovi
a un paio di occhi.
02:11
Okay, so that's all you have,
39
119226
1762
OK, non avete altro,
02:12
eyesocchi that weren'tnon erano really designedprogettato for this taskcompito,
40
120988
1735
occhi che non sono
stati fatti per questo,
02:14
but then people askChiedere you to do things like,
41
122723
3751
ma poi vi chiedono
di fare cose tipo,
02:18
you want to make a laneLane changemodificare,
42
126474
1549
cambiare corsia,
02:20
what's the first thing they askChiedere you do?
43
128023
2321
cos'è la prima cosa che dovete fare?
02:22
Take your eyesocchi off the roadstrada. That's right.
44
130344
3095
Togliere gli occhi dalla strada. Esatto.
02:25
Stop looking where you're going, turnturno,
45
133439
2096
Smettere di guardare
dove guardavate, girarvi,
02:27
checkdai un'occhiata your blindcieco spotindividuare,
46
135535
2018
controllare il punto cieco,
02:29
and driveguidare down the roadstrada withoutsenza looking where you're going.
47
137553
3471
e continuare a guidare senza
guardare dove state andando.
02:33
You and everyonetutti elsealtro. This is the safesicuro way to driveguidare.
48
141024
3135
Voi e chiunque altro.
Questo è il modo sicuro di guidare.
02:36
Why do we do this? Because we have to,
49
144159
2241
Perché facciamo così?
Perché dobbiamo,
02:38
we have to make a choicescelta, do I look here or do I look here?
50
146400
2579
dobbiamo scegliere:
guardo di qua o di là?
02:40
What's more importantimportante?
51
148979
1521
Cos'è più importante?
02:42
And usuallygeneralmente we do a fantasticfantastico joblavoro
52
150500
2711
E di solito ce la caviamo alla grande
02:45
pickingscelta and choosingscegliendo what we attendpartecipare to on the roadstrada.
53
153211
3769
scegliendo ogni volta
a cosa fare attenzione lungo la strada.
02:48
But occasionallydi tanto in tanto we missPerdere something.
54
156980
3650
Ma a volte qualcosa ci sfugge.
02:52
OccasionallyOccasionalmente we sensesenso something wrongsbagliato or too latein ritardo.
55
160630
4461
A volte percepiamo qualcosa
di sbagliato o troppo tardi.
02:57
In countlessinnumerevole accidentsincidenti, the driverautista saysdice,
56
165091
1988
In moltissimi incidenti,
il guidatore dice:
02:59
"I didn't see it comingvenuta."
57
167079
2308
"non l'ho visto arrivare."
03:01
And I believe that. I believe that.
58
169387
3281
E io ci credo. Davvero.
03:04
We can only watch so much.
59
172668
2925
Non possiamo vedere tutto.
03:07
But the technologytecnologia existsesiste now that can help us improveMigliorare that.
60
175593
5144
Ma ora esiste la tecnologia che
può aiutarci a migliorare le cose.
03:12
In the futurefuturo, with carsautomobili exchanginglo scambio di datadati with eachogni other,
61
180737
4296
In futuro, con le macchine
che si scambiano informazioni,
03:17
we will be ablecapace to see not just threetre carsautomobili aheadavanti
62
185033
3928
riusciremo a vedere
non solo tre macchine avanti
03:20
and threetre carsautomobili behinddietro a, to the right and left,
63
188961
1594
e tre macchine dietro,
a destra e a sinistra,
03:22
all at the samestesso time, bird'sdell'uccello eyeocchio viewvista,
64
190555
3166
contemporaneamente,
come una visione dall'alto,
03:25
we will actuallyin realtà be ablecapace to see into those carsautomobili.
65
193721
3128
ma anche dentro le automobili.
03:28
We will be ablecapace to see the velocityvelocità of the carauto in frontdavanti of us,
66
196849
2371
Saremo in grado di vedere la
velocità della macchina che ci precede
03:31
to see how fastveloce that guy'sragazzo di going or stoppingsosta.
67
199220
3240
per vedere a quanto va
o se si sta fermando.
03:34
If that guy'sragazzo di going down to zerozero, I'll know.
68
202460
4510
Se sta per fermarsi, lo saprò.
03:38
And with computationcalcolo and algorithmsalgoritmi and predictivepredittiva modelsModelli,
69
206970
3859
E con la computazione, gli
algoritmi e i modelli predittivi,
03:42
we will be ablecapace to see the futurefuturo.
70
210829
3273
saremo in grado di prevedere il futuro.
03:46
You maypuò think that's impossibleimpossibile.
71
214102
1556
Forse pensate che sia impossibile.
03:47
How can you predictpredire the futurefuturo? That's really harddifficile.
72
215658
2731
Come si fa a predire il futuro?
È veramente difficile.
03:50
ActuallyIn realtà, no. With carsautomobili, it's not impossibleimpossibile.
73
218389
3619
Invece no.
Con le automobili si può.
03:54
CarsAutomobili are three-dimensionaltridimensionale objectsoggetti
74
222008
2732
Le auto sono oggetti tridimensionali
03:56
that have a fixedfisso positionposizione and velocityvelocità.
75
224740
2332
con una determinata
posizione e velocità.
03:59
They travelviaggio down roadsstrade.
76
227072
1631
Viaggiano sulle strade.
04:00
OftenSpesso they travelviaggio on pre-publishedpre-pubblicato in routesitinerari.
77
228703
2412
Spesso su rotte prestabilite.
04:03
It's really not that harddifficile to make reasonableragionevole predictionsPrevisioni
78
231115
3938
Non è affatto difficile
fare previsioni ragionevoli
04:07
about where a car'sautomobili going to be in the nearvicino futurefuturo.
79
235053
2864
su dove si troverà un'auto
nell'immediato futuro.
04:09
Even if, when you're in your carauto
80
237917
2002
Anche se, quando siete in auto
04:11
and some motorcyclistmotociclista comesviene -- bshoombshoom! --
81
239919
1994
e un motociclista arriva -- vuuuum! -
04:13
85 milesmiglia an hourora down, lane-splittingLane-splitting --
82
241913
2296
e vi taglia la strada a 200 all'ora
04:16
I know you've had this experienceEsperienza --
83
244209
2547
lo so che avrete l'impressione
04:18
that guy didn't "just come out of nowhereDa nessuna parte."
84
246756
2603
che sia "spuntato dal nulla".
04:21
That guy'sragazzo di been on the roadstrada probablyprobabilmente for the last halfmetà hourora.
85
249359
3643
Ma è probabile che lui fosse
già per strada da mezz'ora.
04:25
(LaughterRisate)
86
253002
1190
(Risate)
04:26
Right? I mean, somebody'sdi qualcuno seenvisto him.
87
254192
3589
Giusto? Voglio dire,
qualcuno l'avrà visto.
04:29
TenDieci, 20, 30 milesmiglia back, someone'sdi qualcuno seenvisto that guy,
88
257781
2768
10, 20, 30 km prima,
qualcuno avrà visto quel tizio,
04:32
and as soonpresto as one carauto seesvede that guy
89
260549
2384
e appena un'auto lo vede
04:34
and putsmette him on the mapcarta geografica, he's on the mapcarta geografica --
90
262933
2231
e lo mette sulla mappa,
lui è sulla mappa...
04:37
positionposizione, velocityvelocità,
91
265164
2176
posizione, velocità,
04:39
good estimatestima he'llinferno continueContinua going 85 milesmiglia an hourora.
92
267340
2321
è verosimile che
continuerà ad andare a 200 km/h.
04:41
You'llYou'll know, because your carauto will know, because
93
269661
2184
Lo saprete, perché la
vostra auto lo saprà, perché
04:43
that other carauto will have whisperedsussurrato something in his earorecchio,
94
271845
2275
l'altra auto le avrà sussurrato
all'orecchio una cosa come:
04:46
like, "By the way, fivecinque minutesminuti,
95
274120
1923
"a proposito, fra cinque minuti,
04:48
motorcyclistmotociclista, watch out."
96
276043
2775
motociclista: attenzione."
04:50
You can make reasonableragionevole predictionsPrevisioni about how carsautomobili behavecomportarsi.
97
278818
2703
Si possono fare previsioni ragionevoli
sul comportamento delle auto.
04:53
I mean, they're NewtonianNewtoniano objectsoggetti.
98
281521
1365
Insomma, sono oggetti newtoniani.
04:54
That's very nicesimpatico about them.
99
282886
2909
Ed è una cosa molto carina.
04:57
So how do we get there?
100
285795
3034
Quindi, come facciamo?
05:00
We can startinizio with something as simplesemplice
101
288829
2266
Si può cominciare con
qualcosa di semplice come
05:03
as sharingcompartecipazione our positionposizione datadati betweenfra carsautomobili,
102
291095
2870
condividere dati
sulla posizione fra auto,
05:05
just sharingcompartecipazione GPSGPS.
103
293965
1892
semplicemente
attraverso il GPS.
05:07
If I have a GPSGPS and a cameramacchina fotografica in my carauto,
104
295857
2444
Se ho un'auto
con GPS e telecamera
05:10
I have a prettybella precisepreciso ideaidea of where I am
105
298301
2231
ho un'idea abbastanza
precisa di dove sono
05:12
and how fastveloce I'm going.
106
300532
1732
e a che velocità sto andando.
05:14
With computercomputer visionvisione, I can estimatestima where
107
302264
1657
Con la visione computerizzata,
posso prevedere più o meno
05:15
the carsautomobili around me are, sortordinare of, and where they're going.
108
303921
3537
dove sono le auto intorno a me
e dove stanno andando.
05:19
And samestesso with the other carsautomobili.
109
307458
970
E lo stesso vale per gli altri.
05:20
They can have a precisepreciso ideaidea of where they are,
110
308428
1814
Avranno un'idea precisa di dove sono,
05:22
and sortordinare of a vaguevago ideaidea of where the other carsautomobili are.
111
310242
2146
e un'idea approssimativa
di dove sono le altre auto.
05:24
What happensaccade if two carsautomobili shareCondividere that datadati,
112
312388
3231
Cosa succede se due
auto si scambiano dati,
05:27
if they talk to eachogni other?
113
315619
1955
se parlano fra loro?
05:29
I can tell you exactlydi preciso what happensaccade.
114
317574
2778
Vi dico io cosa
succede esattamente.
05:32
BothEntrambi modelsModelli improveMigliorare.
115
320352
2339
Entrambi i modelli migliorano.
05:34
EverybodyTutti winsvittorie.
116
322691
2055
Vantaggi per tutti.
05:36
ProfessorProfessore BobBob WangWang and his teamsquadra
117
324746
2577
Il Professor Bob Wang e il suo team
05:39
have donefatto computercomputer simulationssimulazioni of what happensaccade
118
327323
2738
hanno fatto simulazioni
computerizzate di cosa succede
05:42
when fuzzysfocato estimatesstime combinecombinare, even in lightleggero traffictraffico,
119
330061
3431
quando si combinano stime sfumate,
anche con poco traffico,
05:45
when carsautomobili just shareCondividere GPSGPS datadati,
120
333492
2624
se le auto scambiano
solo i dati GPS,
05:48
and we'venoi abbiamo movedmosso this researchricerca out of the computercomputer simulationsimulazione
121
336116
2513
e abbiamo trasportato questa ricerca
fuori dalla simulazione computerizzata
05:50
and into robotrobot testTest bedsletti that have the actualeffettivo sensorssensori
122
338629
3027
in banchi di prova robotizzati
che hanno gli stessi sensori
05:53
that are in carsautomobili now on these robotsrobot:
123
341656
3133
presenti nei sistemi
delle auto come:
05:56
stereostereo camerasmacchine fotografiche, GPSGPS,
124
344789
1838
telecamere stereo, GPS,
05:58
and the two-dimensionalbidimensionale laserlaser rangegamma findersFinders
125
346627
1874
sensori laser bidimensionali
06:00
that are commonComune in backupdi riserva systemssistemi.
126
348501
2240
usati per la retromarcia.
06:02
We alsoanche attachallegare a discretediscreto short-rangea corto raggio communicationcomunicazione radioRadio,
127
350741
4484
Abbiamo collegato anche una
discreta ricetrasmittente a corto raggio
06:07
and the robotsrobot talk to eachogni other.
128
355225
1909
e i robot parlano fra loro.
06:09
When these robotsrobot come at eachogni other,
129
357134
1539
Quando questi robot si avvicinano,
06:10
they tracktraccia eachogni other'saltri positionposizione preciselyprecisamente,
130
358673
2971
registrano l'esatta
posizione reciproca,
06:13
and they can avoidevitare eachogni other.
131
361644
2737
così possono evitarsi.
06:16
We're now addingaggiungendo more and more robotsrobot into the mixmescolare,
132
364381
3226
Stiamo aggiungendo
sempre più robot all'insieme
06:19
and we encounteredincontrato some problemsi problemi.
133
367607
1471
e sono sorti alcuni problemi.
06:21
One of the problemsi problemi, when you get too much chatterchiacchiere,
134
369078
2359
Uno di questi è che quando
ci sono troppe conversazioni,
06:23
it's harddifficile to processprocesso all the packetspacchetti, so you have to prioritizepriorità,
135
371437
3728
è difficile elaborare tutti i pacchetti,
quindi è necessario dare delle priorità,
06:27
and that's where the predictivepredittiva modelmodello helpsaiuta you.
136
375165
2357
ed ecco che ci viene
in aiuto il modello predittivo.
06:29
If your robotrobot carsautomobili are all trackingpuntamento the predictedprevisto trajectoriestraiettorie,
137
377522
4372
Se tutte le auto-robot stanno
seguendo le traiettorie previste,
06:33
you don't paypagare as much attentionAttenzione to those packetspacchetti.
138
381894
1767
non si dedica troppa
attenzione a questi pacchetti.
06:35
You prioritizepriorità the one guy
139
383661
1703
Si dà la priorità a chi
06:37
who seemssembra to be going a little off coursecorso.
140
385364
1333
mostra una piccola anomalia.
06:38
That guy could be a problemproblema.
141
386697
2526
Lui potrebbe costituire un problema.
06:41
And you can predictpredire the newnuovo trajectorytraiettoria.
142
389223
3002
E si può prevedere la nuova traiettoria.
06:44
So you don't only know that he's going off coursecorso, you know how.
143
392225
2763
Quindi, non solo saprete
che sta deviando, ma anche come.
06:46
And you know whichquale driversdriver you need to alertmettere in guardia to get out of the way.
144
394988
3725
E saprete quali autisti
avvisare di spostarsi.
06:50
And we wanted to do -- how can we bestmigliore alertmettere in guardia everyonetutti?
145
398713
2633
E ci siamo chiesti: qual è il
modo migliore per avvisare gli altri?
06:53
How can these carsautomobili whispersussurro, "You need to get out of the way?"
146
401346
3183
In che modo le auto possono
sussurrare: "ti devi spostare"?
06:56
Well, it dependsdipende on two things:
147
404529
1517
Beh, dipende da due cose:
06:58
one, the abilitycapacità of the carauto,
148
406046
2169
primo, l'abilità dell'auto,
07:00
and secondsecondo the abilitycapacità of the driverautista.
149
408215
3217
secondo, l'abilità del guidatore.
07:03
If one guy has a really great carauto,
150
411432
1505
Se uno ha un'auto eccezionale,
07:04
but they're on theirloro phoneTelefono or, you know, doing something,
151
412937
2925
ma è al telefono o,
magari, sta facendo altro
07:07
they're not probablyprobabilmente in the bestmigliore positionposizione
152
415862
1930
è probabile che non sia
nelle migliori condizioni per
07:09
to reactreagire in an emergencyemergenza.
153
417792
2970
reagire in caso di emergenza.
07:12
So we startediniziato a separateseparato linelinea of researchricerca
154
420762
1665
Quindi abbiamo avviato
un altro filone di ricerca
07:14
doing driverautista statestato modelingmodellismo.
155
422427
2551
facendo modelli di
condizioni di guida.
07:16
And now, usingutilizzando a seriesserie of threetre camerasmacchine fotografiche,
156
424978
2329
Ora, usando tre
telecamere in serie,
07:19
we can detectindividuare if a driverautista is looking forwardinoltrare,
157
427307
2270
possiamo capire se il
guidatore ha lo sguardo sulla strada,
07:21
looking away, looking down, on the phoneTelefono,
158
429577
2860
altrove, abbassato,
se è al telefono,
07:24
or havingavendo a cuptazza of coffeecaffè.
159
432437
3061
se sta prendendo un caffè.
07:27
We can predictpredire the accidentincidente
160
435498
2070
Possiamo prevedere l'incidente
07:29
and we can predictpredire who, whichquale carsautomobili,
161
437568
3651
e anche chi, quali auto,
07:33
are in the bestmigliore positionposizione to movemossa out of the way
162
441219
3486
sono nel punto migliore per spostarsi
07:36
to calculatecalcolare the safestpiù sicuro routeitinerario for everyonetutti.
163
444705
3009
in modo da calcolare
il percorso più sicuro per tutti.
07:39
FundamentallyFondamentalmente, these technologiestecnologie existesistere todayoggi.
164
447714
4635
Fondamentalmente, queste
tecnologie esistono già.
07:44
I think the biggestmaggiore problemproblema that we faceviso
165
452349
2824
Credo che l'ostacolo maggiore
07:47
is our ownproprio willingnessdisponibilità to shareCondividere our datadati.
166
455173
3013
sia la nostra disponibilità
a condividere informazioni.
07:50
I think it's a very disconcertingsconcertante notionnozione,
167
458186
2631
Penso che sia un concetto inquietante,
07:52
this ideaidea that our carsautomobili will be watchingGuardando us,
168
460817
2386
l'idea che le auto ci osservino,
07:55
talkingparlando about us to other carsautomobili,
169
463203
3371
parlino di noi ad altre auto,
07:58
that we'llbene be going down the roadstrada in a seamare of gossippettegolezzo.
170
466574
3427
che guidiamo immersi
in un mare di gossip.
08:02
But I believe it can be donefatto in a way that protectsprotegge our privacysulla privacy,
171
470001
3897
Ma penso che si possa fare
anche salvaguardando la privacy
08:05
just like right now, when I look at your carauto from the outsideal di fuori,
172
473898
3741
proprio come adesso, che se
guardo la tua auto da fuori,
08:09
I don't really know about you.
173
477639
2363
in realtà non so nulla di te.
08:12
If I look at your licenselicenza platepiatto numbernumero,
174
480002
1137
Se guardo la tua targa,
08:13
I don't really know who you are.
175
481139
1886
in realtà non so chi sei.
08:15
I believe our carsautomobili can talk about us behinddietro a our backsschienali.
176
483025
4249
Credo che le nostre auto possano
parlare di noi alle nostre spalle.
08:19
(LaughterRisate)
177
487274
2975
(Risate)
08:22
And I think it's going to be a great thing.
178
490249
3185
E credo che sarebbe una gran cosa.
08:25
I want you to considerprendere in considerazione for a momentmomento
179
493434
1650
Pensate un attimo
08:27
if you really don't want the distracteddistratto teenageradolescente behinddietro a you
180
495084
4118
se davvero non vorreste che
l'adolescente distratto dietro di voi
08:31
to know that you're brakingfrenatura,
181
499202
2120
sappia che state frenando,
08:33
that you're comingvenuta to a deadmorto stop.
182
501322
2924
che vi state fermando.
08:36
By sharingcompartecipazione our datadati willinglyvolentieri,
183
504246
2741
Se siamo disponibili a
scambiarci informazioni,
08:38
we can do what's bestmigliore for everyonetutti.
184
506987
2812
facciamo del bene a tutti.
08:41
So let your carauto gossippettegolezzo about you.
185
509799
3076
Permettiamo alle nostre
auto di "spettegolare" su di noi.
08:44
It's going to make the roadsstrade a lot saferpiù sicuro.
186
512875
3038
Le strade saranno molto più sicure.
08:47
Thank you.
187
515913
1791
Grazie.
08:49
(ApplauseApplausi)
188
517704
4985
(Applausi)
Translated by Monica Gambelli
Reviewed by Alessandra Tadiotto

▲Back to top

ABOUT THE SPEAKER
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.

Why you should listen

Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.

Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.

Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.

More profile about the speaker
Jennifer Healey | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee