TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
Rana el Kaliouby: Deze app ziet hoe je je voelt -- aan de uitdrukking op je gezicht
Filmed:
Readability: 4.3
1,613,290 views
Onze emoties beïnvloeden alle aspecten van ons leven -- hoe we leren, hoe we communiceren, hoe we beslissingen nemen. Toch ontbreken ze in ons digitale leven; de apparaten en apps die we gebruiken kunnen niet weten hoe we ons voelen. Wetenschapper Rana el Kaliouby wil daar verandering in brengen. Ze geeft een demonstratie van een indrukwekkende nieuwe technologie die je gelaatsuitdrukkingen leest en ze koppelt aan de overeenkomende emoties. Deze "emotiemachine" heeft belangrijke implicaties en kan niet alleen veranderen hoe we omgaan met machines -- maar ook hoe we omgaan met elkaar.
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
Onze emoties beïnvloeden
alle aspecten van ons leven,
alle aspecten van ons leven,
van onze gezondheid en hoe we leren,
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
tot hoe we zakendoen
en beslissingen nemen,
en beslissingen nemen,
00:20
big ones and small.
2
8149
1773
grote en kleine.
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
Onze emoties hebben ook invloed
op hoe we met elkaar omgaan.
op hoe we met elkaar omgaan.
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
We zijn geëvolueerd om te leven
in een wereld die er zo uitziet,
in een wereld die er zo uitziet,
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
maar in plaats daarvan leven we
ons leven steeds vaker zo
ons leven steeds vaker zo
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
-- dit is het berichtje
dat mijn dochter gisteravond stuurde --
dat mijn dochter gisteravond stuurde --
00:38
in a world that's devoid of emotion.
7
26561
2740
in een wereld zonder emotie.
00:41
So I'm on a mission to change that.
8
29301
1951
Mijn missie is om dat te veranderen.
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
Ik wil emoties terugbrengen
in onze digitale ervaringen.
in onze digitale ervaringen.
00:48
I started on this path 15 years ago.
10
36223
3077
15 jaar geleden ben ik hiermee begonnen.
Ik was computerwetenschapper in Egypte,
00:51
I was a computer scientist in Egypt,
11
39300
2066
00:53
and I had just gotten accepted to
a Ph.D. program at Cambridge University.
a Ph.D. program at Cambridge University.
12
41366
4505
en ik was net toegelaten
tot een PhD-programma in Cambridge.
tot een PhD-programma in Cambridge.
00:57
So I did something quite unusual
13
45871
2113
Ik deed iets behoorlijk ongewoons
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
voor een jonge, pasgetrouwde
Egyptische moslima.
Egyptische moslima.
(Gelach)
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
Met de steun van mijn man,
die in Egypte moest blijven,
die in Egypte moest blijven,
pakte ik mijn koffers
en verhuisde ik naar Engeland.
en verhuisde ik naar Engeland.
01:08
I packed my bags and I moved to England.
16
56598
3018
Daar in Cambridge,
duizenden kilometers van huis,
duizenden kilometers van huis,
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
besefte ik dat ik meer uren
met mijn laptop doorbracht
met mijn laptop doorbracht
dan met andere mensen.
01:18
than I did with any other human.
19
66257
2229
01:20
Yet despite this intimacy, my laptop
had absolutely no idea how I was feeling.
had absolutely no idea how I was feeling.
20
68486
4853
Ondanks deze vertrouwdheid
had mijn laptop geen flauw idee
hoe ik me voelde.
hoe ik me voelde.
01:25
It had no idea if I was happy,
21
73339
3211
Hij wist totaal niet of ik blij was,
01:28
having a bad day, or stressed, confused,
22
76550
2988
een slechte dag had,
gestrest of verward was,
gestrest of verward was,
01:31
and so that got frustrating.
23
79538
2922
en dat werd frustrerend.
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
Erger nog, bij het online communiceren
met mijn familie thuis
met mijn familie thuis
had ik het gevoel dat al mijn emoties
verdwenen in de cyberspace.
verdwenen in de cyberspace.
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
Ik had heimwee, ik was eenzaam,
op sommige dagen zat ik echt te huilen,
op sommige dagen zat ik echt te huilen,
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
maar het enige wat ik had
om deze emoties over te brengen
om deze emoties over te brengen
was dit.
01:54
(Laughter)
28
102786
2020
(Gelach)
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
De technologie van vandaag
heeft veel IQ, maar geen EQ:
heeft veel IQ, maar geen EQ:
veel cognitieve intelligentie,
maar geen emotionele intelligentie.
maar geen emotionele intelligentie.
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
02:04
So that got me thinking,
31
112956
2197
Dat zette me aan het denken.
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
Wat als onze technologie
onze emoties kon waarnemen?
onze emoties kon waarnemen?
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
Wat als onze apparaten konden aanvoelen
hoe we ons voelden en daarop reageerden,
hoe we ons voelden en daarop reageerden,
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
zoals emotioneel intelligente vrienden
dat ook zouden doen?
dat ook zouden doen?
02:18
Those questions led me and my team
35
126666
3564
Die vragen zetten mij en mijn team
ertoe aan technologieën te maken
ertoe aan technologieën te maken
02:22
to create technologies that can read
and respond to our emotions,
and respond to our emotions,
36
130230
4377
die onze emoties kunnen lezen
en erop reageren
en erop reageren
en ons uitgangspunt
was het menselijk gezicht.
was het menselijk gezicht.
02:26
and our starting point was the human face.
37
134607
3090
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
Het menselijk gezicht
is een van de sterkste kanalen
is een van de sterkste kanalen
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
waarmee we onze sociale
en emotionele toestand overbrengen.
en emotionele toestand overbrengen.
02:37
everything from enjoyment, surprise,
40
145766
3010
Alles van vreugde
tot verrassing,
02:40
empathy and curiosity.
41
148776
4203
empathie
en nieuwsgierigheid.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
In de emotiewetenschap noemen we
elke beweging van de gelaatsspieren
elke beweging van de gelaatsspieren
een actie-eenheid.
02:49
So for example, action unit 12,
43
157907
2925
Actie-eenheid 12 bijvoorbeeld,
dat is geen blockbuster uit Hollywood,
02:52
it's not a Hollywood blockbuster,
44
160832
2038
maar het optrekken van de mondhoeken,
het hoofdonderdeel van een glimlach.
het hoofdonderdeel van een glimlach.
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
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
Laten we dat allemaal even proberen.
Een ander voorbeeld is actie-eenheid 4,
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
de wenkbrauwfrons:
03:03
It's when you draw your eyebrows together
48
171954
2238
als je je wenkbrauwen
tegen elkaar duwt
tegen elkaar duwt
en allemaal rimpels maakt.
03:06
and you create all
these textures and wrinkles.
these textures and wrinkles.
49
174192
2267
We vinden ze niet leuk,
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
maar ze zijn een goed signaal
voor een negatieve emotie.
voor een negatieve emotie.
We hebben ongeveer 45
van die actie-eenheden
van die actie-eenheden
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
en samen drukken ze honderden emoties uit.
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
Het is moeilijk om een computer te leren
om deze gelaatsuitdrukkingen te lezen,
om deze gelaatsuitdrukkingen te lezen,
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
want deze actie-eenheden
kunnen snel zijn, ze zijn subtiel,
kunnen snel zijn, ze zijn subtiel,
03:25
and they combine in many different ways.
55
193223
2554
en ze komen voor in allerlei combinaties.
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
Neem bijvoorbeeld een glimlach
en een minachtende blik.
en een minachtende blik.
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
Ze lijken een beetje op elkaar,
maar ze betekenen iets heel anders.
maar ze betekenen iets heel anders.
03:35
(Laughter)
58
203268
1718
(Gelach)
03:36
So the smile is positive,
59
204986
3004
De een is positief,
de ander vaak negatief.
03:39
a smirk is often negative.
60
207990
1270
Soms kun je er beroemd door worden.
03:41
Sometimes a smirk
can make you become famous.
can make you become famous.
61
209260
3876
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
Maar het is belangrijk
dat een computer het verschil kan zien
dat een computer het verschil kan zien
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
tussen de twee gelaatsexpressies.
Hoe doen we dat?
03:50
So how do we do that?
64
218815
1812
We geven onze algoritmen
03:52
We give our algorithms
65
220627
1787
tienduizenden voorbeelden van mensen
waarvan we weten dat ze glimlachen,
waarvan we weten dat ze glimlachen,
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
03:58
from different ethnicities, ages, genders,
67
226524
3065
van verschillende etniciteiten,
leeftijden, geslachten,
leeftijden, geslachten,
04:01
and we do the same for smirks.
68
229589
2811
en dan doen we hetzelfde
voor de andere uitdrukking.
voor de andere uitdrukking.
Door middel van deep learning
zoekt het algoritme
zoekt het algoritme
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
naar alle structuren en rimpels
04:08
and shape changes on our face,
71
236810
2580
en vormveranderingen in ons gezicht.
Zo leert het dat alle glimlachen
gemeenschappelijke eigenschappen hebben
gemeenschappelijke eigenschappen hebben
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
die subtiel verschillen
van minachtende uitdrukkingen.
van minachtende uitdrukkingen.
04:17
And the next time it sees a new face,
74
245773
2368
De volgende keer
dat het een nieuw gezicht ziet
dat het een nieuw gezicht ziet
04:20
it essentially learns that
75
248141
2299
leert het dat dit gezicht ook
de eigenschappen van een glimlach heeft
de eigenschappen van een glimlach heeft
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
en zegt het: "Aha, dit herken ik.
Deze uitdrukking is een glimlach."
Deze uitdrukking is een glimlach."
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
De beste manier om te laten zien
hoe deze technologie werkt
hoe deze technologie werkt
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
is een live-demonstratie,
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
dus ik heb een vrijwilliger nodig,
liefst iemand met een gezicht.
liefst iemand met een gezicht.
04:39
(Laughter)
81
267230
2334
(Gelach)
04:41
Cloe's going to be our volunteer today.
82
269564
2771
Cloe is vandaag onze vrijwilliger.
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
In de afgelopen vijf jaar
zijn we van een onderzoeksproject bij MIT
overgegaan in een bedrijf,
overgegaan in een bedrijf,
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
waar mijn team keihard heeft gewerkt
om deze technologie te laten werken,
om deze technologie te laten werken,
04:54
as we like to say, in the wild.
86
282131
2409
zoals wij dat zeggen, in het wild.
We hebben hem ook kleiner gemaakt
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
zodat de emotiemachine werkt
op elk mobiel apparaat met een camera,
op elk mobiel apparaat met een camera,
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
zoals deze iPad.
05:02
So let's give this a try.
89
290530
2786
Laten we het eens proberen.
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
Zoals je ziet heeft het algoritme
Cloe's gezicht gevonden,
Cloe's gezicht gevonden,
05:10
so it's this white bounding box,
91
298680
1692
dat is die witte rechthoek,
en het volgt de belangrijkste
punten van haar gezicht,
punten van haar gezicht,
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
dus de wenkbrauwen, ogen,
mond en neus.
mond en neus.
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
De vraag is: kan het
haar uitdrukking herkennen?
haar uitdrukking herkennen?
We gaan de machine testen.
05:20
So we're going to test the machine.
95
308786
1671
Laat eerst eens je pokerface zien.
Ja, goed zo. (Gelach)
Ja, goed zo. (Gelach)
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
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
En terwijl ze glimlacht,
dit is een oprechte glimlach,
dit is een oprechte glimlach,
05:29
So you can see the green bar
go up as she smiles.
go up as she smiles.
98
317456
2300
zie je de groene balken omhooggaan.
Dat was een brede glimlach.
05:31
Now that was a big smile.
99
319756
1222
Kun je proberen of de computer
ook een subtiele glimlach herkent?
ook een subtiele glimlach herkent?
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
De subtiele glimlach herkent hij ook.
05:36
It does recognize subtle smiles as well.
101
324021
2331
Daar hebben we hard aan gewerkt.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
En dan je wenkbrauwen omhoog,
een teken van verrassing.
een teken van verrassing.
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
Wenkbrauwen fronsen,
een teken van verwarring.
een teken van verwarring.
05:47
Frown. Yes, perfect.
105
335688
4007
Boos kijken. Ja, perfect.
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
Dit zijn verschillende actie-eenheden.
Er zijn er nog veel meer.
Dit is maar een beperkte demo.
05:55
This is just a slimmed-down demo.
107
343188
2032
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
We noemen elke meting
een emotiegegevenspunt,
een emotiegegevenspunt,
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
en in combinatie kunnen ze
verschillende emoties weergeven.
verschillende emoties weergeven.
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
Aan de rechterkant van de demo --
trek eens een vrolijk gezicht.
trek eens een vrolijk gezicht.
Dat is vreugde. Vreugde gaat aan.
06:07
So that's joy. Joy fires up.
111
355990
1454
06:09
And then give me a disgust face.
112
357444
1927
Laat nu eens afkeer zien.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
Denk aan hoe je je voelde
toen Zayn wegging bij One Direction.
toen Zayn wegging bij One Direction.
(Gelach)
06:15
(Laughter)
114
363643
1510
Ja, maak rimpels bij je neus. Goed zo.
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
De valentie is behoorlijk negatief,
dus je was vast een groot fan.
dus je was vast een groot fan.
Valentie is hoe positief
of negatief een ervaring is,
of negatief een ervaring is,
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
en betrokkenheid is hoe expressief ze is.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
Stel je voor dat Cloe toegang had
tot deze rechtstreekse emotiestream
tot deze rechtstreekse emotiestream
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
en ze die kon delen
met we ze maar wilde.
met we ze maar wilde.
06:36
Thank you.
121
384935
2923
Dankjewel.
(Applaus)
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
Tot nu toe hebben we 12 miljard
van deze emotiegegevens vergaard.
van deze emotiegegevens vergaard.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
Het is de grootste
emotiedatabase ter wereld.
emotiedatabase ter wereld.
We hebben hem verzameld
uit 2,9 miljoen filmpjes van gezichten,
uit 2,9 miljoen filmpjes van gezichten,
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
mensen die hun emoties
met ons hebben willen delen,
met ons hebben willen delen,
06:59
and from 75 countries around the world.
127
407193
3205
uit 75 landen over de hele wereld.
07:02
It's growing every day.
128
410398
1715
Hij groeit elke dag.
07:04
It blows my mind away
129
412603
2067
Ik sta ervan versteld
dat we iets persoonlijks als emoties
nu kunnen kwantificeren
nu kunnen kwantificeren
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
07:09
and we can do it at this scale.
131
417865
2235
en dat we het op deze schaal kunnen doen.
07:12
So what have we learned to date?
132
420100
2177
Wat hebben we tot nu toe geleerd?
07:15
Gender.
133
423057
2331
Geslacht:
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
onze data bevestigen iets
dat je misschien al vermoedde.
dat je misschien al vermoedde.
07:21
Women are more expressive than men.
135
429034
1857
Vrouwen zijn expressiever dan mannen.
07:22
Not only do they smile more,
their smiles last longer,
their smiles last longer,
136
430891
2683
Ze glimlachen niet alleen meer,
maar ook langduriger,
maar ook langduriger,
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
en we kunnen nu echt vaststellen
wat het precies is
wat het precies is
waarop mannen en vrouwen anders reageren.
07:28
respond to differently.
138
436478
2136
07:30
Let's do culture: So in the United States,
139
438614
2290
Nu cultuur:
in de Verenigde Staten
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
zijn vrouwen 40 procent
expressiever dan mannen,
expressiever dan mannen,
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
maar vreemd genoeg zien we in het VK
geen verschil tussen mannen en vrouwen.
geen verschil tussen mannen en vrouwen.
07:39
(Laughter)
142
447753
2506
(Gelach)
07:43
Age: People who are 50 years and older
143
451296
4027
Leeftijd:
mensen van 50 jaar en ouder
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
tonen 25 procent meer emotie
dan jongere mensen.
dan jongere mensen.
Vrouwen in de twintig glimlachen veel meer
dan mannen van dezelfde leeftijd,
dan mannen van dezelfde leeftijd,
07:51
Women in their 20s smile a lot more
than men the same age,
than men the same age,
145
459899
3852
misschien moet dat wel tijdens dates.
07:55
perhaps a necessity for dating.
146
463751
3839
Maar wat ons misschien
het meest heeft verrast
het meest heeft verrast
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
is dat we altijd expressief zijn,
zelfs als we alleen
achter een apparaat zitten,
achter een apparaat zitten,
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
en niet alleen als we kattenfilmpjes
kijken op Facebook.
kijken op Facebook.
08:12
We are expressive when we're emailing,
texting, shopping online,
texting, shopping online,
151
480217
3010
We zijn expressief als we emailen,
sms'en, online winkelen
sms'en, online winkelen
08:15
or even doing our taxes.
152
483227
2300
en zelfs als we
onze belastingaangifte doen.
onze belastingaangifte doen.
08:17
Where is this data used today?
153
485527
2392
Waar worden deze data momenteel gebruikt?
08:19
In understanding how we engage with media,
154
487919
2763
Bij het begrijpen van
hoe we met media omgaan,
hoe we met media omgaan,
het begrijpen van viraliteit
en stemgedrag,
en stemgedrag,
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
en ook voor technologie
die emoties toegankelijker maakt.
die emoties toegankelijker maakt.
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
Ik wil een paar voorbeelden delen
die me bijzonder nauw aan het hart liggen.
die me bijzonder nauw aan het hart liggen.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
Brillen met emotietechnologie
kunnen mensen met
een visuele handicap helpen
een visuele handicap helpen
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
om de gezichten van anderen te lezen,
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
en mensen binnen het autismespectrum
helpen om emoties te interpreteren,
helpen om emoties te interpreteren,
iets waar ze echt moeite mee hebben.
08:43
something that they really struggle with.
161
511680
2778
In het onderwijs:
08:47
In education, imagine
if your learning apps
if your learning apps
162
515918
2859
stel je voor dat je studeer-apps
aanvoelen wat je niet begrijpt
en het tempo verlagen,
en het tempo verlagen,
08:50
sense that you're confused and slow down,
163
518777
2810
of dat je je verveelt,
en dus sneller gaan,
en dus sneller gaan,
08:53
or that you're bored, so it's sped up,
164
521587
1857
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
net als een goede leraar op school.
Wat als je horloge je stemming bijhield
08:59
What if your wristwatch tracked your mood,
166
527043
2601
09:01
or your car sensed that you're tired,
167
529644
2693
of je auto kon merken dat je moe was,
09:04
or perhaps your fridge
knows that you're stressed,
knows that you're stressed,
168
532337
2548
of je koelkast het wist
als je gestrest was,
als je gestrest was,
09:06
so it auto-locks to prevent you
from binge eating. (Laughter)
from binge eating. (Laughter)
169
534885
6066
en automatisch op slot ging
zodat je niet te veel kon eten. (Gelach)
zodat je niet te veel kon eten. (Gelach)
Dat zou ik wel willen, ja.
09:12
I would like that, yeah.
170
540951
2717
09:15
What if, when I was in Cambridge,
171
543668
1927
Wat als ik in Cambridge
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
toegang had gehad tot mijn emotiestream
en die had kunnen delen
met mijn familie thuis
met mijn familie thuis
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
op een heel natuurlijke manier,
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
alsof we samen in één kamer zaten?
09:27
I think five years down the line,
175
555408
3142
Ik denk dat over vijf jaar
al onze apparaten
een emotie-chip zullen hebben
een emotie-chip zullen hebben
09:30
all our devices are going
to have an emotion chip,
to have an emotion chip,
176
558550
2337
09:32
and we won't remember what it was like
when we couldn't just frown at our device
when we couldn't just frown at our device
177
560887
4064
en we niet meer weten hoe het was
om naar je apparaat te fronsen
om naar je apparaat te fronsen
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
zonder dat het terugzei:
"Hmm, dat vond je blijkbaar niet leuk."
"Hmm, dat vond je blijkbaar niet leuk."
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
De grootste uitdaging van deze technologie
is dat er zoveel toepassingen zijn,
is dat er zoveel toepassingen zijn,
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
dat mijn team en ik ze niet allemaal
zelf kunnen bouwen.
zelf kunnen bouwen.
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
Daarom hebben we de technologie
beschikbaar gemaakt
beschikbaar gemaakt
zodat andere ontwikkelaars
er creatief mee aan de slag kunnen.
er creatief mee aan de slag kunnen.
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
We zien in dat er potentiële risico's zijn
en de mogelijkheid dat er misbruik
van wordt gemaakt,
van wordt gemaakt,
09:57
and potential for abuse,
184
585560
2067
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
maar nu ik hier vele jaren
mee bezig ben geweest
mee bezig ben geweest
geloof ik persoonlijk
dat de voordelen voor de mensheid
dat de voordelen voor de mensheid
10:02
I believe that the benefits to humanity
186
590576
2972
van emotioneel intelligente technologie
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
veel zwaarder wegen
dan het mogelijke misbruik.
dan het mogelijke misbruik.
10:07
far outweigh the potential for misuse.
188
595823
3576
Ik nodig jullie allemaal uit
deel te nemen aan het gesprek.
deel te nemen aan het gesprek.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
Hoe meer mensen
van deze technologie afweten,
van deze technologie afweten,
hoe meer we allemaal inspraak hebben
in hoe het wordt gebruikt.
in hoe het wordt gebruikt.
10:16
the more we can all have a voice
in how it's being used.
in how it's being used.
191
604484
3177
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
Nu ons leven steeds digitaler wordt,
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
voeren we een hopeloze strijd
als we ons gebruik van apparaten
proberen te beperken
proberen te beperken
10:29
in order to reclaim our emotions.
194
617153
2229
om zo onze emoties terug te winnen.
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
In plaats daarvan probeer ik
emoties in onze technologie op te nemen
emoties in onze technologie op te nemen
10:36
and make our technologies more responsive.
196
624536
2229
en onze technologieën
beter te laten reageren.
beter te laten reageren.
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
Ik wil dat de apparaten
die ons hebben gescheiden
die ons hebben gescheiden
10:41
to bring us back together.
198
629435
2462
ons weer bij elkaar brengen.
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
Door technologie te vermenselijken
hebben we een gouden kans
hebben we een gouden kans
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
om opnieuw te bedenken
hoe we met onze machines omgaan
hoe we met onze machines omgaan
10:51
and therefore, how we, as human beings,
201
639782
4481
en daarmee ook hoe wij, als mensen,
omgaan met elkaar.
10:56
connect with one another.
202
644263
1904
Dankjewel.
10:58
Thank you.
203
646167
2160
(Applaus)
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