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: Gdyby samochody potrafiły rozmawiać, moglibyśmy unikać wypadków

Filmed:
908,454 views

Podczas prowadzenia samochodu znajdujemy się w szklanej bańce. Zamykamy za sobą drzwi i naciskamy pedał gazu polegając na własnym wzroku, pomimo faktu, że jesteśmy w stanie dostrzec jedynie kilka innych aut przed i za nami. A co by się stało, jeśli samochody mogłyby wymieniać między sobą dane dotyczące położenia i prędkości, oraz korzystać z modelowania predyktywnego w celu oszacowania najbezpieczniejszej trasy dla każdego uczestnika ruchu drogowego? Jennifer Healey przedstawia swoją wizję świata bez wypadków. (Filmowane podczas 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 facetwarz it:
0
703
1914
Nie oszukujmy się:
00:14
DrivingJazdy is dangerousniebezpieczny.
1
2617
2445
Samochody są niebezpieczne.
00:17
It's one of the things that we don't like to think about,
2
5062
3098
Choć nie chcemy tego brać do wiadomości,
00:20
but the factfakt that religiousreligijny iconsikony and good luckszczęście charmsCharms
3
8160
3652
fakt, że deski rozdzielcze na całym świecie upstrzone są
00:23
showpokazać up on dashboardsPulpity nawigacyjne around the worldświat
4
11812
4790
talizmanami i symbolami religijnymi,
00:28
betrayszdradza the factfakt that we know this to be trueprawdziwe.
5
16602
4137
ujawnia, że znamy prawdę.
00:32
CarSamochód accidentsWypadki are the leadingprowadzący causeprzyczyna of deathśmierć
6
20739
3594
W USA wypadki samochodowe stanowią główną
00:36
in people ageswieczność 16 to 19 in the UnitedStany Zjednoczone StatesPaństwa --
7
24333
4170
przyczynę śmierci osób w wieku od 16 do 19 lat -
00:40
leadingprowadzący causeprzyczyna of deathśmierć --
8
28503
2843
główną przyczynę śmierci -
00:43
and 75 percentprocent of these accidentsWypadki have nothing to do
9
31346
3863
75% tych wypadków nie ma nic wspólnego
00:47
with drugsleki or alcoholalkohol.
10
35209
2285
z narkotykami czy alkoholem.
00:49
So what happensdzieje się?
11
37494
2261
Więc o co chodzi?
00:51
No one can say for sure, but I rememberZapamiętaj my first accidentwypadek.
12
39755
4219
Nikt tego nie wie na pewno,
ale pamiętam mój pierwszy wypadek.
00:55
I was a youngmłody driverkierowca out on the highwayAutostrada,
13
43974
3803
Byłam jeszcze młodym kierowcą.
Jechałam autostradą
00:59
and the carsamochód in frontz przodu of me, I saw the brakehamulec lightsświatła go on.
14
47777
2258
gdy gość przede mną włączył światła stopu.
01:02
I'm like, "Okay, all right, this guy is slowingspowolnienie down,
15
50035
1800
Uznałam, "Ok, zwalnia,
01:03
I'll slowpowolny down too."
16
51835
1282
ja też zwolnię."
01:05
I stepkrok on the brakehamulec.
17
53117
1926
Nacisnęłam hamulec.
01:07
But no, this guy isn't slowingspowolnienie down.
18
55043
2254
Ale on wcale nie zwalniał.
01:09
This guy is stoppingzatrzymanie, deadnie żyje stop, deadnie żyje stop on the highwayAutostrada.
19
57297
3178
On zatrzymywał się na środku drogi.
01:12
It was just going 65 -- to zerozero?
20
60475
2540
Ot tak, z setki do zera?
01:15
I slammedtrzasnął on the brakeshamulce.
21
63015
1520
Wcisnęłam hamulec do oporu.
01:16
I feltczułem the ABSABS kickkopnięcie in, and the carsamochód is still going,
22
64535
3059
Poczułam działający ABS i samochód ciągle w ruchu,
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
jakby miał się nie zatrzymać - wiedziałam, że się nie zatrzyma,
01:22
and the airpowietrze bagtorba deployswdraża, the carsamochód is totaledsuma,
24
70290
2939
wystrzeliła poduszka powietrzna, samochód skasowany,
01:25
and fortunatelyna szczęście, no one was hurtból.
25
73229
3557
na szczęście nikomu nic się nie stało.
01:28
But I had no ideapomysł that carsamochód was stoppingzatrzymanie,
26
76786
4211
Ale nie mogłam wiedzieć, że tamten samochód się zatrzymywał.
01:32
and I think we can do a lot better than that.
27
80997
3645
Wydaje mi się, że stać nas na coś lepszego.
01:36
I think we can transformprzekształcać the drivingnapędowy experiencedoświadczenie
28
84642
4145
Możemy przemienić czynność prowadzenia pojazdów,
01:40
by lettingpuszczanie our carssamochody talk to eachkażdy other.
29
88787
3879
jeśli pozwolimy im rozmawiać ze sobą nawzajem.
01:44
I just want you to think a little bitkawałek
30
92666
1424
Zastanówcie się
01:46
about what the experiencedoświadczenie of drivingnapędowy is like now.
31
94090
2888
czym jest teraz prowadzenie auta.
01:48
Get into your carsamochód. CloseZamknij the doordrzwi. You're in a glassszkło bubblebańka.
32
96978
4028
Wsiadasz. Zamykasz drzwi. Znajdujesz się w szklanej bańce.
01:53
You can't really directlybezpośrednio sensesens the worldświat around you.
33
101006
2916
Odcinasz swoje zmysły od świata.
01:55
You're in this extendedrozszerzony bodyciało.
34
103922
2181
Auto staje się przedłużeniem ciała.
01:58
You're taskedza zadanie with navigatingNawigacja it down
35
106103
2163
Twoim zadaniem jest prowadzenie go przez
02:00
partially-seenczęściowo widoczne roadwaysjezdni,
36
108266
2056
częściowo widoczne jezdnie
02:02
in and amongstwśród other metalmetal giantsgigantów, at super-humansuper-człowieka speedsprędkości.
37
110322
4424
pośród innych metalowych olbrzymów o ponadludzkiej prędkości.
02:06
Okay? And all you have to guideprzewodnik you are your two eyesoczy.
38
114746
4480
Dysponując jedynie swoimi oczami.
02:11
Okay, so that's all you have,
39
119226
1762
Nie masz nic innego,
02:12
eyesoczy that weren'tnie były really designedzaprojektowany for this taskzadanie,
40
120988
1735
tylko parę niedoskonałych oczu,
02:14
but then people askzapytać you to do things like,
41
122723
3751
ale trzeba radzić sobie z różnymi zadaniami,
02:18
you want to make a laneLane changezmiana,
42
126474
1549
na przykład ze zmianą pasa ruchu.
02:20
what's the first thing they askzapytać you do?
43
128023
2321
Od czego musisz wtedy zacząć?
02:22
Take your eyesoczy off the roadDroga. That's right.
44
130344
3095
Przestać patrzeć na drogę. Tak jest.
02:25
Stop looking where you're going, turnskręcać,
45
133439
2096
Odwrócić się,
02:27
checkczek your blindślepy spotmiejsce,
46
135535
2018
sprawdzić obszar niewidzenia
02:29
and drivenapęd down the roadDroga withoutbez looking where you're going.
47
137553
3471
i jechać bez patrzenia w swoją stronę.
02:33
You and everyonekażdy elsejeszcze. This is the safebezpieczny way to drivenapęd.
48
141024
3135
Tak robią wszyscy.
To jest bezpieczna jazda.
02:36
Why do we do this? Because we have to,
49
144159
2241
Dlaczego tak robimy?
02:38
we have to make a choicewybór, do I look here or do I look here?
50
146400
2579
Bo musimy podjąć decyzję:
patrzeć tam, czy tam?
02:40
What's more importantważny?
51
148979
1521
Co jest ważniejsze?
02:42
And usuallyzazwyczaj we do a fantasticfantastyczny jobpraca
52
150500
2711
Przeważnie wzorowo oceniamy
02:45
pickingowocobranie and choosingwybór what we attenduczestniczyć w to on the roadDroga.
53
153211
3769
co najbardziej wymaga naszej uwagi.
02:48
But occasionallysporadycznie we misstęsknić something.
54
156980
3650
Ale zdarza się nam coś przeoczyć.
02:52
OccasionallyOd czasu do czasu we sensesens something wrongźle or too latepóźno.
55
160630
4461
Czasem wyczuwamy coś źle lub zbyt późno.
02:57
In countlessniezliczony accidentsWypadki, the driverkierowca saysmówi,
56
165091
1988
Kierowcy po wypadkach często twierdzą:
02:59
"I didn't see it comingprzyjście."
57
167079
2308
"Nie zauważyłem, że nadjeżdża".
03:01
And I believe that. I believe that.
58
169387
3281
A ja w to wierzę.
03:04
We can only watch so much.
59
172668
2925
Nasz wzrok nie wyłapie wszystkiego.
03:07
But the technologytechnologia existsistnieje now that can help us improveulepszać that.
60
175593
5144
Ale mamy teraz technologię,
która może pomóc nam to poprawić.
03:12
In the futureprzyszłość, with carssamochody exchangingWymiana datadane with eachkażdy other,
61
180737
4296
W przyszłości, mając samochody
wymieniające dane między sobą,
03:17
we will be ablezdolny to see not just threetrzy carssamochody aheadprzed siebie
62
185033
3928
będziemy w stanie zobaczyć
nie tylko trzy samochody z przodu,
03:20
and threetrzy carssamochody behindza, to the right and left,
63
188961
1594
ale także trzy z tyłu, po lewej i po prawej.
03:22
all at the samepodobnie time, bird'sptaka eyeoko viewwidok,
64
190555
3166
Wszystko w tym samym czasie, z lotu ptaka.
03:25
we will actuallytak właściwie be ablezdolny to see into those carssamochody.
65
193721
3128
Będziemy w stanie zajrzeć do wnętrz tych pojazdów.
03:28
We will be ablezdolny to see the velocityprędkość of the carsamochód in frontz przodu of us,
66
196849
2371
Będziemy w stanie zobaczyć
prędkość samochodu przed nami,
03:31
to see how fastszybki that guy'sfaceta going or stoppingzatrzymanie.
67
199220
3240
ocenić, jak szybko się porusza,
czy też zatrzymuje.
03:34
If that guy'sfaceta going down to zerozero, I'll know.
68
202460
4510
Jeśli postanowi zwolnić aż do zera, będę o tym wiedzieć.
03:38
And with computationobliczenie and algorithmsalgorytmy and predictivepredykcyjne modelsmodele,
69
206970
3859
Korzystając z wyliczeń, algorytmów i
modelów predyktywnych,
03:42
we will be ablezdolny to see the futureprzyszłość.
70
210829
3273
będziemy w stanie zajrzeć w przyszłość.
03:46
You maymoże think that's impossibleniemożliwy.
71
214102
1556
Myślicie: "to niemożliwe".
03:47
How can you predictprzepowiadać, wywróżyć the futureprzyszłość? That's really hardciężko.
72
215658
2731
Jak można przewidzieć przyszłość? To naprawdę trudne.
03:50
ActuallyFaktycznie, no. With carssamochody, it's not impossibleniemożliwy.
73
218389
3619
A jednak nie. W temacie samochodów
nie jest to niemożliwe.
03:54
CarsSamochody are three-dimensionaltrójwymiarowy objectsobiekty
74
222008
2732
Są one obiektami trójwymiarowymi,
03:56
that have a fixednaprawiony positionpozycja and velocityprędkość.
75
224740
2332
o konkretnej pozycji i prędkości.
03:59
They travelpodróżować down roadsdrogi.
76
227072
1631
Podróżują wzdłuż jezdni.
04:00
OftenCzęsto they travelpodróżować on pre-publishedwcześniej opublikowane routestrasy.
77
228703
2412
Zwykle po zaplanowanych trasach.
04:03
It's really not that hardciężko to make reasonablerozsądny predictionsprognozy
78
231115
3938
Nie jest tak trudno sensownie przewidzieć,
04:07
about where a car'ssamochody going to be in the nearBlisko futureprzyszłość.
79
235053
2864
w którą stronę pojedzie dany samochód.
04:09
Even if, when you're in your carsamochód
80
237917
2002
Nawet jeśli prowadzisz auto
04:11
and some motorcyclistmotocyklista comespochodzi -- bshoombshoom! --
81
239919
1994
i nadjeżdża motocykl -
04:13
85 milesmile an hourgodzina down, lane-splittingdzielenie pasa --
82
241913
2296
130 km/h, pomiędzy pasami ruchu -
04:16
I know you've had this experiencedoświadczenie --
83
244209
2547
wiem, że to znacie -
04:18
that guy didn't "just come out of nowherenigdzie."
84
246756
2603
ten gość wcale nie "pojawił się znikąd".
04:21
That guy'sfaceta been on the roadDroga probablyprawdopodobnie for the last halfpół hourgodzina.
85
249359
3643
Był on prawdopodobnie w trasie
przez ostatnie pół godziny.
04:25
(LaughterŚmiech)
86
253002
1190
(Śmiech)
04:26
Right? I mean, somebody'sczyjś seenwidziany him.
87
254192
3589
Prawda? Ktoś go widział,
04:29
TenDziesięć, 20, 30 milesmile back, someone'sktoś seenwidziany that guy,
88
257781
2768
15, 30, czy 50 kilometrów wcześniej,
04:32
and as soonwkrótce as one carsamochód seeswidzi that guy
89
260549
2384
jeśli choć jedno auto go zobaczy
04:34
and putsstawia him on the mapmapa, he's on the mapmapa --
90
262933
2231
i umieści na mapie, widzą go wszyscy -
04:37
positionpozycja, velocityprędkość,
91
265164
2176
pozycja i prędkość,
04:39
good estimateoszacowanie he'llpiekło continueKontyntynuj going 85 milesmile an hourgodzina.
92
267340
2321
która raczej się nie zmieni.
04:41
You'llBędziesz know, because your carsamochód will know, because
93
269661
2184
Twoje auto przekaże ci,
04:43
that other carsamochód will have whisperedszepnął something in his earucho,
94
271845
2275
co inny samochód
wyszepce mu do ucha.
04:46
like, "By the way, fivepięć minutesminuty,
95
274120
1923
"A propos, za pięć minut,
04:48
motorcyclistmotocyklista, watch out."
96
276043
2775
motocyklista, uważaj."
04:50
You can make reasonablerozsądny predictionsprognozy about how carssamochody behavezachować się.
97
278818
2703
Zachowanie samochodów
jest przewidywalne.
04:53
I mean, they're NewtonianNewtona objectsobiekty.
98
281521
1365
To ciała newtonowskie
04:54
That's very nicemiły about them.
99
282886
2909
i to jest w nich fajne.
04:57
So how do we get there?
100
285795
3034
Jak można coś takiego osiągnąć?
05:00
We can startpoczątek with something as simpleprosty
101
288829
2266
Możemy zacząć od czegoś tak prostego,
05:03
as sharingdzielenie się our positionpozycja datadane betweenpomiędzy carssamochody,
102
291095
2870
jak udostępnienie
danych nawigacyjnych
05:05
just sharingdzielenie się GPSGPS.
103
293965
1892
z GPSu.
05:07
If I have a GPSGPS and a cameraaparat fotograficzny in my carsamochód,
104
295857
2444
Dzięki GPSowi i kamerce w moim aucie
05:10
I have a prettyładny preciseprecyzyjny ideapomysł of where I am
105
298301
2231
mam dobre rozeznanie, gdzie jestem
05:12
and how fastszybki I'm going.
106
300532
1732
i jak szybko się poruszam.
05:14
With computerkomputer visionwizja, I can estimateoszacowanie where
107
302264
1657
Poprzez widzenie komputerowe
05:15
the carssamochody around me are, sortsortować of, and where they're going.
108
303921
3537
mogę ocenić, gdzie są auta
dookoła mnie i dokąd zmierzają.
05:19
And samepodobnie with the other carssamochody.
109
307458
970
Podobnie inne auta
05:20
They can have a preciseprecyzyjny ideapomysł of where they are,
110
308428
1814
mogą mieć orientację, gdzie są
05:22
and sortsortować of a vagueniejasny ideapomysł of where the other carssamochody are.
111
310242
2146
i szacunkowo określić gdzie są inni.
05:24
What happensdzieje się if two carssamochody sharedzielić that datadane,
112
312388
3231
Co się stanie, jeśli dwa samochody wymienią się
tymi informacjami,
05:27
if they talk to eachkażdy other?
113
315619
1955
jeśli ze sobą porozmawiają?
05:29
I can tell you exactlydokładnie what happensdzieje się.
114
317574
2778
Powiem wam, co się stanie.
05:32
BothZarówno modelsmodele improveulepszać.
115
320352
2339
Obydwa modele zyskują.
05:34
EverybodyKażdy winswygrywa.
116
322691
2055
Każdy wygrywa.
05:36
ProfessorProfesor BobBob WangWang and his teamzespół
117
324746
2577
Profesor Bob Wang i jego zespół
05:39
have doneGotowe computerkomputer simulationssymulacje of what happensdzieje się
118
327323
2738
stworzyli symulacje komputerowe,
mające na celu ocenić efekty
05:42
when fuzzyzamazany estimatesszacunki combinepołączyć, even in lightlekki trafficruch drogowy,
119
330061
3431
łączenia niedokładnych
danych z GPSu,
05:45
when carssamochody just sharedzielić GPSGPS datadane,
120
333492
2624
nawet podczas niedużego ruchu.
05:48
and we'vemamy movedprzeniósł this researchBadania out of the computerkomputer simulationsymulacja
121
336116
2513
Następnie badania przenieśliśmy
05:50
and into robotrobot testtest bedsłóżka that have the actualrzeczywisty sensorsczujniki
122
338629
3027
w obszar testów na robotach z czujnikami
05:53
that are in carssamochody now on these robotsroboty:
123
341656
3133
powszechnie montowanymi w autach -
05:56
stereostereofoniczny cameraskamery, GPSGPS,
124
344789
1838
kamery stereo, GPS,
05:58
and the two-dimensionaldwuwymiarowy laserlaser rangezasięg findersdystansu
125
346627
1874
dwuwymiarowe laserowe dalekomierze
06:00
that are commonpospolity in backuputworzyć kopię zapasową systemssystemy.
126
348501
2240
występujące często w systemach rezerwowych.
06:02
We alsorównież attachdołączać a discreteoddzielny short-rangebliskiego zasięgu communicationkomunikacja radioradio,
127
350741
4484
Dołączamy także radio komunikacyjne krótkiego zasięgu.
06:07
and the robotsroboty talk to eachkażdy other.
128
355225
1909
Roboty rozmawiają ze sobą.
06:09
When these robotsroboty come at eachkażdy other,
129
357134
1539
Gdy roboty na siebie nacierają,
06:10
they tracktor eachkażdy other'sinne positionpozycja preciselydokładnie,
130
358673
2971
precyzyjnie śledzą siebie nawzajem,
06:13
and they can avoiduniknąć eachkażdy other.
131
361644
2737
mogą uniknąć zderzenia.
06:16
We're now addingdodawanie more and more robotsroboty into the mixmieszać,
132
364381
3226
Dołączamy do eksperymentu coraz więcej robotów
06:19
and we encounterednapotkał some problemsproblemy.
133
367607
1471
i napotkaliśmy pewne problemy.
06:21
One of the problemsproblemy, when you get too much chattergadać,
134
369078
2359
Jeden z nich - kiedy odbierasz zbyt dużo gwaru,
06:23
it's hardciężko to processproces all the packetspakiety, so you have to prioritizepriorytet,
135
371437
3728
ciężko przetworzyć wszystkie pakiety danych,
trzeba wybrać te najważniejsze.
06:27
and that's where the predictivepredykcyjne modelModel helpspomaga you.
136
375165
2357
W tym właśnie mogą pomóc predyktywne modele.
06:29
If your robotrobot carssamochody are all trackingśledzenie the predictedprzewidywane trajectoriestrajektorie,
137
377522
4372
Jeśli roboty śledzą przewidziane toki wydarzeń,
06:33
you don't payzapłacić as much attentionUwaga to those packetspakiety.
138
381894
1767
nie musisz aż tak dbać o te pakiety.
06:35
You prioritizepriorytet the one guy
139
383661
1703
Przedkładasz ponad innych tego gościa,
06:37
who seemswydaje się to be going a little off coursekurs.
140
385364
1333
który wydaje się jechać w złym kierunku.
06:38
That guy could be a problemproblem.
141
386697
2526
Tego, który mógłby stworzyć problem.
06:41
And you can predictprzepowiadać, wywróżyć the newNowy trajectorytrajektoria.
142
389223
3002
Możesz przewidzieć nowy tok zdarzeń.
06:44
So you don't only know that he's going off coursekurs, you know how.
143
392225
2763
Wiesz, w którą stronę zboczył
06:46
And you know whichktóry driversSterowniki you need to alertalarm to get out of the way.
144
394988
3725
i wiesz, których kierowców najlepiej ostrzec,
żeby usunęli się z drogi.
06:50
And we wanted to do -- how can we bestNajlepiej alertalarm everyonekażdy?
145
398713
2633
Jak możemy najlepiej ostrzegać innych?
06:53
How can these carssamochody whisperszept, "You need to get out of the way?"
146
401346
3183
Jak te samochody mogą
wyszeptać "musisz się usunąć"?
06:56
Well, it dependszależy on two things:
147
404529
1517
To zależy od dwóch spraw:
06:58
one, the abilityzdolność of the carsamochód,
148
406046
2169
po pierwsze - od zdolności pojazdu,
07:00
and seconddruga the abilityzdolność of the driverkierowca.
149
408215
3217
po drugie - od zdolności kierowcy.
07:03
If one guy has a really great carsamochód,
150
411432
1505
Gdy ktoś ma naprawdę świetny samochód,
07:04
but they're on theirich phonetelefon or, you know, doing something,
151
412937
2925
a podczas jazdy rozmawia przez telefon
albo coś w tym stylu,
07:07
they're not probablyprawdopodobnie in the bestNajlepiej positionpozycja
152
415862
1930
prawdopodobnie nie jest w stanie
07:09
to reactreagować in an emergencynagły wypadek.
153
417792
2970
zareagować w razie niebezpieczeństwa.
07:12
So we startedRozpoczęty a separateoddzielny linelinia of researchBadania
154
420762
1665
Rozpoczęliśmy więc odrębną serię badań
07:14
doing driverkierowca statestan modelingmodelowanie.
155
422427
2551
skupionych na stanie kierowcy.
07:16
And now, usingza pomocą a seriesseria of threetrzy cameraskamery,
156
424978
2329
Korzystając z kompletu trzech kamer
07:19
we can detectwykryć if a driverkierowca is looking forwardNaprzód,
157
427307
2270
możemy wykryć, czy kierowca patrzy w przód,
07:21
looking away, looking down, on the phonetelefon,
158
429577
2860
czy odwraca wzrok, patrzy w dół, na telefon,
07:24
or havingmający a cupPuchar of coffeeKawa.
159
432437
3061
czy pije kawę.
07:27
We can predictprzepowiadać, wywróżyć the accidentwypadek
160
435498
2070
Możemy przewidzieć wypadek,
07:29
and we can predictprzepowiadać, wywróżyć who, whichktóry carssamochody,
161
437568
3651
oraz przewidzieć, które dokładnie pojazdy
07:33
are in the bestNajlepiej positionpozycja to moveruszaj się out of the way
162
441219
3486
mogłyby usunąć się z drogi,
07:36
to calculateobliczać the safestnajbezpieczniejsze routetrasa for everyonekażdy.
163
444705
3009
aby obliczyć najbezpieczniejszą trasę dla każdego.
07:39
FundamentallyZasadniczo, these technologiestechnologie exististnieć todaydzisiaj.
164
447714
4635
Zasadniczo, te technologie istnieją.
07:44
I think the biggestnajwiększy problemproblem that we facetwarz
165
452349
2824
Moim zdaniem największym problemem byłaby
07:47
is our ownwłasny willingnessgotowość to sharedzielić our datadane.
166
455173
3013
nasza gotowość do dzielenia się danymi.
07:50
I think it's a very disconcertingniepokojące notionpojęcie,
167
458186
2631
Swiadomość, że nasze auta
07:52
this ideapomysł that our carssamochody will be watchingoglądanie us,
168
460817
2386
miałyby nas obserwować i obgadywać
07:55
talkingmówić about us to other carssamochody,
169
463203
3371
mogłaby być niepokojąca.
07:58
that we'lldobrze be going down the roadDroga in a seamorze of gossipplotka.
170
466574
3427
Poruszalibyśmy się po drodze w morzu plotek.
08:02
But I believe it can be doneGotowe in a way that protectschroni our privacyPrywatność,
171
470001
3897
Wierzę, że da się to zrobić
z równoczesnym zachowaniem prywatności,
08:05
just like right now, when I look at your carsamochód from the outsidena zewnątrz,
172
473898
3741
tak jak teraz, gdy widzę twój samochód od zewnątrz,
08:09
I don't really know about you.
173
477639
2363
nie wiem o tobie nic.
08:12
If I look at your licenselicencja platetalerz numbernumer,
174
480002
1137
Z numeru rejestracyjnego też
się nie dowiem, kim jesteś.
08:13
I don't really know who you are.
175
481139
1886
Z numeru rejestracyjnego też
się nie dowiem, kim jesteś.
08:15
I believe our carssamochody can talk about us behindza our backsplecy.
176
483025
4249
Wierzę, że nasze samochody
mogą o nas rozmawiać za naszymi plecami.
08:19
(LaughterŚmiech)
177
487274
2975
(Śmiech)
08:22
And I think it's going to be a great thing.
178
490249
3185
I to byłaby świetna sprawa.
08:25
I want you to considerrozważać for a momentza chwilę
179
493434
1650
Pomyślcie, czy naprawdę
08:27
if you really don't want the distractedroztargniony teenagernastolatek behindza you
180
495084
4118
nie chcecie, żeby ten
rozkojarzony nastolatek z tyłu
08:31
to know that you're brakinghamowania,
181
499202
2120
wiedział, że hamujecie,
08:33
that you're comingprzyjście to a deadnie żyje stop.
182
501322
2924
że się zatrzymujecie.
08:36
By sharingdzielenie się our datadane willinglychętnie,
183
504246
2741
Poprzez dzielenie się danymi,
08:38
we can do what's bestNajlepiej for everyonekażdy.
184
506987
2812
możemy działać w interesie nas wszystkich.
08:41
So let your carsamochód gossipplotka about you.
185
509799
3076
Pozwól samochodowi plotkować na twój temat.
08:44
It's going to make the roadsdrogi a lot saferbezpieczniejsze.
186
512875
3038
To zapewni większe bezpieczeństwo na drodze.
08:47
Thank you.
187
515913
1791
Dziękuję.
08:49
(ApplauseAplauz)
188
517704
4985
(Aplauz)
Translated by Beata Kwiatkowska
Reviewed by Ariel Książek

▲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