WEBVTT

00:00:00.556 --> 00:00:04.573
Az érzelmeink életünk
minden aspektusát befolyásolják,

00:00:04.573 --> 00:00:08.149
az egészségtől kezdve a tanulásig,
az üzleteléstől a döntéshozatalig,

00:00:08.149 --> 00:00:09.922
nagyokat és kicsiket egyaránt.

00:00:10.672 --> 00:00:14.162
Az érzelmeink befolyásolják azt is,
hogyan kötődünk másokhoz.

00:00:15.132 --> 00:00:19.108
Ilyen világra lettünk teremtve,

00:00:19.108 --> 00:00:23.427
de ehelyett egyre inkább
egy másmilyen, --

00:00:23.427 --> 00:00:26.561
ezt az üzenetet a lányomtól
kaptam múlt éjszaka -

00:00:26.561 --> 00:00:29.301
érzelemmentes világban kezdünk élni.

00:00:29.301 --> 00:00:31.252
Az a küldetésem, hogy ezen változtassak.

00:00:31.252 --> 00:00:35.343
Vissza akarom hozni az érzelmeket
digitális élményeinkbe.

NOTE Paragraph

00:00:36.223 --> 00:00:39.300
Tizenöt éve indultam el ezen az úton.

00:00:39.300 --> 00:00:41.366
Számítógép-szakértő voltam Egyiptomban,

00:00:41.366 --> 00:00:45.871
és épp akkor vettek fel a Cambridge
Egyetem doktori programjára.

00:00:45.871 --> 00:00:47.984
Tehát valami egészen szokatlant csináltam

00:00:47.984 --> 00:00:52.209
fiatal, frissen házasodott
muszlim egyiptomi feleségként:

00:00:53.599 --> 00:00:56.598
Férjem támogatásával, akinek
Egyiptomban kellett maradnia,

00:00:56.598 --> 00:00:59.616
összecsomagoltam és Angliába költöztem.

00:00:59.616 --> 00:01:02.844
Cambridge-ben, több ezer mérföldre
az otthonomtól,

00:01:02.844 --> 00:01:06.257
rájöttem, hogy több órát töltök
a laptopommal,

00:01:06.257 --> 00:01:08.486
mint bármelyik embertársammal.

00:01:08.486 --> 00:01:13.339
De az intimitás ellenére a laptopomnak
fogalma sem volt az érzéseimről.

00:01:13.339 --> 00:01:16.550
Nem tudta, ha vidám voltam,

00:01:16.550 --> 00:01:19.538
ha rossz napom volt, ha stresszes
vagy zavart voltam,

00:01:19.538 --> 00:01:22.460
és ez frusztrált.

00:01:23.600 --> 00:01:28.831
Még rosszabb: ahogyan online beszélgettem
az otthon maradt családommal,

00:01:29.421 --> 00:01:32.703
úgy éreztem, hogy minden érzelmem
elvész a kibertérben.

00:01:32.703 --> 00:01:37.858
Honvágyam volt, magányos voltam,
és néhanapján igazából is sírtam,

00:01:37.858 --> 00:01:42.786
de ennyi volt mindaz, amivel kifejezhettem
ezeket az érzéseket.

00:01:42.786 --> 00:01:44.806
(Nevetés)

00:01:44.806 --> 00:01:49.780
A mai technológiának magas az IQ-ja,
viszont az EQ-ja nem;

00:01:49.780 --> 00:01:52.956
rengeteg kognitív intelligencia,
de semmi érzelmi intelligencia.

00:01:52.956 --> 00:01:55.153
Ez elgondolkodtatott:

00:01:55.153 --> 00:01:58.777
mi lenne, ha a technológia 
érzékelné érzelmeinket?

00:01:58.777 --> 00:02:02.853
Mi lenne, ha eszközeink érzékelnék, mit
érzünk, és annak megfelelően reagálnának,

00:02:02.853 --> 00:02:05.866
ahogyan azt egy érzelmileg
intelligens barátunk tenné?

00:02:06.666 --> 00:02:10.230
Ezek a kérdések vezettek
engem és a csapatomat

00:02:10.230 --> 00:02:14.607
olyan technológiák megalkotására, amelyek
olvassák az érzéseinket, és válaszolnak.

00:02:14.607 --> 00:02:17.697
Kiindulópontunk az emberi arc volt.

NOTE Paragraph

00:02:18.577 --> 00:02:21.750
Emberi arcunk történetesen
az egyik legerősebb csatorna,

00:02:21.750 --> 00:02:25.766
amelynek révén közösségi és érzelmi
állapotainkat közöljük,

00:02:25.766 --> 00:02:28.776
mindent, beleértve az élvezetet,
meglepetést,

00:02:28.776 --> 00:02:32.979
empátiát és kíváncsiságot is.

00:02:32.979 --> 00:02:37.907
Az érzelmek tudományában minden 
arcizom-mozgást egy egységnek nevezünk.

00:02:37.907 --> 00:02:40.832
A 12-es mozgásegység például

00:02:40.832 --> 00:02:42.870
nem egy hollywoodi kasszasiker,

00:02:42.870 --> 00:02:46.312
ez valójában a száj sarkának felhúzása,
ami egy mosoly fő alkotóeleme.

00:02:46.312 --> 00:02:49.300
Mindenki kipróbálhatja.
Lássunk néhány mosolyt.

00:02:49.300 --> 00:02:51.954
Egy másik példa a 4-es egység.
Ez a szemöldök ráncolása.

00:02:51.954 --> 00:02:54.192
Ilyenkor összevonjuk a szemöldökünket,

00:02:54.192 --> 00:02:56.459
és létrehozzuk ezeket a
formákat meg ráncokat.

00:02:56.459 --> 00:03:00.754
Nem szeretjük, de erős 
negatív érzést jelez.

00:03:00.754 --> 00:03:02.960
Van kb. 45 ilyen mozgásegységünk,

00:03:02.960 --> 00:03:06.350
ezek kombinálva több száz
érzelmet fejeznek ki.

NOTE Paragraph

00:03:06.350 --> 00:03:10.251
Nehéz megtanítani egy számítógépnek,
hogy ezeket az érzelmeket olvassa,

00:03:10.251 --> 00:03:13.223
mert lehetnek ezek gyorsak, rejtettek,

00:03:13.223 --> 00:03:15.777
és különböző módon keverednek.

00:03:15.777 --> 00:03:19.515
Vegyük például a mosolyt és a grimaszt.

00:03:19.515 --> 00:03:23.268
Valamennyire hasonlónak tűnnek,
ám nagyon különbözik a jelentésük.

00:03:23.268 --> 00:03:24.986
(Nevetés)

00:03:24.986 --> 00:03:27.990
A mosoly pozitív,

00:03:27.990 --> 00:03:29.260
a grimasz gyakran negatív.

00:03:29.260 --> 00:03:33.136
Néha egy grimasz híressé tehet.

00:03:33.136 --> 00:03:35.960
De komolyan, fontos, hogy egy 
számítógép képes legyen

00:03:35.960 --> 00:03:38.815
megkülönböztetni egymástól a két érzelmet.

NOTE Paragraph

00:03:38.815 --> 00:03:40.627
Mindezt hogyan csináljuk?

00:03:40.627 --> 00:03:42.414
Adunk az algortimusainknak

00:03:42.414 --> 00:03:46.524
több tízezer példát emberekről,
akikről tudjuk, hogy mosolyognak,

00:03:46.524 --> 00:03:49.589
ezek különböző etnikumúak, korúak, neműek,

00:03:49.589 --> 00:03:52.400
és ugyanígy teszünk a grimasszal is.

00:03:52.400 --> 00:03:53.954
Aztán deep learninget használva

00:03:53.954 --> 00:03:56.810
az algoritmus megkeresi ezeket a
a struktúrákat és ráncokat,

00:03:56.810 --> 00:03:59.390
az arcunk változásait,

00:03:59.390 --> 00:04:02.592
lényegében megtanulja, hogy minden
mosolynak van közös jellemzője,

00:04:02.592 --> 00:04:05.773
és minden grimasznak élesen
különböző jellemzői vannak.

00:04:05.773 --> 00:04:08.141
A következő alkalommal,
mikor meglát egy új arcot,

00:04:08.141 --> 00:04:10.440
lényegében rájön, hogy

00:04:10.440 --> 00:04:13.473
ennek az arcnak ugyanolyan
jellemzői vannak, mint a mosolynak,

00:04:13.473 --> 00:04:17.751
és azt mondja: "Jé, felismerem ezt.
Ez egy mosoly kifejezése."

NOTE Paragraph

00:04:18.381 --> 00:04:21.181
A technológia működésének
bizonyítására a legjobb mód

00:04:21.181 --> 00:04:23.317
egy élő demo kipróbálása,

00:04:23.317 --> 00:04:27.230
tehát szükségem van egy önkéntesre,
lehetőleg valakire, akinek van arca.

00:04:27.230 --> 00:04:29.564
(Nevetés)

00:04:29.564 --> 00:04:32.335
Cloe lesz a mai önkéntesünk,

NOTE Paragraph

00:04:33.325 --> 00:04:37.783
Az elmúlt öt év során egy MIT-s
kutatási projektből vállalattá

00:04:37.783 --> 00:04:38.939
nőttük ki magunkat,

00:04:38.939 --> 00:04:42.131
és a csapatom igen sokat dolgozott azon,
hogy ez a technológia

00:04:42.131 --> 00:04:44.540
működjön, ahogy mondani szokás,
a vadonban is.

00:04:44.540 --> 00:04:47.210
Úgy összezsugorítottuk, hogy
a fő érzelem-motor

00:04:47.210 --> 00:04:50.530
bármelyik kamerás mobil eszközön
működik, mint ezen az iPad-en is.

00:04:50.530 --> 00:04:53.316
Tehát próbáljuk ki!

NOTE Paragraph

00:04:54.756 --> 00:04:58.680
Ahogy láthatják, az algoritmus 
megtalálta Cloe arcát,

00:04:58.680 --> 00:05:00.372
ez az a fehér határolókeret,

00:05:00.372 --> 00:05:02.943
és követi a fő jellemző pontokat az arcán,

00:05:02.943 --> 00:05:05.799
vagyis a szemöldökét, a szemét,
a száját és az orrát.

00:05:05.799 --> 00:05:08.786
Az a kérdés,
hogy fel tudja-e ismerni, mit fejez ki?

00:05:08.786 --> 00:05:10.457
Most leteszteljük a gépet.

00:05:10.457 --> 00:05:14.643
Legelőször mutasd a pókerarcod.
Igen, nagyszerű. (Nevetés)

00:05:14.643 --> 00:05:17.456
Aztán ahogy mosolyog,
ez egy valódi mosoly, nagyszerű.

00:05:17.456 --> 00:05:19.756
A zöld sáv láthatóan növekszik,
mikor mosolyog.

00:05:19.756 --> 00:05:20.978
Ez egy nagy mosoly volt.

00:05:20.978 --> 00:05:24.021
Megpróbálsz egy enyhébb mosolyt,
hogy lássuk, felismeri-e a gép?

00:05:24.021 --> 00:05:26.352
Felismeri az enyhébb mosolyt is.

00:05:26.352 --> 00:05:28.477
Nagyon sokat dolgoztunk,
hogy ez sikerüljön.

00:05:28.477 --> 00:05:31.439
Aztán felemelt szemöldök,
a meglepetés jelzője.

00:05:31.439 --> 00:05:35.688
Szemöldökráncolás,
a zavartság jelzője.

00:05:35.688 --> 00:05:39.695
Homlokráncolás. Tökéletes.

00:05:39.695 --> 00:05:43.188
Ezek mind különböző mozgásegységek.
Sokkal több van belőlük.

00:05:43.188 --> 00:05:45.220
Ez csak egy karcsúsított demo.

00:05:45.220 --> 00:05:48.368
Minden leolvasást
érzelmi adatpontnak nevezünk,

00:05:48.368 --> 00:05:51.337
majd ezek ötvözése ábrázolja
a különböző érzelmeket.

00:05:51.337 --> 00:05:55.990
A demo jobb oldalán -- tégy úgy, 
mintha boldog lennél.

00:05:55.990 --> 00:05:57.444
Ez az öröm. Kigyúl az öröm.

00:05:57.444 --> 00:05:59.371
Most vágj utálkozó arcot.

00:05:59.371 --> 00:06:03.643
Gondolj arra, milyen volt, amikor Zayn
kilépett a One Direction-ből.

00:06:03.643 --> 00:06:05.153
(Nevetés)

00:06:05.153 --> 00:06:09.495
Úgy, ráncold az orrod. Klassz.

00:06:09.495 --> 00:06:13.226
A kötődés eléggé negatív,
biztos nagy rajongója voltál.

00:06:13.226 --> 00:06:15.926
A kötődés a tapasztalat
pozitív vagy negatív jellege,

00:06:15.926 --> 00:06:18.712
az elkötelezettség pedig
azt jelzi, mennyire kifejező.

00:06:18.712 --> 00:06:22.126
Képzeljék el, ha Cloe hozzáférne
egy valós idejű érzelem-csatornához,

00:06:22.126 --> 00:06:24.935
és megoszthatná azt mindenkivel,
akivel csak akarná.

00:06:24.935 --> 00:06:27.858
Köszönöm.

00:06:27.858 --> 00:06:32.479
(Taps)

NOTE Paragraph

00:06:33.749 --> 00:06:39.019
Az eddigiekben 12 milliárd ilyen
érzelmi adatpontot gyűjtöttünk.

00:06:39.019 --> 00:06:41.630
Ez a legnagyobb érzelem-adatbázis
a világon.

00:06:41.630 --> 00:06:44.593
2,9 millió arcot ábrázoló
videóról gyűjtöttük ezeket,

00:06:44.593 --> 00:06:47.193
olyanoktól, akik beleegyeztek
érzelmeik megosztásába,

00:06:47.193 --> 00:06:50.398
világszerte, 75 országban.

00:06:50.398 --> 00:06:52.113
Naponta növekszik.

00:06:52.603 --> 00:06:54.670
Lélegzetelállító, hogy tudunk

00:06:54.670 --> 00:06:57.865
számszerűsíteni egy ennyire
személyes dolgot, mint az érzelmeink,

00:06:57.865 --> 00:07:00.100
és ilyen nagyságrendben tudjuk.

NOTE Paragraph

00:07:00.100 --> 00:07:02.277
Mit tanultunk tehát eddig?

00:07:03.057 --> 00:07:05.388
A nemek.

00:07:05.388 --> 00:07:09.034
Adataink igazolják,
amit valószínűleg sejtenek.

00:07:09.034 --> 00:07:10.891
A nők kifejezőbbek, mint a férfiak.

00:07:10.891 --> 00:07:13.574
Nemcsak többet mosolyognak,
de a mosolyuk tovább tart,

00:07:13.574 --> 00:07:16.478
és most tényleg számszerűsíteni tudjuk,
mi az, amire

00:07:16.478 --> 00:07:18.614
a nők és a férfiak eltérően válaszolnak.

00:07:18.614 --> 00:07:20.904
Nézzük a kultúrát: az Egyesült Államokban

00:07:20.904 --> 00:07:24.108
a nők 40%-kal kifejezőbbek, 
mint a férfiak,

00:07:24.108 --> 00:07:27.753
de érdekes módon az Egyesült Királyságban
nem látunk közöttük különbséget.

00:07:27.753 --> 00:07:30.259
(Nevetés)

00:07:31.296 --> 00:07:35.323
Életkor: az 50 év felettiek

00:07:35.323 --> 00:07:38.759
25%-kal érzelmesebbek a fiataloknál.

00:07:39.899 --> 00:07:43.751
A huszonéves nők sokkal többet
mosolyognak, mint az azonos korú férfiak,

00:07:43.751 --> 00:07:47.590
lehet, hogy ez szükséges a randizáshoz.

00:07:47.590 --> 00:07:50.207
De az adatokban talán az
lepett meg a legjobban,

00:07:50.207 --> 00:07:53.410
hogy úgy tűnik, mindig kifejezőek vagyunk,

00:07:53.410 --> 00:07:56.243
még akkor is, amikor egyedül ülünk
a készülékeink előtt,

00:07:56.243 --> 00:07:59.517
és nemcsak amikor cicás videókat
nézünk a Facebookon.

00:08:00.217 --> 00:08:03.227
Kifejezőek vagyunk e-mail és SMS írásakor,
online vásárláskor,

00:08:03.227 --> 00:08:05.527
még az adóbevallás kitöltésekor is.

NOTE Paragraph

00:08:05.527 --> 00:08:07.919
Hol használják ma ezeket az adatokat?

00:08:07.919 --> 00:08:10.422
Annak megértésére, 
mennyire köt le a média,

00:08:10.422 --> 00:08:13.156
hogy mi és miért terjed a neten, 
hogy hogyan választunk,

00:08:13.156 --> 00:08:16.256
és arra, hogyan építsük be
a gesztus értelmezését a technológiába.

00:08:16.256 --> 00:08:20.527
Bemutatok néhány, a szívemhez 
különösen közel álló példát.

00:08:21.197 --> 00:08:24.265
A gesztus-értelmező szemüvegek segítenek

00:08:24.265 --> 00:08:27.493
a gyengénlátó embereknek
leolvasni mások arcát,

00:08:27.493 --> 00:08:31.680
és segítenek az autista embereknek
az érzelmek értelmezésében,

00:08:31.680 --> 00:08:34.458
ők ezzel nagyon küszködnek.

00:08:35.918 --> 00:08:38.777
Oktatás: képzeljék el,
hogy az online tanulásban az app

00:08:38.777 --> 00:08:41.587
érzékeli, ha összezavarodtunk, 
és lelassít;

00:08:41.587 --> 00:08:43.444
ha unatkozunk, akkor felgyorsít,

00:08:43.444 --> 00:08:46.413
ahogyan egy jó tanár tenné
az osztályteremben.

00:08:47.043 --> 00:08:49.644
Mi lenne, ha a karóránk figyelné
kedélyünket,

00:08:49.644 --> 00:08:52.337
az autónk észlelné, ha fáradtak vagyunk,

00:08:52.337 --> 00:08:54.885
vagy akár: a hűtőnk tudná,
hogy feszültek vagyunk,

00:08:54.885 --> 00:09:00.951
és lezárná magát, hogy megakadályozza,
hogy túlzabáljuk magunkat. (Nevetés)

00:09:00.951 --> 00:09:03.668
Igen, ezt szeretném.

00:09:03.668 --> 00:09:05.595
Mi lett volna, ha a cambridge-i időkben

00:09:05.595 --> 00:09:07.908
hozzáfértem volna az érzelem-csatornámhoz,

00:09:07.908 --> 00:09:11.437
és természetes módon meg tudtam volna
azt osztani otthonmaradt családommal,

00:09:11.437 --> 00:09:15.408
mintha mindannyian együtt 
lennénk, ugyanabban a szobában?

NOTE Paragraph

00:09:15.408 --> 00:09:18.550
Azt gondolom, öt év múlva

00:09:18.550 --> 00:09:20.887
minden eszközünkben lesz érzelem-csip,

00:09:20.887 --> 00:09:24.951
és már nem fogunk emlékezni arra, 
amikor hiába néztünk homlokráncolva,

00:09:24.951 --> 00:09:29.200
készülékünk nem mondta: 
"Ez ugye nem tetszett?"

00:09:29.200 --> 00:09:32.961
A nagy kihívás az, hogy a technológiának
olyan sok alkalmazási területe van,

00:09:32.961 --> 00:09:35.864
hogy a csapatommal rájöttünk:
nem tudjuk mindet mi megépíteni,

00:09:35.864 --> 00:09:39.360
ezért közzétettük a technológiát,
hogy más fejlesztők is

00:09:39.360 --> 00:09:41.474
tudjanak építeni rá és alkotni.

00:09:41.474 --> 00:09:45.560
Elismerjük, hogy vannak
potenciális kockázatok,

00:09:45.560 --> 00:09:47.627
és vissza lehet élni ezzel,

00:09:47.627 --> 00:09:50.576
de személy szerint, miután
oly sok éve dolgozom rajta,

00:09:50.576 --> 00:09:53.548
hiszem, hogy az érzelmileg
intelligens technológia léte

00:09:53.548 --> 00:09:55.823
olyan nagy haszon az emberiségnek,

00:09:55.823 --> 00:09:59.399
hogy az jócskán ellensúlyozza
a visszaélés lehetőségét.

00:09:59.399 --> 00:10:01.930
Meghívom Önöket is,
vegyenek részt a beszélgetésben.

00:10:01.930 --> 00:10:04.484
Minél többen tudnak a technológiáról,

00:10:04.484 --> 00:10:07.661
annál többen mondhatnak 
véleményt használatáról.

00:10:09.081 --> 00:10:13.655
Ahogy tehát egyre inkább digitálissá
válik életünk,

00:10:13.655 --> 00:10:17.153
vesztésre állunk a csatában,
amelyben korlátozni próbáljuk eszközeink

00:10:17.153 --> 00:10:19.382
használatát, hogy 
visszakérjük érzelmeinket.

00:10:20.622 --> 00:10:24.536
Ehelyett próbálok érzelmeket
vinni technológiánkba,

00:10:24.536 --> 00:10:26.765
és fogékonyabbá tenni azt.

00:10:26.765 --> 00:10:29.435
Azt akarom, hogy az eszközök,
amelyek elválasztottak,

00:10:29.435 --> 00:10:31.897
újra összekössenek minket.

00:10:31.897 --> 00:10:36.485
A technológia emberiessé tételével
kitűnő lehetőségünk nyílik arra,

00:10:36.485 --> 00:10:39.782
hogy újragondoljuk,
hogyan viszonyulunk a gépekhez,

00:10:39.782 --> 00:10:44.263
és ennek folytán mi, emberi lények,

00:10:44.263 --> 00:10:46.167
hogyan viszonyulunk egymáshoz.

NOTE Paragraph

00:10:46.167 --> 00:10:48.327
Köszönöm.

NOTE Paragraph

00:10:48.327 --> 00:10:51.640
(Taps)