1
00:00:00,786 --> 00:00:04,533
Onze emoties beïnvloeden
alle aspecten van ons leven,

2
00:00:04,533 --> 00:00:06,249
van onze gezondheid en hoe we leren,

3
00:00:06,249 --> 00:00:08,262
tot hoe we zakendoen
en beslissingen nemen,

4
00:00:08,262 --> 00:00:09,942
grote en kleine.

5
00:00:10,692 --> 00:00:14,252
Onze emoties hebben ook invloed
op hoe we met elkaar omgaan.

6
00:00:15,202 --> 00:00:19,218
We zijn geëvolueerd om te leven
in een wereld die er zo uitziet,

7
00:00:19,218 --> 00:00:23,427
maar in plaats daarvan leven we
ons leven steeds vaker zo

8
00:00:23,427 --> 00:00:27,031
-- dit is het berichtje 
dat mijn dochter gisteravond stuurde --

9
00:00:27,031 --> 00:00:29,491
in een wereld zonder emotie.

10
00:00:29,491 --> 00:00:31,252
Mijn missie is om dat te veranderen.

11
00:00:31,252 --> 00:00:35,243
Ik wil emoties terugbrengen
in onze digitale ervaringen.

12
00:00:36,533 --> 00:00:38,980
15 jaar geleden ben ik hiermee begonnen.

13
00:00:38,980 --> 00:00:41,686
Ik was computerwetenschapper in Egypte,

14
00:00:41,686 --> 00:00:46,051
en ik was net toegelaten 
tot een PhD-programma in Cambridge.

15
00:00:46,051 --> 00:00:48,154
Ik deed iets behoorlijk ongewoons

16
00:00:48,154 --> 00:00:52,049
voor een jonge, pasgetrouwde
Egyptische moslima.

17
00:00:52,049 --> 00:00:53,699
(Gelach)

18
00:00:53,699 --> 00:00:56,568
Met de steun van mijn man,
die in Egypte moest blijven,

19
00:00:56,568 --> 00:00:59,576
pakte ik mijn koffers
en verhuisde ik naar Engeland.

20
00:00:59,576 --> 00:01:02,904
Daar in Cambridge, 
duizenden kilometers van huis,

21
00:01:02,904 --> 00:01:06,117
besefte ik dat ik meer uren 
met mijn laptop doorbracht

22
00:01:06,117 --> 00:01:08,576
dan met andere mensen.

23
00:01:08,576 --> 00:01:10,009
Ondanks deze vertrouwdheid


24
00:01:10,009 --> 00:01:13,469
had mijn laptop geen flauw idee 
hoe ik me voelde.

25
00:01:13,469 --> 00:01:16,550
Hij wist totaal niet of ik blij was,

26
00:01:16,550 --> 00:01:19,958
een slechte dag had,
gestrest of verward was,

27
00:01:19,958 --> 00:01:22,460
en dat werd frustrerend.

28
00:01:23,680 --> 00:01:28,801
Erger nog, bij het online communiceren
met mijn familie thuis

29
00:01:28,801 --> 00:01:32,813
had ik het gevoel dat al mijn emoties
verdwenen in de cyberspace.

30
00:01:32,813 --> 00:01:37,908
Ik had heimwee, ik was eenzaam,
op sommige dagen zat ik echt te huilen,

31
00:01:37,908 --> 00:01:41,836
maar het enige wat ik had
om deze emoties over te brengen

32
00:01:41,836 --> 00:01:42,946
was dit.

33
00:01:42,946 --> 00:01:45,036
(Gelach)

34
00:01:45,036 --> 00:01:49,120
De technologie van vandaag
heeft veel IQ, maar geen EQ:

35
00:01:49,120 --> 00:01:53,286
veel cognitieve intelligentie,
maar geen emotionele intelligentie.

36
00:01:53,286 --> 00:01:55,153
Dat zette me aan het denken.

37
00:01:55,153 --> 00:01:58,967
Wat als onze technologie
onze emoties kon waarnemen?

38
00:01:58,967 --> 00:02:03,003
Wat als onze apparaten konden aanvoelen
hoe we ons voelden en daarop reageerden,

39
00:02:03,003 --> 00:02:05,866
zoals emotioneel intelligente vrienden 
dat ook zouden doen?

40
00:02:06,776 --> 00:02:11,700
Die vragen zetten mij en mijn team 
ertoe aan technologieën te maken

41
00:02:11,700 --> 00:02:14,587
die onze emoties kunnen lezen
en erop reageren

42
00:02:14,587 --> 00:02:17,697
en ons uitgangspunt 
was het menselijk gezicht.

43
00:02:18,757 --> 00:02:21,960
Het menselijk gezicht
is een van de sterkste kanalen

44
00:02:21,960 --> 00:02:25,766
waarmee we onze sociale 
en emotionele toestand overbrengen.

45
00:02:25,766 --> 00:02:27,756
Alles van vreugde

46
00:02:27,756 --> 00:02:29,396
tot verrassing,

47
00:02:29,396 --> 00:02:30,576
empathie

48
00:02:30,576 --> 00:02:33,129
en nieuwsgierigheid.

49
00:02:33,129 --> 00:02:36,647
In de emotiewetenschap noemen we 
elke beweging van de gelaatsspieren

50
00:02:36,647 --> 00:02:38,157
een actie-eenheid.

51
00:02:38,157 --> 00:02:40,472
Actie-eenheid 12 bijvoorbeeld,

52
00:02:40,472 --> 00:02:42,760
dat is geen blockbuster uit Hollywood,

53
00:02:42,760 --> 00:02:46,392
maar het optrekken van de mondhoeken,
het hoofdonderdeel van een glimlach.

54
00:02:46,392 --> 00:02:48,990
Laten we dat allemaal even proberen.

55
00:02:48,990 --> 00:02:50,940
Een ander voorbeeld is actie-eenheid 4,


56
00:02:50,940 --> 00:02:51,954
de wenkbrauwfrons:

57
00:02:51,954 --> 00:02:54,082
als je je wenkbrauwen 
tegen elkaar duwt

58
00:02:54,082 --> 00:02:55,832
en allemaal rimpels maakt.

59
00:02:55,832 --> 00:02:57,429
We vinden ze niet leuk,

60
00:02:57,429 --> 00:03:00,184
maar ze zijn een goed signaal
voor een negatieve emotie.

61
00:03:00,184 --> 00:03:03,430
We hebben ongeveer 45 
van die actie-eenheden

62
00:03:03,430 --> 00:03:06,350
en samen drukken ze honderden emoties uit.

63
00:03:06,350 --> 00:03:10,411
Het is moeilijk om een computer te leren
om deze gelaatsuitdrukkingen te lezen,

64
00:03:10,411 --> 00:03:13,423
want deze actie-eenheden 
kunnen snel zijn, ze zijn subtiel,

65
00:03:13,423 --> 00:03:15,777
en ze komen voor in allerlei combinaties.

66
00:03:15,777 --> 00:03:19,665
Neem bijvoorbeeld een glimlach
en een minachtende blik.

67
00:03:19,665 --> 00:03:23,268
Ze lijken een beetje op elkaar,
maar ze betekenen iets heel anders.

68
00:03:23,268 --> 00:03:25,176
(Gelach)

69
00:03:25,176 --> 00:03:27,200
De een is positief,

70
00:03:27,200 --> 00:03:29,010
de ander vaak negatief.

71
00:03:29,010 --> 00:03:33,236
Soms kun je er beroemd door worden.

72
00:03:33,236 --> 00:03:36,800
Maar het is belangrijk
dat een computer het verschil kan zien

73
00:03:36,800 --> 00:03:38,635
tussen de twee gelaatsexpressies.

74
00:03:38,635 --> 00:03:40,407
Hoe doen we dat?

75
00:03:40,407 --> 00:03:42,284
We geven onze algoritmen

76
00:03:42,284 --> 00:03:46,694
tienduizenden voorbeelden van mensen
waarvan we weten dat ze glimlachen,

77
00:03:46,694 --> 00:03:49,659
van verschillende etniciteiten,
leeftijden, geslachten,

78
00:03:49,659 --> 00:03:52,190
en dan doen we hetzelfde 
voor de andere uitdrukking.

79
00:03:52,190 --> 00:03:55,004
Door middel van deep learning
zoekt het algoritme

80
00:03:55,004 --> 00:03:57,160
naar alle structuren en rimpels

81
00:03:57,160 --> 00:03:59,380
en vormveranderingen in ons gezicht.

82
00:03:59,380 --> 00:04:02,992
Zo leert het dat alle glimlachen
gemeenschappelijke eigenschappen hebben

83
00:04:02,992 --> 00:04:05,873
die subtiel verschillen 
van minachtende uitdrukkingen.

84
00:04:05,873 --> 00:04:08,141
De volgende keer 
dat het een nieuw gezicht ziet

85
00:04:08,141 --> 00:04:13,120
leert het dat dit gezicht ook
de eigenschappen van een glimlach heeft

86
00:04:13,120 --> 00:04:17,301
en zegt het: "Aha, dit herken ik.
Deze uitdrukking is een glimlach."

87
00:04:18,291 --> 00:04:21,561
De beste manier om te laten zien 
hoe deze technologie werkt

88
00:04:21,561 --> 00:04:23,557
is een live-demonstratie,

89
00:04:23,557 --> 00:04:27,230
dus ik heb een vrijwilliger nodig,
liefst iemand met een gezicht.

90
00:04:27,230 --> 00:04:29,694
(Gelach)

91
00:04:29,694 --> 00:04:32,335
Cloe is vandaag onze vrijwilliger.

92
00:04:33,475 --> 00:04:35,183
In de afgelopen vijf jaar

93
00:04:35,183 --> 00:04:38,939
zijn we van een onderzoeksproject bij MIT
overgegaan in een bedrijf,

94
00:04:38,939 --> 00:04:42,371
waar mijn team keihard heeft gewerkt
om deze technologie te laten werken,

95
00:04:42,371 --> 00:04:44,250
zoals wij dat zeggen, in het wild.

96
00:04:44,250 --> 00:04:45,900
We hebben hem ook kleiner gemaakt

97
00:04:45,900 --> 00:04:49,200
zodat de emotiemachine werkt
op elk mobiel apparaat met een camera,

98
00:04:49,200 --> 00:04:50,760
zoals deze iPad.

99
00:04:50,760 --> 00:04:53,316
Laten we het eens proberen.

100
00:04:54,876 --> 00:04:58,770
Zoals je ziet heeft het algoritme
Cloe's gezicht gevonden,

101
00:04:58,770 --> 00:05:00,252
dat is die witte rechthoek,

102
00:05:00,252 --> 00:05:02,943
en het volgt de belangrijkste 
punten van haar gezicht,

103
00:05:02,943 --> 00:05:05,799
dus de wenkbrauwen, ogen,
mond en neus.

104
00:05:05,799 --> 00:05:08,646
De vraag is: kan het 
haar uitdrukking herkennen?

105
00:05:08,646 --> 00:05:10,077
We gaan de machine testen.

106
00:05:10,077 --> 00:05:14,913
Laat eerst eens je pokerface zien.
Ja, goed zo. (Gelach)

107
00:05:14,913 --> 00:05:17,816
En terwijl ze glimlacht,
dit is een oprechte glimlach,

108
00:05:17,816 --> 00:05:19,616
zie je de groene balken omhooggaan.

109
00:05:19,616 --> 00:05:20,908
Dat was een brede glimlach.

110
00:05:20,908 --> 00:05:23,951
Kun je proberen of de computer
ook een subtiele glimlach herkent?

111
00:05:23,951 --> 00:05:25,712
De subtiele glimlach herkent hij ook.

112
00:05:25,712 --> 00:05:27,717
Daar hebben we hard aan gewerkt.

113
00:05:27,717 --> 00:05:31,439
En dan je wenkbrauwen omhoog,
een teken van verrassing.

114
00:05:31,439 --> 00:05:36,038
Wenkbrauwen fronsen, 
een teken van verwarring.

115
00:05:36,038 --> 00:05:39,755
Boos kijken. Ja, perfect.

116
00:05:39,755 --> 00:05:41,565
Dit zijn verschillende actie-eenheden.

117
00:05:41,565 --> 00:05:42,758
Er zijn er nog veel meer.

118
00:05:42,758 --> 00:05:45,220
Dit is maar een beperkte demo.

119
00:05:45,220 --> 00:05:48,608
We noemen elke meting
een emotiegegevenspunt,

120
00:05:48,608 --> 00:05:51,377
en in combinatie kunnen ze
verschillende emoties weergeven.

121
00:05:51,377 --> 00:05:55,240
Aan de rechterkant van de demo --
trek eens een vrolijk gezicht.

122
00:05:55,240 --> 00:05:57,594
Dat is vreugde. Vreugde gaat aan.

123
00:05:57,594 --> 00:05:59,371
Laat nu eens afkeer zien.

124
00:05:59,371 --> 00:06:03,523
Denk aan hoe je je voelde
toen Zayn wegging bij One Direction.

125
00:06:03,523 --> 00:06:04,943
(Gelach)

126
00:06:04,943 --> 00:06:10,055
Ja, maak rimpels bij je neus. Goed zo.

127
00:06:10,055 --> 00:06:13,166
De valentie is behoorlijk negatief,
dus je was vast een groot fan.

128
00:06:13,166 --> 00:06:15,926
Valentie is hoe positief 
of negatief een ervaring is,

129
00:06:15,926 --> 00:06:18,892
en betrokkenheid is hoe expressief ze is.

130
00:06:18,892 --> 00:06:22,186
Stel je voor dat Cloe toegang had
tot deze rechtstreekse emotiestream

131
00:06:22,186 --> 00:06:24,935
en ze die kon delen
met we ze maar wilde.

132
00:06:24,935 --> 00:06:27,028
Dankjewel.

133
00:06:27,028 --> 00:06:32,479
(Applaus)

134
00:06:33,959 --> 00:06:39,019
Tot nu toe hebben we 12 miljard
van deze emotiegegevens vergaard.

135
00:06:39,019 --> 00:06:41,470
Het is de grootste 
emotiedatabase ter wereld.

136
00:06:41,470 --> 00:06:44,913
We hebben hem verzameld
uit 2,9 miljoen filmpjes van gezichten,

137
00:06:44,913 --> 00:06:48,083
mensen die hun emoties 
met ons hebben willen delen,

138
00:06:48,083 --> 00:06:50,398
uit 75 landen over de hele wereld.

139
00:06:50,398 --> 00:06:52,113
Hij groeit elke dag.

140
00:06:52,643 --> 00:06:54,630
Ik sta ervan versteld

141
00:06:54,630 --> 00:06:58,195
dat we iets persoonlijks als emoties
nu kunnen kwantificeren

142
00:06:58,195 --> 00:07:00,290
en dat we het op deze schaal kunnen doen.

143
00:07:00,290 --> 00:07:02,277
Wat hebben we tot nu toe geleerd?

144
00:07:03,207 --> 00:07:05,388
Geslacht:

145
00:07:05,388 --> 00:07:09,094
onze data bevestigen iets
dat je misschien al vermoedde.

146
00:07:09,094 --> 00:07:10,891
Vrouwen zijn expressiever dan mannen.

147
00:07:10,891 --> 00:07:13,604
Ze glimlachen niet alleen meer,
maar ook langduriger,

148
00:07:13,604 --> 00:07:16,278
en we kunnen nu echt vaststellen
wat het precies is

149
00:07:16,278 --> 00:07:18,614
waarop mannen en vrouwen anders reageren.

150
00:07:18,614 --> 00:07:19,614
Nu cultuur:

151
00:07:19,614 --> 00:07:21,004
in de Verenigde Staten

152
00:07:21,004 --> 00:07:24,108
zijn vrouwen 40 procent 
expressiever dan mannen,

153
00:07:24,108 --> 00:07:27,753
maar vreemd genoeg zien we in het VK
geen verschil tussen mannen en vrouwen.

154
00:07:27,753 --> 00:07:30,259
(Gelach)

155
00:07:31,576 --> 00:07:33,356
Leeftijd:

156
00:07:33,356 --> 00:07:35,323
mensen van 50 jaar en ouder

157
00:07:35,323 --> 00:07:38,759
tonen 25 procent meer emotie
dan jongere mensen.

158
00:07:39,559 --> 00:07:43,741
Vrouwen in de twintig glimlachen veel meer
dan mannen van dezelfde leeftijd,

159
00:07:43,741 --> 00:07:47,530
misschien moet dat wel tijdens dates.

160
00:07:47,530 --> 00:07:50,207
Maar wat ons misschien
het meest heeft verrast

161
00:07:50,207 --> 00:07:53,250
is dat we altijd expressief zijn,

162
00:07:53,250 --> 00:07:56,283
zelfs als we alleen 
achter een apparaat zitten,

163
00:07:56,283 --> 00:07:59,517
en niet alleen als we kattenfilmpjes 
kijken op Facebook.

164
00:08:00,217 --> 00:08:03,227
We zijn expressief als we emailen,
sms'en, online winkelen

165
00:08:03,227 --> 00:08:05,937
en zelfs als we
onze belastingaangifte doen.

166
00:08:05,937 --> 00:08:08,139
Waar worden deze data momenteel gebruikt?

167
00:08:08,139 --> 00:08:10,382
Bij het begrijpen van 
hoe we met media omgaan,

168
00:08:10,382 --> 00:08:13,166
het begrijpen van viraliteit
en stemgedrag,

169
00:08:13,166 --> 00:08:16,766
en ook voor technologie
die emoties toegankelijker maakt.

170
00:08:16,766 --> 00:08:20,527
Ik wil een paar voorbeelden delen
die me bijzonder nauw aan het hart liggen.

171
00:08:21,197 --> 00:08:22,977
Brillen met emotietechnologie

172
00:08:22,977 --> 00:08:25,465
kunnen mensen met 
een visuele handicap helpen

173
00:08:25,465 --> 00:08:27,553
om de gezichten van anderen te lezen,

174
00:08:27,553 --> 00:08:31,240
en mensen binnen het autismespectrum
helpen om emoties te interpreteren,

175
00:08:31,240 --> 00:08:34,458
iets waar ze echt moeite mee hebben.

176
00:08:35,548 --> 00:08:36,998
In het onderwijs:

177
00:08:36,998 --> 00:08:38,597
stel je voor dat je studeer-apps

178
00:08:38,597 --> 00:08:41,227
aanvoelen wat je niet begrijpt
en het tempo verlagen,

179
00:08:41,227 --> 00:08:43,484
of dat je je verveelt,
en dus sneller gaan,

180
00:08:43,484 --> 00:08:46,413
net als een goede leraar op school.

181
00:08:47,003 --> 00:08:49,644
Wat als je horloge je stemming bijhield

182
00:08:49,644 --> 00:08:52,407
of je auto kon merken dat je moe was,

183
00:08:52,407 --> 00:08:55,165
of je koelkast het wist
als je gestrest was,

184
00:08:55,165 --> 00:08:59,281
en automatisch op slot ging
zodat je niet te veel kon eten. (Gelach)

185
00:08:59,281 --> 00:09:01,798
Dat zou ik wel willen, ja.

186
00:09:03,728 --> 00:09:05,675
Wat als ik in Cambridge

187
00:09:05,675 --> 00:09:07,608
toegang had gehad tot mijn emotiestream

188
00:09:07,608 --> 00:09:09,818
en die had kunnen delen 
met mijn familie thuis

189
00:09:09,818 --> 00:09:11,847
op een heel natuurlijke manier,

190
00:09:11,847 --> 00:09:15,608
alsof we samen in één kamer zaten?

191
00:09:15,608 --> 00:09:18,190
Ik denk dat over vijf jaar

192
00:09:18,190 --> 00:09:21,237
al onze apparaten 
een emotie-chip zullen hebben

193
00:09:21,237 --> 00:09:25,011
en we niet meer weten hoe het was
om naar je apparaat te fronsen

194
00:09:25,011 --> 00:09:29,330
zonder dat het terugzei:
"Hmm, dat vond je blijkbaar niet leuk."

195
00:09:29,330 --> 00:09:32,991
De grootste uitdaging van deze technologie
is dat er zoveel toepassingen zijn,

196
00:09:32,991 --> 00:09:35,864
dat mijn team en ik ze niet allemaal 
zelf kunnen bouwen.

197
00:09:35,864 --> 00:09:38,310
Daarom hebben we de technologie
beschikbaar gemaakt

198
00:09:38,310 --> 00:09:41,794
zodat andere ontwikkelaars
er creatief mee aan de slag kunnen.

199
00:09:41,794 --> 00:09:45,550
We zien in dat er potentiële risico's zijn

200
00:09:45,550 --> 00:09:48,087
en de mogelijkheid dat er misbruik
van wordt gemaakt,

201
00:09:48,087 --> 00:09:50,466
maar nu ik hier vele jaren 
mee bezig ben geweest

202
00:09:50,466 --> 00:09:53,148
geloof ik persoonlijk
dat de voordelen voor de mensheid

203
00:09:53,148 --> 00:09:55,703
van emotioneel intelligente technologie

204
00:09:55,703 --> 00:09:59,269
veel zwaarder wegen
dan het mogelijke misbruik.


205
00:09:59,269 --> 00:10:02,030
Ik nodig jullie allemaal uit
deel te nemen aan het gesprek.

206
00:10:02,030 --> 00:10:04,394
Hoe meer mensen
van deze technologie afweten,

207
00:10:04,394 --> 00:10:07,801
hoe meer we allemaal inspraak hebben
in hoe het wordt gebruikt.

208
00:10:09,621 --> 00:10:13,835
Nu ons leven steeds digitaler wordt,

209
00:10:13,835 --> 00:10:15,395
voeren we een hopeloze strijd

210
00:10:15,395 --> 00:10:17,953
als we ons gebruik van apparaten 
proberen te beperken

211
00:10:17,953 --> 00:10:19,722
om zo onze emoties terug te winnen.

212
00:10:20,622 --> 00:10:24,576
In plaats daarvan probeer ik
emoties in onze technologie op te nemen

213
00:10:24,576 --> 00:10:26,765
en onze technologieën 
beter te laten reageren.

214
00:10:26,765 --> 00:10:29,515
Ik wil dat de apparaten
die ons hebben gescheiden

215
00:10:29,515 --> 00:10:32,507
ons weer bij elkaar brengen.

216
00:10:32,507 --> 00:10:36,735
Door technologie te vermenselijken
hebben we een gouden kans

217
00:10:36,735 --> 00:10:40,452
om opnieuw te bedenken
hoe we met onze machines omgaan

218
00:10:40,452 --> 00:10:44,033
en daarmee ook hoe wij, als mensen,

219
00:10:44,033 --> 00:10:46,087
omgaan met elkaar.

220
00:10:46,087 --> 00:10:47,217
Dankjewel.

221
00:10:47,217 --> 00:10:51,640
(Applaus)