Ez az app tudja, mit érzünk - az arckifejezésünkből
-
0:01 - 0:05Az érzelmeink életünk
minden aspektusát befolyásolják, -
0:05 - 0:08az egészségtől kezdve a tanulásig,
az üzleteléstől a döntéshozatalig, -
0:08 - 0:10nagyokat és kicsiket egyaránt.
-
0:11 - 0:14Az érzelmeink befolyásolják azt is,
hogyan kötődünk másokhoz. -
0:15 - 0:19Ilyen világra lettünk teremtve,
-
0:19 - 0:23de ehelyett egyre inkább
egy másmilyen, -- -
0:23 - 0:27ezt az üzenetet a lányomtól
kaptam múlt éjszaka - -
0:27 - 0:29érzelemmentes világban kezdünk élni.
-
0:29 - 0:31Az a küldetésem, hogy ezen változtassak.
-
0:31 - 0:35Vissza akarom hozni az érzelmeket
digitális élményeinkbe. -
0:36 - 0:39Tizenöt éve indultam el ezen az úton.
-
0:39 - 0:41Számítógép-szakértő voltam Egyiptomban,
-
0:41 - 0:46és épp akkor vettek fel a Cambridge
Egyetem doktori programjára. -
0:46 - 0:48Tehát valami egészen szokatlant csináltam
-
0:48 - 0:52fiatal, frissen házasodott
muszlim egyiptomi feleségként: -
0:54 - 0:57Férjem támogatásával, akinek
Egyiptomban kellett maradnia, -
0:57 - 1:00összecsomagoltam és Angliába költöztem.
-
1:00 - 1:03Cambridge-ben, több ezer mérföldre
az otthonomtól, -
1:03 - 1:06rájöttem, hogy több órát töltök
a laptopommal, -
1:06 - 1:08mint bármelyik embertársammal.
-
1:08 - 1:13De az intimitás ellenére a laptopomnak
fogalma sem volt az érzéseimről. -
1:13 - 1:17Nem tudta, ha vidám voltam,
-
1:17 - 1:20ha rossz napom volt, ha stresszes
vagy zavart voltam, -
1:20 - 1:22és ez frusztrált.
-
1:24 - 1:29Még rosszabb: ahogyan online beszélgettem
az otthon maradt családommal, -
1:29 - 1:33úgy éreztem, hogy minden érzelmem
elvész a kibertérben. -
1:33 - 1:38Honvágyam volt, magányos voltam,
és néhanapján igazából is sírtam, -
1:38 - 1:43de ennyi volt mindaz, amivel kifejezhettem
ezeket az érzéseket. -
1:43 - 1:45(Nevetés)
-
1:45 - 1:50A mai technológiának magas az IQ-ja,
viszont az EQ-ja nem; -
1:50 - 1:53rengeteg kognitív intelligencia,
de semmi érzelmi intelligencia. -
1:53 - 1:55Ez elgondolkodtatott:
-
1:55 - 1:59mi lenne, ha a technológia
érzékelné érzelmeinket? -
1:59 - 2:03Mi lenne, ha eszközeink érzékelnék, mit
érzünk, és annak megfelelően reagálnának, -
2:03 - 2:06ahogyan azt egy érzelmileg
intelligens barátunk tenné? -
2:07 - 2:10Ezek a kérdések vezettek
engem és a csapatomat -
2:10 - 2:15olyan technológiák megalkotására, amelyek
olvassák az érzéseinket, és válaszolnak. -
2:15 - 2:18Kiindulópontunk az emberi arc volt.
-
2:19 - 2:22Emberi arcunk történetesen
az egyik legerősebb csatorna, -
2:22 - 2:26amelynek révén közösségi és érzelmi
állapotainkat közöljük, -
2:26 - 2:29mindent, beleértve az élvezetet,
meglepetést, -
2:29 - 2:33empátiát és kíváncsiságot is.
-
2:33 - 2:38Az érzelmek tudományában minden
arcizom-mozgást egy egységnek nevezünk. -
2:38 - 2:41A 12-es mozgásegység például
-
2:41 - 2:43nem egy hollywoodi kasszasiker,
-
2:43 - 2:46ez valójában a száj sarkának felhúzása,
ami egy mosoly fő alkotóeleme. -
2:46 - 2:49Mindenki kipróbálhatja.
Lássunk néhány mosolyt. -
2:49 - 2:52Egy másik példa a 4-es egység.
Ez a szemöldök ráncolása. -
2:52 - 2:54Ilyenkor összevonjuk a szemöldökünket,
-
2:54 - 2:56és létrehozzuk ezeket a
formákat meg ráncokat. -
2:56 - 3:01Nem szeretjük, de erős
negatív érzést jelez. -
3:01 - 3:03Van kb. 45 ilyen mozgásegységünk,
-
3:03 - 3:06ezek kombinálva több száz
érzelmet fejeznek ki. -
3:06 - 3:10Nehéz megtanítani egy számítógépnek,
hogy ezeket az érzelmeket olvassa, -
3:10 - 3:13mert lehetnek ezek gyorsak, rejtettek,
-
3:13 - 3:16és különböző módon keverednek.
-
3:16 - 3:20Vegyük például a mosolyt és a grimaszt.
-
3:20 - 3:23Valamennyire hasonlónak tűnnek,
ám nagyon különbözik a jelentésük. -
3:23 - 3:25(Nevetés)
-
3:25 - 3:28A mosoly pozitív,
-
3:28 - 3:29a grimasz gyakran negatív.
-
3:29 - 3:33Néha egy grimasz híressé tehet.
-
3:33 - 3:36De komolyan, fontos, hogy egy
számítógép képes legyen -
3:36 - 3:39megkülönböztetni egymástól a két érzelmet.
-
3:39 - 3:41Mindezt hogyan csináljuk?
-
3:41 - 3:42Adunk az algortimusainknak
-
3:42 - 3:47több tízezer példát emberekről,
akikről tudjuk, hogy mosolyognak, -
3:47 - 3:50ezek különböző etnikumúak, korúak, neműek,
-
3:50 - 3:52és ugyanígy teszünk a grimasszal is.
-
3:52 - 3:54Aztán deep learninget használva
-
3:54 - 3:57az algoritmus megkeresi ezeket a
a struktúrákat és ráncokat, -
3:57 - 3:59az arcunk változásait,
-
3:59 - 4:03lényegében megtanulja, hogy minden
mosolynak van közös jellemzője, -
4:03 - 4:06és minden grimasznak élesen
különböző jellemzői vannak. -
4:06 - 4:08A következő alkalommal,
mikor meglát egy új arcot, -
4:08 - 4:10lényegében rájön, hogy
-
4:10 - 4:13ennek az arcnak ugyanolyan
jellemzői vannak, mint a mosolynak, -
4:13 - 4:18és azt mondja: "Jé, felismerem ezt.
Ez egy mosoly kifejezése." -
4:18 - 4:21A technológia működésének
bizonyítására a legjobb mód -
4:21 - 4:23egy élő demo kipróbálása,
-
4:23 - 4:27tehát szükségem van egy önkéntesre,
lehetőleg valakire, akinek van arca. -
4:27 - 4:30(Nevetés)
-
4:30 - 4:32Cloe lesz a mai önkéntesünk,
-
4:33 - 4:38Az elmúlt öt év során egy MIT-s
kutatási projektből vállalattá -
4:38 - 4:39nőttük ki magunkat,
-
4:39 - 4:42és a csapatom igen sokat dolgozott azon,
hogy ez a technológia -
4:42 - 4:45működjön, ahogy mondani szokás,
a vadonban is. -
4:45 - 4:47Úgy összezsugorítottuk, hogy
a fő érzelem-motor -
4:47 - 4:51bármelyik kamerás mobil eszközön
működik, mint ezen az iPad-en is. -
4:51 - 4:53Tehát próbáljuk ki!
-
4:55 - 4:59Ahogy láthatják, az algoritmus
megtalálta Cloe arcát, -
4:59 - 5:00ez az a fehér határolókeret,
-
5:00 - 5:03és követi a fő jellemző pontokat az arcán,
-
5:03 - 5:06vagyis a szemöldökét, a szemét,
a száját és az orrát. -
5:06 - 5:09Az a kérdés,
hogy fel tudja-e ismerni, mit fejez ki? -
5:09 - 5:10Most leteszteljük a gépet.
-
5:10 - 5:15Legelőször mutasd a pókerarcod.
Igen, nagyszerű. (Nevetés) -
5:15 - 5:17Aztán ahogy mosolyog,
ez egy valódi mosoly, nagyszerű. -
5:17 - 5:20A zöld sáv láthatóan növekszik,
mikor mosolyog. -
5:20 - 5:21Ez egy nagy mosoly volt.
-
5:21 - 5:24Megpróbálsz egy enyhébb mosolyt,
hogy lássuk, felismeri-e a gép? -
5:24 - 5:26Felismeri az enyhébb mosolyt is.
-
5:26 - 5:28Nagyon sokat dolgoztunk,
hogy ez sikerüljön. -
5:28 - 5:31Aztán felemelt szemöldök,
a meglepetés jelzője. -
5:31 - 5:36Szemöldökráncolás,
a zavartság jelzője. -
5:36 - 5:40Homlokráncolás. Tökéletes.
-
5:40 - 5:43Ezek mind különböző mozgásegységek.
Sokkal több van belőlük. -
5:43 - 5:45Ez csak egy karcsúsított demo.
-
5:45 - 5:48Minden leolvasást
érzelmi adatpontnak nevezünk, -
5:48 - 5:51majd ezek ötvözése ábrázolja
a különböző érzelmeket. -
5:51 - 5:56A demo jobb oldalán -- tégy úgy,
mintha boldog lennél. -
5:56 - 5:57Ez az öröm. Kigyúl az öröm.
-
5:57 - 5:59Most vágj utálkozó arcot.
-
5:59 - 6:04Gondolj arra, milyen volt, amikor Zayn
kilépett a One Direction-ből. -
6:04 - 6:05(Nevetés)
-
6:05 - 6:09Úgy, ráncold az orrod. Klassz.
-
6:09 - 6:13A kötődés eléggé negatív,
biztos nagy rajongója voltál. -
6:13 - 6:16A kötődés a tapasztalat
pozitív vagy negatív jellege, -
6:16 - 6:19az elkötelezettség pedig
azt jelzi, mennyire kifejező. -
6:19 - 6:22Képzeljék el, ha Cloe hozzáférne
egy valós idejű érzelem-csatornához, -
6:22 - 6:25és megoszthatná azt mindenkivel,
akivel csak akarná. -
6:25 - 6:28Köszönöm.
-
6:28 - 6:32(Taps)
-
6:34 - 6:39Az eddigiekben 12 milliárd ilyen
érzelmi adatpontot gyűjtöttünk. -
6:39 - 6:42Ez a legnagyobb érzelem-adatbázis
a világon. -
6:42 - 6:452,9 millió arcot ábrázoló
videóról gyűjtöttük ezeket, -
6:45 - 6:47olyanoktól, akik beleegyeztek
érzelmeik megosztásába, -
6:47 - 6:50világszerte, 75 országban.
-
6:50 - 6:52Naponta növekszik.
-
6:53 - 6:55Lélegzetelállító, hogy tudunk
-
6:55 - 6:58számszerűsíteni egy ennyire
személyes dolgot, mint az érzelmeink, -
6:58 - 7:00és ilyen nagyságrendben tudjuk.
-
7:00 - 7:02Mit tanultunk tehát eddig?
-
7:03 - 7:05A nemek.
-
7:05 - 7:09Adataink igazolják,
amit valószínűleg sejtenek. -
7:09 - 7:11A nők kifejezőbbek, mint a férfiak.
-
7:11 - 7:14Nemcsak többet mosolyognak,
de a mosolyuk tovább tart, -
7:14 - 7:16és most tényleg számszerűsíteni tudjuk,
mi az, amire -
7:16 - 7:19a nők és a férfiak eltérően válaszolnak.
-
7:19 - 7:21Nézzük a kultúrát: az Egyesült Államokban
-
7:21 - 7:24a nők 40%-kal kifejezőbbek,
mint a férfiak, -
7:24 - 7:28de érdekes módon az Egyesült Királyságban
nem látunk közöttük különbséget. -
7:28 - 7:30(Nevetés)
-
7:31 - 7:35Életkor: az 50 év felettiek
-
7:35 - 7:3925%-kal érzelmesebbek a fiataloknál.
-
7:40 - 7:44A huszonéves nők sokkal többet
mosolyognak, mint az azonos korú férfiak, -
7:44 - 7:48lehet, hogy ez szükséges a randizáshoz.
-
7:48 - 7:50De az adatokban talán az
lepett meg a legjobban, -
7:50 - 7:53hogy úgy tűnik, mindig kifejezőek vagyunk,
-
7:53 - 7:56még akkor is, amikor egyedül ülünk
a készülékeink előtt, -
7:56 - 8:00és nemcsak amikor cicás videókat
nézünk a Facebookon. -
8:00 - 8:03Kifejezőek vagyunk e-mail és SMS írásakor,
online vásárláskor, -
8:03 - 8:06még az adóbevallás kitöltésekor is.
-
8:06 - 8:08Hol használják ma ezeket az adatokat?
-
8:08 - 8:10Annak megértésére,
mennyire köt le a média, -
8:10 - 8:13hogy mi és miért terjed a neten,
hogy hogyan választunk, -
8:13 - 8:16és arra, hogyan építsük be
a gesztus értelmezését a technológiába. -
8:16 - 8:21Bemutatok néhány, a szívemhez
különösen közel álló példát. -
8:21 - 8:24A gesztus-értelmező szemüvegek segítenek
-
8:24 - 8:27a gyengénlátó embereknek
leolvasni mások arcát, -
8:27 - 8:32és segítenek az autista embereknek
az érzelmek értelmezésében, -
8:32 - 8:34ők ezzel nagyon küszködnek.
-
8:36 - 8:39Oktatás: képzeljék el,
hogy az online tanulásban az app -
8:39 - 8:42érzékeli, ha összezavarodtunk,
és lelassít; -
8:42 - 8:43ha unatkozunk, akkor felgyorsít,
-
8:43 - 8:46ahogyan egy jó tanár tenné
az osztályteremben. -
8:47 - 8:50Mi lenne, ha a karóránk figyelné
kedélyünket, -
8:50 - 8:52az autónk észlelné, ha fáradtak vagyunk,
-
8:52 - 8:55vagy akár: a hűtőnk tudná,
hogy feszültek vagyunk, -
8:55 - 9:01és lezárná magát, hogy megakadályozza,
hogy túlzabáljuk magunkat. (Nevetés) -
9:01 - 9:04Igen, ezt szeretném.
-
9:04 - 9:06Mi lett volna, ha a cambridge-i időkben
-
9:06 - 9:08hozzáfértem volna az érzelem-csatornámhoz,
-
9:08 - 9:11és természetes módon meg tudtam volna
azt osztani otthonmaradt családommal, -
9:11 - 9:15mintha mindannyian együtt
lennénk, ugyanabban a szobában? -
9:15 - 9:19Azt gondolom, öt év múlva
-
9:19 - 9:21minden eszközünkben lesz érzelem-csip,
-
9:21 - 9:25és már nem fogunk emlékezni arra,
amikor hiába néztünk homlokráncolva, -
9:25 - 9:29készülékünk nem mondta:
"Ez ugye nem tetszett?" -
9:29 - 9:33A nagy kihívás az, hogy a technológiának
olyan sok alkalmazási területe van, -
9:33 - 9:36hogy a csapatommal rájöttünk:
nem tudjuk mindet mi megépíteni, -
9:36 - 9:39ezért közzétettük a technológiát,
hogy más fejlesztők is -
9:39 - 9:41tudjanak építeni rá és alkotni.
-
9:41 - 9:46Elismerjük, hogy vannak
potenciális kockázatok, -
9:46 - 9:48és vissza lehet élni ezzel,
-
9:48 - 9:51de személy szerint, miután
oly sok éve dolgozom rajta, -
9:51 - 9:54hiszem, hogy az érzelmileg
intelligens technológia léte -
9:54 - 9:56olyan nagy haszon az emberiségnek,
-
9:56 - 9:59hogy az jócskán ellensúlyozza
a visszaélés lehetőségét. -
9:59 - 10:02Meghívom Önöket is,
vegyenek részt a beszélgetésben. -
10:02 - 10:04Minél többen tudnak a technológiáról,
-
10:04 - 10:08annál többen mondhatnak
véleményt használatáról. -
10:09 - 10:14Ahogy tehát egyre inkább digitálissá
válik életünk, -
10:14 - 10:17vesztésre állunk a csatában,
amelyben korlátozni próbáljuk eszközeink -
10:17 - 10:19használatát, hogy
visszakérjük érzelmeinket. -
10:21 - 10:25Ehelyett próbálok érzelmeket
vinni technológiánkba, -
10:25 - 10:27és fogékonyabbá tenni azt.
-
10:27 - 10:29Azt akarom, hogy az eszközök,
amelyek elválasztottak, -
10:29 - 10:32újra összekössenek minket.
-
10:32 - 10:36A technológia emberiessé tételével
kitűnő lehetőségünk nyílik arra, -
10:36 - 10:40hogy újragondoljuk,
hogyan viszonyulunk a gépekhez, -
10:40 - 10:44és ennek folytán mi, emberi lények,
-
10:44 - 10:46hogyan viszonyulunk egymáshoz.
-
10:46 - 10:48Köszönöm.
-
10:48 - 10:52(Taps)
- Title:
- Ez az app tudja, mit érzünk - az arckifejezésünkből
- Speaker:
- Rana el Kaliouby
- Description:
-
Az érzelmeink életünk minden aspektusát befolyásolják - a tanulástól kezdve
a kommunikáción át a döntéshozatalig. Mégis hiányoznak a digitális életünkből; a készülékek és appok, amelyekkel kapcsolatba kerülünk, nem tudhatják, mit érzünk. Rana el Kaliouby kutató célja változtatni ezen. Bemutat egy új, hatékony technológiát, amely leolvassa az arckifejezésünket, és megfelelteti azt egy érzelemnek. Azt állítja, hogy ennek az "érzelem-motornak" nagy a kihatása, megváltoztathatja nemcsak azt, ahogyan a gépekkel kapcsolatot teremtünk, hanem azt is, ahogyan egymással. - Video Language:
- English
- Team:
- closed TED
- Project:
- TEDTalks
- Duration:
- 11:04
Csaba Lóki approved Hungarian subtitles for This app knows how you feel -- from the look on your face | ||
Csaba Lóki edited Hungarian subtitles for This app knows how you feel -- from the look on your face | ||
Maria Ruzsane Cseresnyes accepted Hungarian subtitles for This app knows how you feel -- from the look on your face | ||
Maria Ruzsane Cseresnyes edited Hungarian subtitles for This app knows how you feel -- from the look on your face | ||
Maria Ruzsane Cseresnyes edited Hungarian subtitles for This app knows how you feel -- from the look on your face | ||
Maria Ruzsane Cseresnyes edited Hungarian subtitles for This app knows how you feel -- from the look on your face | ||
Peter Balla edited Hungarian subtitles for This app knows how you feel -- from the look on your face | ||
Peter Balla edited Hungarian subtitles for This app knows how you feel -- from the look on your face |