TED@IBM
Raphael Arar: How we can teach computers to make sense of our emotions
Raphael Arar: Cómo enseñar a los ordenadores a dar sentido a nuestras emociones
Filmed:
Readability: 4.3
1,255,602 views
¿Cómo podemos crear una IA con la que la gente quiera interactuar?. Raphael Arar sugiere que empecemos por hacer arte. Él comparte projectos interactivos que ayudan a la IA a explorar ideas complejas como la nostalgia, la intuición y conversación; todas trabajando para que la tecnología futura sean tan humana como artificial.
Raphael Arar - Designer, researcher
IBM's Raphael Arar creates art and designs experiences that examine the complexities of our increasingly technocentric lives. Full bio
IBM's Raphael Arar creates art and designs experiences that examine the complexities of our increasingly technocentric lives. Full bio
Double-click the English transcript below to play the video.
00:13
I consider myself one part artist
and one part designer.
and one part designer.
0
1760
4680
Me considero por una parte artista,
por otra parte diseñador.
por otra parte diseñador.
00:18
And I work at an artificial
intelligence research lab.
intelligence research lab.
1
6480
3160
Y trabajo en un laboratorio de
investigación de inteligencia artificial.
investigación de inteligencia artificial.
00:22
We're trying to create technology
2
10720
1696
Tratamos de crear tecnología
00:24
that you'll want to interact with
in the far future.
in the far future.
3
12440
3296
con la que uno querrá interactuar
en un futuro lejano.
en un futuro lejano.
00:27
Not just six months from now,
but try years and decades from now.
but try years and decades from now.
4
15760
4640
No dentro de seis meses,
sino dentro de años y décadas.
sino dentro de años y décadas.
00:33
And we're taking a moonshot
5
21120
1616
Y estaremos en un momento histórico
00:34
that we'll want to be
interacting with computers
interacting with computers
6
22760
2456
en el que querremos interactuar
con ordenadores.
con ordenadores.
00:37
in deeply emotional ways.
7
25240
2120
en emociones profundas.
00:40
So in order to do that,
8
28280
1456
Para conseguir esto,
00:41
the technology has to be
just as much human as it is artificial.
just as much human as it is artificial.
9
29760
4480
la tecnología tiene que ser
tanto humana como artificial.
tanto humana como artificial.
00:46
It has to get you.
10
34920
2256
Tiene que cautivarnos.
00:49
You know, like that inside joke
that'll have you and your best friend
that'll have you and your best friend
11
37200
3336
Como una broma privada
que uno tiene con su mejor amigo
que uno tiene con su mejor amigo
00:52
on the floor, cracking up.
12
40560
1936
en el suelo, desternillándose.
00:54
Or that look of disappointment
that you can just smell from miles away.
that you can just smell from miles away.
13
42520
4560
O la mirada de decepción que
uno puede ver desde kilómetros.
uno puede ver desde kilómetros.
01:00
I view art as the gateway to help us
bridge this gap between human and machine:
bridge this gap between human and machine:
14
48560
6040
Veo el arte como una puerta para cerrar
la brecha entre humanos y máquinas:
la brecha entre humanos y máquinas:
01:07
to figure out what it means
to get each other
to get each other
15
55280
3136
para descubrir qué significa
entender al otro
entender al otro
01:10
so that we can train AI to get us.
16
58440
2760
y entrenar a la IA para
que se nos entienda.
que se nos entienda.
01:13
See, to me, art is a way
to put tangible experiences
to put tangible experiences
17
61920
3816
Para mí, el arte es una manera
de poner experiencias tangibles
de poner experiencias tangibles
01:17
to intangible ideas,
feelings and emotions.
feelings and emotions.
18
65760
3240
en ideas intangibles,
sentimientos y emociones.
sentimientos y emociones.
01:21
And I think it's one
of the most human things about us.
of the most human things about us.
19
69800
2600
Y creo que es una de las cosas
más humanas de nosotros.
más humanas de nosotros.
01:25
See, we're a complicated
and complex bunch.
and complex bunch.
20
73480
2936
Somos una especie complicada y compleja.
01:28
We have what feels like
an infinite range of emotions,
an infinite range of emotions,
21
76440
3136
Tenemos lo que parece
un infinito rango de emociones
un infinito rango de emociones
01:31
and to top it off, we're all different.
22
79600
2496
y, para colmo, somos diferentes.
01:34
We have different family backgrounds,
23
82120
2296
Tenemos diferentes
antecedentes familiares,
antecedentes familiares,
01:36
different experiences
and different psychologies.
and different psychologies.
24
84440
3080
diferentes experiencias
y diferentes psicologías.
y diferentes psicologías.
01:40
And this is what makes life
really interesting.
really interesting.
25
88240
2720
Y eso es lo que hace
a la vida tan interesante.
a la vida tan interesante.
01:43
But this is also what makes
working on intelligent technology
working on intelligent technology
26
91440
3496
pero también es lo que hace que
trabajar con tecnología inteligente
trabajar con tecnología inteligente
01:46
extremely difficult.
27
94960
1600
sea extremadamente difícil.
01:49
And right now, AI research, well,
28
97640
3456
Y justo ahora, la investigación
en IA, bueno,
en IA, bueno,
01:53
it's a bit lopsided on the tech side.
29
101120
2016
es un poco desigual
en el lado de la tecnología.
en el lado de la tecnología.
01:55
And that makes a lot of sense.
30
103160
2136
Y tiene mucho sentido.
01:57
See, for every
qualitative thing about us --
qualitative thing about us --
31
105320
2456
Verán, cada parte
cualitativa de nosotros,
cualitativa de nosotros,
01:59
you know, those parts of us that are
emotional, dynamic and subjective --
emotional, dynamic and subjective --
32
107800
4456
estas parte de nosotros que son
emotivas, dinámicas y subjetivas...
emotivas, dinámicas y subjetivas...
02:04
we have to convert it
to a quantitative metric:
to a quantitative metric:
33
112280
3136
tenemos que convertirlas
a una escala cuantitativa:
a una escala cuantitativa:
02:07
something that can be represented
with facts, figures and computer code.
with facts, figures and computer code.
34
115440
4360
algo que pueda ser representado
con hechos, cifras y código informático.
con hechos, cifras y código informático.
02:13
The issue is, there are
many qualitative things
many qualitative things
35
121000
3376
La cuestión es, hay
muchas cosas cualitativas
muchas cosas cualitativas
02:16
that we just can't put our finger on.
36
124400
1960
que simplemente no podemos entender.
02:20
So, think about hearing
your favorite song for the first time.
your favorite song for the first time.
37
128400
3200
Piensen cuando escucharon
su canción favorita por primera vez.
su canción favorita por primera vez.
02:25
What were you doing?
38
133200
1200
¿Qué estaban haciendo?
02:28
How did you feel?
39
136000
1200
¿Cómo se sintieron?
02:30
Did you get goosebumps?
40
138720
1360
¿Sintieron escalofríos?
02:33
Or did you get fired up?
41
141240
1640
¿Estaban entusiasmados?
02:36
Hard to describe, right?
42
144400
1200
Difícil de describir, ¿no?
02:38
See, parts of us feel so simple,
43
146800
2096
Partes de nosotros
parecen muy simples,
parecen muy simples,
02:40
but under the surface,
there's really a ton of complexity.
there's really a ton of complexity.
44
148920
3656
pero bajo la superficie
hay toneladas de complejidad.
hay toneladas de complejidad.
02:44
And translating
that complexity to machines
that complexity to machines
45
152600
2936
Y trasladar esa complejidad
a las máquinas
a las máquinas
02:47
is what makes them modern-day moonshots.
46
155560
2856
es lo que hace a los
modernos hitos históricos.
modernos hitos históricos.
02:50
And I'm not convinced that we can
answer these deeper questions
answer these deeper questions
47
158440
4176
Y no estoy convencido de que podamos
responder estas preguntas complejas
responder estas preguntas complejas
02:54
with just ones and zeros alone.
48
162640
1480
solo con unos y ceros.
02:57
So, in the lab, I've been creating art
49
165120
1936
En el laboratorio, he creando arte
02:59
as a way to help me
design better experiences
design better experiences
50
167080
2456
como medio para ayudarme
a diseñar mejores experiencias
a diseñar mejores experiencias
03:01
for bleeding-edge technology.
51
169560
2096
para el último grito en tecnología.
03:03
And it's been serving as a catalyst
52
171680
1736
Ha servido como catalizador
03:05
to beef up the more human ways
that computers can relate to us.
that computers can relate to us.
53
173440
3840
para reforzar maneras humanas en que
los ordenadores pueden
relacionarse con nosotros.
relacionarse con nosotros.
03:10
Through art, we're tacking
some of the hardest questions,
some of the hardest questions,
54
178000
2696
A través del arte, abordamos
algunas preguntas difíciles,
algunas preguntas difíciles,
03:12
like what does it really mean to feel?
55
180720
2360
como, ¿qué significa realmente sentir?
03:16
Or how do we engage and know
how to be present with each other?
how to be present with each other?
56
184120
4080
O cómo involucrarnos y conocer
cómo estar presentes para el otro.
cómo estar presentes para el otro.
03:20
And how does intuition
affect the way that we interact?
affect the way that we interact?
57
188800
4000
O cómo la intuición afecta
la manera en que interactuamos.
la manera en que interactuamos.
03:26
So, take for example human emotion.
58
194440
2056
Tomemos por ejemplo la emoción humana.
03:28
Right now, computers can make sense
of our most basic ones,
of our most basic ones,
59
196520
3256
Los ordenadores pueden sentir
nuestras emociones más básicas,
nuestras emociones más básicas,
03:31
like joy, sadness,
anger, fear and disgust,
anger, fear and disgust,
60
199800
3696
como alegría, tristeza, enfado,
miedo y disgusto,
miedo y disgusto,
03:35
by converting those
characteristics to math.
characteristics to math.
61
203520
3000
convirtiendo estas características
en matemáticas.
en matemáticas.
03:39
But what about the more complex emotions?
62
207400
2536
¿Y qué hay de las emociones más complejas?
03:41
You know, those emotions
63
209960
1216
Saben, ¿esas emociones que
nos cuesta describir al otro?
nos cuesta describir al otro?
03:43
that we have a hard time
describing to each other?
describing to each other?
64
211200
2376
Como la nostalgia.
03:45
Like nostalgia.
65
213600
1440
03:47
So, to explore this, I created
a piece of art, an experience,
a piece of art, an experience,
66
215640
3936
Para explorar esto, he creado
una obra de arte, una experiencia,
una obra de arte, una experiencia,
03:51
that asked people to share a memory,
67
219600
2096
que pide a la gente compartir
sus recuerdos
sus recuerdos
03:53
and I teamed up with some data scientists
68
221720
2136
y los uno a algunos datos científicos
03:55
to figure out how to take
an emotion that's so highly subjective
an emotion that's so highly subjective
69
223880
3576
para descubrir cómo tomar
emociones muy subjetivas
emociones muy subjetivas
03:59
and convert it into something
mathematically precise.
mathematically precise.
70
227480
3200
y convertirlas en algo
matemáticamente preciso.
matemáticamente preciso.
04:03
So, we created what we call
a nostalgia score
a nostalgia score
71
231840
2136
Creamos una puntuación de nostalgia
04:06
and it's the heart of this installation.
72
234000
2216
y es el corazón de esta instalación.
04:08
To do that, the installation
asks you to share a story,
asks you to share a story,
73
236240
3056
Para conseguir esto, el sistema
te pide compartir una historia,
te pide compartir una historia,
04:11
the computer then analyzes it
for its simpler emotions,
for its simpler emotions,
74
239320
3256
el ordenador la analiza por
sus emociones más simples,
sus emociones más simples,
04:14
it checks for your tendency
to use past-tense wording
to use past-tense wording
75
242600
2656
y comprueba la tendencia
a usar palabras en pasado
a usar palabras en pasado
04:17
and also looks for words
that we tend to associate with nostalgia,
that we tend to associate with nostalgia,
76
245280
3336
y busca palabras que tendemos
a asociar con la nostalgia,
a asociar con la nostalgia,
04:20
like "home," "childhood" and "the past."
77
248640
3040
como "casa", "infancia" y "el pasado".
04:24
It then creates a nostalgia score
78
252760
2056
Luego crea una puntuación de nostalgia
04:26
to indicate how nostalgic your story is.
79
254840
2736
que indica cuán nostálgica es su historia.
04:29
And that score is the driving force
behind these light-based sculptures
behind these light-based sculptures
80
257600
4136
Y la puntuación es la impulsora
que hay detrás de estas esculturas de luz
que hay detrás de estas esculturas de luz
04:33
that serve as physical embodiments
of your contribution.
of your contribution.
81
261760
3896
que sirven como encarnaciones
físicas de su contribución.
físicas de su contribución.
04:37
And the higher the score,
the rosier the hue.
the rosier the hue.
82
265680
3216
Cuanto más alta la puntuación,
más rosa es el tono.
más rosa es el tono.
04:40
You know, like looking at the world
through rose-colored glasses.
through rose-colored glasses.
83
268920
3936
Es como mirar el mundo
a través de lentes rosas.
a través de lentes rosas.
04:44
So, when you see your score
84
272880
2616
Así, cuando uno ve su puntuación
04:47
and the physical representation of it,
85
275520
2656
y su representación física,
04:50
sometimes you'd agree
and sometimes you wouldn't.
and sometimes you wouldn't.
86
278200
2936
a veces estará de acuerdo,
y a veces no lo estará.
y a veces no lo estará.
04:53
It's as if it really understood
how that experience made you feel.
how that experience made you feel.
87
281160
3480
Es como si realmente entendiera
cómo lo hizo sentir esa experiencia.
cómo lo hizo sentir esa experiencia.
04:57
But other times it gets tripped up
88
285400
2216
Pero otras veces tropieza de tal modo
04:59
and has you thinking
it doesn't understand you at all.
it doesn't understand you at all.
89
287640
2560
que piensa que no
le ha entendido en absoluto.
le ha entendido en absoluto.
05:02
But the piece really serves to show
90
290680
1896
Pero la obra sirve para mostrar
05:04
that if we have a hard time explaining
the emotions that we have to each other,
the emotions that we have to each other,
91
292600
4056
que si se nos hace difícil explicar
las emociones que tenemos a otro,
las emociones que tenemos a otro,
05:08
how can we teach a computer
to make sense of them?
to make sense of them?
92
296680
2360
¿cómo enseñar a un ordenador
a darles sentido?
a darles sentido?
05:12
So, even the more objective parts
about being human are hard to describe.
about being human are hard to describe.
93
300360
3576
Incluso las partes más objetivas de
los humanos son difíciles de describir.
los humanos son difíciles de describir.
05:15
Like, conversation.
94
303960
1240
Como la conversación.
05:17
Have you ever really tried
to break down the steps?
to break down the steps?
95
305880
2736
¿Alguna vez han intentado
descomponer sus partes?
descomponer sus partes?
05:20
So think about sitting
with your friend at a coffee shop
with your friend at a coffee shop
96
308640
2656
Piensen en estar sentados
con un amigo en una cafetería
con un amigo en una cafetería
05:23
and just having small talk.
97
311320
1320
teniendo una conversación trivial.
05:25
How do you know when to take a turn?
98
313160
1720
¿Cómo saben cuándo dar un giro
a la conversación?
a la conversación?
05:27
How do you know when to shift topics?
99
315440
1840
¿Cómo saben cuándo cambiar de tema?
05:29
And how do you even know
what topics to discuss?
what topics to discuss?
100
317960
2720
¿Y cómo saben, incluso,
sobre qué tema discutir?
sobre qué tema discutir?
05:33
See, most of us
don't really think about it,
don't really think about it,
101
321560
2096
La mayoría no piensa sobre esto,
05:35
because it's almost second nature.
102
323680
1656
parece algo natural.
05:37
And when we get to know someone,
we learn more about what makes them tick,
we learn more about what makes them tick,
103
325360
3496
Cuando conocemos a alguien,
sabemos cómo manejar esto,
sabemos cómo manejar esto,
05:40
and then we learn
what topics we can discuss.
what topics we can discuss.
104
328880
2376
y aprendemos qué temas discutir.
05:43
But when it comes to teaching
AI systems how to interact with people,
AI systems how to interact with people,
105
331280
3656
Pero cuando se trata de enseñar
a enseñar a la IA a interactuar con gente,
a enseñar a la IA a interactuar con gente,
05:46
we have to teach them
step by step what to do.
step by step what to do.
106
334960
2856
tenemos que enseñarle
paso por paso qué hacer.
paso por paso qué hacer.
05:49
And right now, it feels clunky.
107
337840
3496
Y ahora mismo, parece difícil.
05:53
If you've ever tried to talk
with Alexa, Siri or Google Assistant,
with Alexa, Siri or Google Assistant,
108
341360
4136
Si incluso tratan de hablar con Alexa,
Siri o el asistente de Google,
Siri o el asistente de Google,
05:57
you can tell that it or they
can still sound cold.
can still sound cold.
109
345520
4200
pueden decir que él o ellos
aún suenan fríos.
aún suenan fríos.
06:02
And have you ever gotten annoyed
110
350440
1656
Y, ¿alguna vez incluso se han enfadado
06:04
when they didn't understand
what you were saying
what you were saying
111
352120
2256
cuando no han comprendido
qué estaban diciendo
qué estaban diciendo
06:06
and you had to rephrase what you wanted
20 times just to play a song?
20 times just to play a song?
112
354400
3840
y tienen que reformular 20 veces
lo que dicen para reproducir una canción?
lo que dicen para reproducir una canción?
06:11
Alright, to the credit of the designers,
realistic communication is really hard.
realistic communication is really hard.
113
359440
4896
Para dar crédito a los diseñadores,
la comunicación realista es muy difícil.
la comunicación realista es muy difícil.
06:16
And there's a whole branch of sociology,
114
364360
2136
Y hay una rama completa de la sociología,
06:18
called conversation analysis,
115
366520
1936
llamada análisis de la conversación,
06:20
that tries to make blueprints
for different types of conversation.
for different types of conversation.
116
368480
3136
que intenta hacer planos de los
diferentes tipos de conversación.
diferentes tipos de conversación.
06:23
Types like customer service
or counseling, teaching and others.
or counseling, teaching and others.
117
371640
4080
Tipos como servicio al cliente,
consejeros, enseñanza y otros.
consejeros, enseñanza y otros.
06:28
I've been collaborating
with a conversation analyst at the lab
with a conversation analyst at the lab
118
376880
2936
He estado colaborando con un analista
de la conversación en el laboratorio
de la conversación en el laboratorio
06:31
to try to help our AI systems
hold more human-sounding conversations.
hold more human-sounding conversations.
119
379840
4696
para tratar de ayudar a los sistemas de IA
a mantener conversaciones más humanas.
a mantener conversaciones más humanas.
06:36
This way, when you have an interaction
with a chatbot on your phone
with a chatbot on your phone
120
384560
3176
Cuando tienes una interacción
con un chatbox en tu teléfono
con un chatbox en tu teléfono
06:39
or a voice-based system in the car,
121
387760
1856
o sistemas basados en voz en tu coche,
06:41
it sounds a little more human
and less cold and disjointed.
and less cold and disjointed.
122
389640
3320
suena un poco más humano
y menos frío e inconexo.
y menos frío e inconexo.
06:46
So I created a piece of art
123
394360
1336
He creado una obra de arte
06:47
that tries to highlight
the robotic, clunky interaction
the robotic, clunky interaction
124
395720
2816
que trata de iluminar la robótica,
la interacción difícil
la interacción difícil
06:50
to help us understand, as designers,
125
398560
1976
para ayudarnos a entender,
como diseñadores,
como diseñadores,
06:52
why it doesn't sound human yet
and, well, what we can do about it.
and, well, what we can do about it.
126
400560
4576
por qué no suena humano aún,
y qué podemos hacer.
y qué podemos hacer.
06:57
The piece is called Bot to Bot
127
405160
1456
Esta obra se llama Bot to Bot
06:58
and it puts one conversational
system against another
system against another
128
406640
2936
y pone un sistema a conversar con otro
07:01
and then exposes it to the general public.
129
409600
2536
y lo expone al público general.
07:04
And what ends up happening
is that you get something
is that you get something
130
412160
2496
Y uno acaba teniendo algo
07:06
that tries to mimic human conversation,
131
414680
1896
que intenta imitar
la conversación humana,
la conversación humana,
07:08
but falls short.
132
416600
1896
pero se queda corto.
07:10
Sometimes it works and sometimes
it gets into these, well,
it gets into these, well,
133
418520
2736
A veces funciona y a veces
se queda en estos, bueno,
se queda en estos, bueno,
07:13
loops of misunderstanding.
134
421280
1536
ciclos de malentendidos.
07:14
So even though the machine-to-machine
conversation can make sense,
conversation can make sense,
135
422840
3096
Aunque una conversación máquina
a máquina pueda tener sentido,
a máquina pueda tener sentido,
07:17
grammatically and colloquially,
136
425960
2016
gramatical y coloquialmente,
07:20
it can still end up
feeling cold and robotic.
feeling cold and robotic.
137
428000
3216
aún sigue pareciendo algo frío y robótico.
07:23
And despite checking all the boxes,
the dialogue lacks soul
the dialogue lacks soul
138
431240
4016
Y, a pesar de cumplir todos los
puntos, el diálogo carece de alma
puntos, el diálogo carece de alma
07:27
and those one-off quirks
that make each of us who we are.
that make each of us who we are.
139
435280
3136
y esa peculiaridad única
hace de cada uno lo que es.
hace de cada uno lo que es.
07:30
So while it might be grammatically correct
140
438440
2056
Puede que si bien podía ser
gramaticalmente correcto
gramaticalmente correcto
07:32
and uses all the right
hashtags and emojis,
hashtags and emojis,
141
440520
2656
y usa todos los hashtags
y emojis correctos,
y emojis correctos,
07:35
it can end up sounding mechanical
and, well, a little creepy.
and, well, a little creepy.
142
443200
4136
acaba sonando mecánico,
y bueno, un poco siniestro.
y bueno, un poco siniestro.
07:39
And we call this the uncanny valley.
143
447360
2336
Y lo llamamos valle misterioso.
07:41
You know, that creepiness factor of tech
144
449720
1936
El factor siniestro de la tecnología
07:43
where it's close to human
but just slightly off.
but just slightly off.
145
451680
2856
donde es cercana a lo humano
pero está fuera de lugar.
pero está fuera de lugar.
07:46
And the piece will start being
146
454560
1456
Y la pieza acabará siendo
07:48
one way that we test
for the humanness of a conversation
for the humanness of a conversation
147
456040
3216
una forma de probar la
humanidad en una conversación
humanidad en una conversación
07:51
and the parts that get
lost in translation.
lost in translation.
148
459280
2160
y las piezas perdidas en la traducción.
07:54
So there are other things
that get lost in translation, too,
that get lost in translation, too,
149
462560
2856
Hay otras cosas perdidas
en la traducción, también,
en la traducción, también,
07:57
like human intuition.
150
465440
1616
como la intuición humana.
07:59
Right now, computers
are gaining more autonomy.
are gaining more autonomy.
151
467080
2776
Ahora, los ordenadores
están ganando más autonomía.
están ganando más autonomía.
08:01
They can take care of things for us,
152
469880
1736
Pueden hacer cosas por nosotros,
08:03
like change the temperature
of our houses based on our preferences
of our houses based on our preferences
153
471640
3176
como cambiar la temperatura de
casa según nuestras preferencias
casa según nuestras preferencias
08:06
and even help us drive on the freeway.
154
474840
2160
e incluso nos ayudan a
conducir por la autopista.
conducir por la autopista.
08:09
But there are things
that you and I do in person
that you and I do in person
155
477560
2496
Pero hay cosas que Uds.
y yo hacemos en persona
y yo hacemos en persona
08:12
that are really difficult
to translate to AI.
to translate to AI.
156
480080
2760
que son difíciles de traducir a IA.
08:15
So think about the last time
that you saw an old classmate or coworker.
that you saw an old classmate or coworker.
157
483440
4360
Piensen en la última vez que vieron
a un antiguo compañero de clase o colega.
a un antiguo compañero de clase o colega.
08:21
Did you give them a hug
or go in for a handshake?
or go in for a handshake?
158
489080
2480
¿Los abrazo o les dio la mano?
08:24
You probably didn't think twice
159
492800
1496
Probablemente no lo pensó
08:26
because you've had so many
built up experiences
built up experiences
160
494320
2336
porque han tenido
tantas experiencias acumuladas
tantas experiencias acumuladas
08:28
that had you do one or the other.
161
496680
2000
que les hizo hacer uno u otro.
08:31
And as an artist, I feel
that access to one's intuition,
that access to one's intuition,
162
499440
3456
Y como artista, siento
el acceso a la propia intuición,
el acceso a la propia intuición,
08:34
your unconscious knowing,
163
502920
1416
el conocimiento inconsciente,
08:36
is what helps us create amazing things.
164
504360
3056
que nos ayuda a crear cosas maravillosas.
08:39
Big ideas, from that abstract,
nonlinear place in our consciousness
nonlinear place in our consciousness
165
507440
4056
Grandes ideas, de lo abstracto,
en un lugar de nuestra consciencia
en un lugar de nuestra consciencia
08:43
that is the culmination
of all of our experiences.
of all of our experiences.
166
511520
2960
que es la culminación
de todas nuestras experiencias.
de todas nuestras experiencias.
08:47
And if we want computers to relate to us
and help amplify our creative abilities,
and help amplify our creative abilities,
167
515840
4656
Si queremos que se relacionen con nosotros
y ayudan a amplificar habilidades creativas,
y ayudan a amplificar habilidades creativas,
08:52
I feel that we'll need to start thinking
about how to make computers be intuitive.
about how to make computers be intuitive.
168
520520
3896
necesitamos empezar a pensar
cómo hacer que sean intuitivos.
cómo hacer que sean intuitivos.
08:56
So I wanted to explore
how something like human intuition
how something like human intuition
169
524440
3096
Quiero explorar cómo algo
como la intuición humana
como la intuición humana
08:59
could be directly translated
to artificial intelligence.
to artificial intelligence.
170
527560
3456
puede ser directamente traducida
a la inteligencia artificial.
a la inteligencia artificial.
09:03
And I created a piece
that explores computer-based intuition
that explores computer-based intuition
171
531040
3216
Y creé una obra que explora
ordenadores basados en intuición
ordenadores basados en intuición
09:06
in a physical space.
172
534280
1320
en un espacio físico.
09:08
The piece is called Wayfinding,
173
536480
1696
Esta obra se llama Wayfinding,
está configurada
está configurada
09:10
and it's set up as a symbolic compass
that has four kinetic sculptures.
that has four kinetic sculptures.
174
538200
3936
como una brújula simbólica que
tiene cuatro esculturas quinéticas.
tiene cuatro esculturas quinéticas.
09:14
Each one represents a direction,
175
542160
2056
Cada una representa una dirección,
09:16
north, east, south and west.
176
544240
2120
norte, este, sur y oeste.
09:19
And there are sensors set up
on the top of each sculpture
on the top of each sculpture
177
547080
2696
Y hay sensores configurados
encima de cada escultura
encima de cada escultura
09:21
that capture how far away
you are from them.
you are from them.
178
549800
2256
que capturan cuán lejos estás de ellas.
09:24
And the data that gets collected
179
552080
1816
Y los datos que coleccionan
09:25
ends up changing the way
that sculptures move
that sculptures move
180
553920
2136
acaban cambiando la forma
en que la escultura se mueve
en que la escultura se mueve
09:28
and the direction of the compass.
181
556080
2040
y la dirección de la brújula.
09:31
The thing is, the piece doesn't work
like the automatic door sensor
like the automatic door sensor
182
559360
3656
La cosa es, la pieza no funciona
como una puerta automática
como una puerta automática
09:35
that just opens
when you walk in front of it.
when you walk in front of it.
183
563040
2656
que solo se abre cuando
uno pasa frente a ella.
uno pasa frente a ella.
09:37
See, your contribution is only a part
of its collection of lived experiences.
of its collection of lived experiences.
184
565720
5056
La contribución es solo una parte
de nuestras experiencias vividas.
de nuestras experiencias vividas.
09:42
And all of those experiences
affect the way that it moves.
affect the way that it moves.
185
570800
4056
Y esas experiencias afectan
la manera en que se mueve.
la manera en que se mueve.
09:46
So when you walk in front of it,
186
574880
1736
Cuando uno camina frente a ella,
09:48
it starts to use all of the data
187
576640
1976
empieza a usar todos los datos
09:50
that it's captured
throughout its exhibition history --
throughout its exhibition history --
188
578640
2616
que capturó a lo largo
de su historial de exposición,
de su historial de exposición,
09:53
or its intuition --
189
581280
1816
o es intuición,
09:55
to mechanically respond to you
based on what it's learned from others.
based on what it's learned from others.
190
583120
3560
para responder mecánicamente
basado en lo que aprendió de otros.
basado en lo que aprendió de otros.
09:59
And what ends up happening
is that as participants
is that as participants
191
587480
2536
Y lo que acaba pasando
es que como participantes
es que como participantes
10:02
we start to learn the level
of detail that we need
of detail that we need
192
590040
2816
empezamos a aprender el nivel
de detalles que necesitamos
de detalles que necesitamos
10:04
in order to manage expectations
193
592880
2016
para manejar las expectativas
10:06
from both humans and machines.
194
594920
2776
tanto de humanos como de máquinas.
10:09
We can almost see our intuition
being played out on the computer,
being played out on the computer,
195
597720
3616
Casi podemos ver nuestra intuición
interpretada en el ordenador,
interpretada en el ordenador,
10:13
picturing all of that data
being processed in our mind's eye.
being processed in our mind's eye.
196
601360
3600
imaginando todos los datos siendo
procesados por el ojo de la mente.
procesados por el ojo de la mente.
10:17
My hope is that this type of art
197
605560
1656
Mi esperanza es que este tipo de arte
10:19
will help us think differently
about intuition
about intuition
198
607240
2416
nos ayudará a pensar diferente
sobre nuestra intuición
sobre nuestra intuición
10:21
and how to apply that to AI in the future.
199
609680
2280
y cómo aplicarla a la IA en el futuro.
10:24
So these are just a few examples
of how I'm using art to feed into my work
of how I'm using art to feed into my work
200
612480
3936
Son unos cuantos efectos sobre cómo
uso el arte para avivar mi trabajo
uso el arte para avivar mi trabajo
10:28
as a designer and researcher
of artificial intelligence.
of artificial intelligence.
201
616440
3096
como diseñador e investigador
de inteligencia artificial.
de inteligencia artificial.
10:31
And I see it as a crucial way
to move innovation forward.
to move innovation forward.
202
619560
3496
Y lo veo como una forma crucial
para avanzar en innovación.
para avanzar en innovación.
10:35
Because right now, there are
a lot of extremes when it comes to AI.
a lot of extremes when it comes to AI.
203
623080
4376
Hay un montón de extremos
cuando nos referimos a la IA.
cuando nos referimos a la IA.
10:39
Popular movies show it
as this destructive force
as this destructive force
204
627480
2816
Películas famosas la muestran
como esta fuerza destructiva
como esta fuerza destructiva
10:42
while commercials
are showing it as a savior
are showing it as a savior
205
630320
3056
mientras la publicidad la
muestra como una salvadora
muestra como una salvadora
10:45
to solve some of the world's
most complex problems.
most complex problems.
206
633400
2936
para resolver alguno de los
problemas más complejos del mundo.
problemas más complejos del mundo.
10:48
But regardless of where you stand,
207
636360
2536
Pero independientemente
de donde te encuentres
de donde te encuentres
10:50
it's hard to deny
that we're living in a world
that we're living in a world
208
638920
2176
es difícil negar que
vivimos en un mundo
vivimos en un mundo
10:53
that's becoming more
and more digital by the second.
and more digital by the second.
209
641120
2576
que se vuelve más digital
a cada segundo.
a cada segundo.
10:55
Our lives revolve around our devices,
smart appliances and more.
smart appliances and more.
210
643720
4600
Nuestras vidas giran en torno
a nuestros dispositivos y demás
a nuestros dispositivos y demás
11:01
And I don't think
this will let up any time soon.
this will let up any time soon.
211
649400
2320
Y no creo que esto desaparezca pronto.
11:04
So, I'm trying to embed
more humanness from the start.
more humanness from the start.
212
652400
3736
Intento incrustar más humanidad
desde el principio.
desde el principio.
11:08
And I have a hunch that bringing art
into an AI research process
into an AI research process
213
656160
5136
Tengo la corazonada de que llevar
el arte al proceso de investigación IA
el arte al proceso de investigación IA
11:13
is a way to do just that.
214
661320
1896
es una manera de hacer esto.
11:15
Thank you.
215
663240
1216
Gracias.
11:16
(Applause)
216
664480
2280
(Aplausos)
ABOUT THE SPEAKER
Raphael Arar - Designer, researcherIBM's Raphael Arar creates art and designs experiences that examine the complexities of our increasingly technocentric lives.
Why you should listen
While his artwork raises questions about our relationship with modernity and technology, Raphael Arar’s design work revolves around answering those questions in human-centered ways.
Currently a designer and researcher at IBM Research, Arar has been exploring ways to translate aspects of emotional intelligence into machine-readable format. Through this, he is passionately tackling ethical platforms of artificial intelligence. Inc. Magazine says he "epitomizes the style and multi-disciplinary skill set of the modern designer," and in 2017, he was listed as one of Forbes's "30 under 30 in Enterprise Technology."
Raphael Arar | Speaker | TED.com