TED@IBM
Raphael Arar: How we can teach computers to make sense of our emotions
Raphael Arar: Hogyan taníthatjuk számítógépeinket érzelmeink megértésére?
Filmed:
Readability: 4.3
1,255,602 views
Hogyan készíthetünk olyan MI-t, amivel kölcsönhatásba akarunk kerülni? Raphael Arar szerint kezdjük a műalkotásokkal. Arar, az MI számára bonyolult gondolatokat – mint például nosztalgia, intuíció, társalgás – feltáró interaktív projekteket ismertet, amelyek mindegyike azt a célt szolgálja, hogy a jövőbeli technológiáink annyira emberiek legyenek, mint amennyire mesterségesek.
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
Egyszerre művésznek
és tervezőnek tartom magam.
és tervezőnek tartom magam.
00:18
And I work at an artificial
intelligence research lab.
intelligence research lab.
1
6480
3160
Mesterséges intelligenciát
kutató laborban dolgozom.
kutató laborban dolgozom.
00:22
We're trying to create technology
2
10720
1696
Olyan technológiát hoznánk létre,
00:24
that you'll want to interact with
in the far future.
in the far future.
3
12440
3296
amellyel a jövőben szeretnének
kölcsönhatásba kerülni.
kölcsönhatásba kerülni.
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
Innen számítva nem hat hónapról,
évekről, évtizedekről van szó.
évekről, évtizedekről van szó.
00:33
And we're taking a moonshot
5
21120
1616
Ez pedig eget rengető lesz:
00:34
that we'll want to be
interacting with computers
interacting with computers
6
22760
2456
a számítógépekkel mély érzelmi szinteken
00:37
in deeply emotional ways.
7
25240
2120
akarunk kölcsönhatásba kerülni.
00:40
So in order to do that,
8
28280
1456
Ennek érdekében
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
a technológia nemcsak mesterséges,
hanem emberi is kell, hogy legyen.
hanem emberi is kell, hogy legyen.
00:46
It has to get you.
10
34920
2256
Magával kell ragadnia.
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
Mint a két legjobb barát
közti belső poénnak,
közti belső poénnak,
00:52
on the floor, cracking up.
12
40560
1936
ami padlóra küld, megőrjít.
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
Vagy a mérföldekről érezhető
csalódás látszatának.
csalódás látszatának.
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
Úgy látom, művészettel áthidalható
az ember és gép közötti szakadék,
az ember és gép közötti szakadék,
01:07
to figure out what it means
to get each other
to get each other
15
55280
3136
megtanuljuk megérteni egymást,
01:10
so that we can train AI to get us.
16
58440
2760
így kiképezhetjük az MI-t,
hogy megértsen minket.
hogy megértsen minket.
01:13
See, to me, art is a way
to put tangible experiences
to put tangible experiences
17
61920
3816
Számomra a művészet kézzelfogható
élmények kifejezésének módja
élmények kifejezésének módja
01:17
to intangible ideas,
feelings and emotions.
feelings and emotions.
18
65760
3240
megfoghatatlan gondolatokba,
érzésekbe, érzelmekbe.
érzésekbe, érzelmekbe.
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
Azt hiszem, ez tesz minket
leginkább emberré.
leginkább emberré.
01:25
See, we're a complicated
and complex bunch.
and complex bunch.
20
73480
2936
Bonyolult és összetett lények vagyunk.
01:28
We have what feels like
an infinite range of emotions,
an infinite range of emotions,
21
76440
3136
Érzelmeink tág határok közt váltakoznak,
01:31
and to top it off, we're all different.
22
79600
2496
ráadásul mind mások vagyunk.
01:34
We have different family backgrounds,
23
82120
2296
Különböző a családi hátterünk,
01:36
different experiences
and different psychologies.
and different psychologies.
24
84440
3080
az élményeink, a lelkivilágunk.
01:40
And this is what makes life
really interesting.
really interesting.
25
88240
2720
Ez teszi az életet igazán érdekessé.
01:43
But this is also what makes
working on intelligent technology
working on intelligent technology
26
91440
3496
De ugyanez teszi
az okostechnológia fejlesztését
az okostechnológia fejlesztését
01:46
extremely difficult.
27
94960
1600
rendkívül nehézkessé.
01:49
And right now, AI research, well,
28
97640
3456
Jelenleg az MI-kutatás
01:53
it's a bit lopsided on the tech side.
29
101120
2016
kissé aránytalanul műszaki jellegű.
01:55
And that makes a lot of sense.
30
103160
2136
Aminek sok értelme van.
01:57
See, for every
qualitative thing about us --
qualitative thing about us --
31
105320
2456
A magunk összes minőségi jellemzőjét –
01:59
you know, those parts of us that are
emotional, dynamic and subjective --
emotional, dynamic and subjective --
32
107800
4456
érzelmi, dinamikus és egyéni részeinket –
02:04
we have to convert it
to a quantitative metric:
to a quantitative metric:
33
112280
3136
számszerűsítenünk kell valamire,
02:07
something that can be represented
with facts, figures and computer code.
with facts, figures and computer code.
34
115440
4360
ami tényekkel, ábrákkal,
programozási kóddal fejezhető ki.
programozási kóddal fejezhető ki.
02:13
The issue is, there are
many qualitative things
many qualitative things
35
121000
3376
A gond az, hogy sok olyan
minőségi jellemző van,
minőségi jellemző van,
02:16
that we just can't put our finger on.
36
124400
1960
amikre nincs pontos definíció.
02:20
So, think about hearing
your favorite song for the first time.
your favorite song for the first time.
37
128400
3200
Gondoljunk arra, amikor először
hallgatták kedvenc dalukat.
hallgatták kedvenc dalukat.
02:25
What were you doing?
38
133200
1200
Mit csináltak?
02:28
How did you feel?
39
136000
1200
Mit éreztek?
02:30
Did you get goosebumps?
40
138720
1360
Libabőrösök lettek?
02:33
Or did you get fired up?
41
141240
1640
Vagy felpörögtek?
02:36
Hard to describe, right?
42
144400
1200
Nehéz leírni, igaz?
02:38
See, parts of us feel so simple,
43
146800
2096
Egyik felünk annyira egyszerűen érez,
02:40
but under the surface,
there's really a ton of complexity.
there's really a ton of complexity.
44
148920
3656
de elképesztő a felszín alatti sokrétűség.
02:44
And translating
that complexity to machines
that complexity to machines
45
152600
2936
Ennek a sokrétűségnek
átültetése gépekbe pedig:
átültetése gépekbe pedig:
02:47
is what makes them modern-day moonshots.
46
155560
2856
modern kori eget rengető vállalkozás.
02:50
And I'm not convinced that we can
answer these deeper questions
answer these deeper questions
47
158440
4176
Nem hiszem, hogy ezekre
a mély kérdésekre választ ad
a mély kérdésekre választ ad
02:54
with just ones and zeros alone.
48
162640
1480
a szimpla egy és nulla.
02:57
So, in the lab, I've been creating art
49
165120
1936
Ezért a laborban a művészetet
arra használom fel,
arra használom fel,
02:59
as a way to help me
design better experiences
design better experiences
50
167080
2456
hogy jobb élményeket tervezzek
03:01
for bleeding-edge technology.
51
169560
2096
kiforratlan technológiáknak.
03:03
And it's been serving as a catalyst
52
171680
1736
Ez eddig katalizátorként szolgált,
03:05
to beef up the more human ways
that computers can relate to us.
that computers can relate to us.
53
173440
3840
hogy ütőképesebbé tegyem
a gépek emberi jellemzőit.
a gépek emberi jellemzőit.
03:10
Through art, we're tacking
some of the hardest questions,
some of the hardest questions,
54
178000
2696
A művészet segít megbirkózni
a legnehezebb kérdésekkel:
a legnehezebb kérdésekkel:
03:12
like what does it really mean to feel?
55
180720
2360
pl. igazából mit jelent érezni?
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
Hogyan foglalkozunk egymással,
és egymás jelenlétével?
és egymás jelenlétével?
03:20
And how does intuition
affect the way that we interact?
affect the way that we interact?
57
188800
4000
Hogyan befolyásolja a megérzés,
miként érintkezünk egymással?
miként érintkezünk egymással?
03:26
So, take for example human emotion.
58
194440
2056
Vegyük példaként az emberi érzelmeket.
03:28
Right now, computers can make sense
of our most basic ones,
of our most basic ones,
59
196520
3256
Jelenleg a gépek képesek megérteni
a legalapvetőbbeket:
a legalapvetőbbeket:
03:31
like joy, sadness,
anger, fear and disgust,
anger, fear and disgust,
60
199800
3696
öröm, szomorúság, harag, félelem, utálat;
03:35
by converting those
characteristics to math.
characteristics to math.
61
203520
3000
ezek jellemzőit számokká alakítják át.
03:39
But what about the more complex emotions?
62
207400
2536
De a sokkal összetettebb érzelmeket is?
03:41
You know, those emotions
63
209960
1216
Azon érzéseket,
03:43
that we have a hard time
describing to each other?
describing to each other?
64
211200
2376
amiket egymásnak
nagyon nehezen tudunk leírni.
nagyon nehezen tudunk leírni.
03:45
Like nostalgia.
65
213600
1440
Pl. a nosztalgia.
03:47
So, to explore this, I created
a piece of art, an experience,
a piece of art, an experience,
66
215640
3936
Hogy ezt megnézzem, műalkotást,
élményt hoztam létre,
élményt hoztam létre,
03:51
that asked people to share a memory,
67
219600
2096
ami emlékek elmesélését kéri.
03:53
and I teamed up with some data scientists
68
221720
2136
Majd pár adattudóssal együtt kitaláltuk,
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
hogyan alakítsunk át
nagyon szubjektív érzelmeket
nagyon szubjektív érzelmeket
03:59
and convert it into something
mathematically precise.
mathematically precise.
70
227480
3200
valami számszerűleg pontos dologgá.
04:03
So, we created what we call
a nostalgia score
a nostalgia score
71
231840
2136
Erre létrehoztuk az ún. nosztalgiaszámot,
04:06
and it's the heart of this installation.
72
234000
2216
és ez az installációnk magja.
04:08
To do that, the installation
asks you to share a story,
asks you to share a story,
73
236240
3056
Az installáció sztorimesélésre kér,
04:11
the computer then analyzes it
for its simpler emotions,
for its simpler emotions,
74
239320
3256
amit a gép elemez,
egyszerűbb érzelmekre bont,
egyszerűbb érzelmekre bont,
04:14
it checks for your tendency
to use past-tense wording
to use past-tense wording
75
242600
2656
megnézi, mennyire van jelen
a múltidő-használat,
a múltidő-használat,
04:17
and also looks for words
that we tend to associate with nostalgia,
that we tend to associate with nostalgia,
76
245280
3336
illetve nosztalgiához
kapcsolódó szavakat keres,
kapcsolódó szavakat keres,
04:20
like "home," "childhood" and "the past."
77
248640
3040
mint pl. otthon, gyerekkor, a múlt.
04:24
It then creates a nostalgia score
78
252760
2056
Így jön létre a nosztalgiaszám,
04:26
to indicate how nostalgic your story is.
79
254840
2736
ami a sztori nosztalgikusságát jelzi.
04:29
And that score is the driving force
behind these light-based sculptures
behind these light-based sculptures
80
257600
4136
Az eredmény pedig a mozgatórugója
e fényalapú alakzatoknak,
e fényalapú alakzatoknak,
04:33
that serve as physical embodiments
of your contribution.
of your contribution.
81
261760
3896
mintegy fizikai megtestesülésük
a mesélők hozzájárulásának.
a mesélők hozzájárulásának.
04:37
And the higher the score,
the rosier the hue.
the rosier the hue.
82
265680
3216
Minél nagyobb a szám,
annál rózsaszínűbb a háttér.
annál rózsaszínűbb a háttér.
04:40
You know, like looking at the world
through rose-colored glasses.
through rose-colored glasses.
83
268920
3936
Mintha rózsaszín szemüvegen
át látnánk a világot.
át látnánk a világot.
04:44
So, when you see your score
84
272880
2616
Ha megjelenik a szám
04:47
and the physical representation of it,
85
275520
2656
és a fizikai megtestesülése,
04:50
sometimes you'd agree
and sometimes you wouldn't.
and sometimes you wouldn't.
86
278200
2936
néha egyet szoktak érteni vele, néha nem.
04:53
It's as if it really understood
how that experience made you feel.
how that experience made you feel.
87
281160
3480
Mintha a gép valóban megértette volna,
milyen érzést váltott ki az élmény.
milyen érzést váltott ki az élmény.
04:57
But other times it gets tripped up
88
285400
2216
Néha pedig belegabalyodik,
04:59
and has you thinking
it doesn't understand you at all.
it doesn't understand you at all.
89
287640
2560
és azt sugallja, semmit sem ért belőlünk.
05:02
But the piece really serves to show
90
290680
1896
De az alkotás rámutat,
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
hogy ha még egymás iránti érzelmeink
elmondása is nehezünkre esik,
elmondása is nehezünkre esik,
05:08
how can we teach a computer
to make sense of them?
to make sense of them?
92
296680
2360
hogyan értessük meg azokat gépekkel?
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
Még a tárgyszerűbb emberi
dolgokat is nehéz leírni.
dolgokat is nehéz leírni.
05:15
Like, conversation.
94
303960
1240
Pl. a társalgást.
05:17
Have you ever really tried
to break down the steps?
to break down the steps?
95
305880
2736
Próbálták már valaha is lépésekre bontani?
05:20
So think about sitting
with your friend at a coffee shop
with your friend at a coffee shop
96
308640
2656
Tegyük fel, barátjukkal ülnek a kávézóban,
05:23
and just having small talk.
97
311320
1320
és cseverésznek.
05:25
How do you know when to take a turn?
98
313160
1720
Miből tudják, hogy önökön a sor?
05:27
How do you know when to shift topics?
99
315440
1840
Mikor váltsanak témát?
05:29
And how do you even know
what topics to discuss?
what topics to discuss?
100
317960
2720
Egyáltalán milyen témát válasszanak?
05:33
See, most of us
don't really think about it,
don't really think about it,
101
321560
2096
Legtöbbünk nem igazán gondol bele,
mert szinte belénk van kódolva.
05:35
because it's almost second nature.
102
323680
1656
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
Amikor ismerkedünk valakivel,
megtanuljuk, mitől nyílik meg,
megtanuljuk, mitől nyílik meg,
05:40
and then we learn
what topics we can discuss.
what topics we can discuss.
104
328880
2376
majd azt, hogy miről beszélgethetünk vele.
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
Ha emberi kapcsolatokra
kezdünk tanítani MI-rendszereket,
kezdünk tanítani MI-rendszereket,
05:46
we have to teach them
step by step what to do.
step by step what to do.
106
334960
2856
minden egyes lépést
meg kell tanítanunk nekik.
meg kell tanítanunk nekik.
05:49
And right now, it feels clunky.
107
337840
3496
Jelenleg pedig ez bénán hat.
05:53
If you've ever tried to talk
with Alexa, Siri or Google Assistant,
with Alexa, Siri or Google Assistant,
108
341360
4136
Ha beszélgettek már Alexával, Sirivel,
vagy a Google Assistanttel,
vagy a Google Assistanttel,
05:57
you can tell that it or they
can still sound cold.
can still sound cold.
109
345520
4200
a rideg hangjuk még mindig feltűnő.
06:02
And have you ever gotten annoyed
110
350440
1656
Bosszankodtak már fel azért,
06:04
when they didn't understand
what you were saying
what you were saying
111
352120
2256
mert azok nem értették,
amit mondani akartak,
amit mondani akartak,
és 20-szor kellett átfogalmazni valamit,
csak hogy egy dalt lejátsszanak?
csak hogy egy dalt lejátsszanak?
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
06:11
Alright, to the credit of the designers,
realistic communication is really hard.
realistic communication is really hard.
113
359440
4896
Le a kalappal a tervezők előtt,
mert a valószerű kommunikáció igen nehéz.
mert a valószerű kommunikáció igen nehéz.
06:16
And there's a whole branch of sociology,
114
364360
2136
Aztán ott egy egész szociológiai ágazat:
06:18
called conversation analysis,
115
366520
1936
a társalgáselemzés,
06:20
that tries to make blueprints
for different types of conversation.
for different types of conversation.
116
368480
3136
mely az egyes társalgástípusok
szerkezeti vázait készíti el,
szerkezeti vázait készíti el,
06:23
Types like customer service
or counseling, teaching and others.
or counseling, teaching and others.
117
371640
4080
mint pl. az ügyfélszolgálatit,
tanácsadásit, tanári beszédét stb.
tanácsadásit, tanári beszédét stb.
06:28
I've been collaborating
with a conversation analyst at the lab
with a conversation analyst at the lab
118
376880
2936
Egy társalgáselemzővel közösen a laborban
06:31
to try to help our AI systems
hold more human-sounding conversations.
hold more human-sounding conversations.
119
379840
4696
megpróbáltunk MI-rendszereket rábírni
emberszerűbben hangzó társalgásokra.
emberszerűbben hangzó társalgásokra.
06:36
This way, when you have an interaction
with a chatbot on your phone
with a chatbot on your phone
120
384560
3176
Ha kapcsolatba lépnének
telefonjuk csevegőrobotjával,
telefonjuk csevegőrobotjával,
06:39
or a voice-based system in the car,
121
387760
1856
vagy autójuk hangvezérlőjével,
06:41
it sounds a little more human
and less cold and disjointed.
and less cold and disjointed.
122
389640
3320
kissé emberibb, barátságosabb,
összeszedettebb beszédet hallanának.
összeszedettebb beszédet hallanának.
06:46
So I created a piece of art
123
394360
1336
Létrehoztam egy műalkotást
06:47
that tries to highlight
the robotic, clunky interaction
the robotic, clunky interaction
124
395720
2816
amely szemlélteti a robotikus,
béna kölcsönhatásokat,
béna kölcsönhatásokat,
06:50
to help us understand, as designers,
125
398560
1976
hogy tervezőként rájöhessünk,
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
miért nem emberi hangzású még,
és mit tehetünk, hogy az legyen.
és mit tehetünk, hogy az legyen.
06:57
The piece is called Bot to Bot
127
405160
1456
Az alkotás neve Bot to Bot,
06:58
and it puts one conversational
system against another
system against another
128
406640
2936
és társalgási rendszereket
beszéltet egymással,
beszéltet egymással,
07:01
and then exposes it to the general public.
129
409600
2536
és az eredményt közszemlére teszi.
07:04
And what ends up happening
is that you get something
is that you get something
130
412160
2496
Legvégül pedig elénk kerül valami,
07:06
that tries to mimic human conversation,
131
414680
1896
ami az emberi beszédet majmolná,
07:08
but falls short.
132
416600
1896
de gyengének bizonyul.
07:10
Sometimes it works and sometimes
it gets into these, well,
it gets into these, well,
133
418520
2736
Néha működik, néha pedig elindulnak
ezek a félreértés-ciklusok.
07:13
loops of misunderstanding.
134
421280
1536
07:14
So even though the machine-to-machine
conversation can make sense,
conversation can make sense,
135
422840
3096
Még ha ezek a gép-gép társalgások
nyelvtanilag s köznyelvileg értelmesek is,
07:17
grammatically and colloquially,
136
425960
2016
07:20
it can still end up
feeling cold and robotic.
feeling cold and robotic.
137
428000
3216
még mindig ridegen, robotikusan hangzanak.
07:23
And despite checking all the boxes,
the dialogue lacks soul
the dialogue lacks soul
138
431240
4016
Annak ellenére, hogy minden kipipáltunk,
a párbeszéd lélektelen,
a párbeszéd lélektelen,
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
hiányzik a sajátos sava-borsa,
amitől azok vagyunk, amik.
amitől azok vagyunk, amik.
07:30
So while it might be grammatically correct
140
438440
2056
Habár nyelvtanilag helyes,
07:32
and uses all the right
hashtags and emojis,
hashtags and emojis,
141
440520
2656
a megfelelő hashtageket,
emotikonokat használja,
emotikonokat használja,
07:35
it can end up sounding mechanical
and, well, a little creepy.
and, well, a little creepy.
142
443200
4136
mégis gépiesen hangzik,
és igen, kissé irtóztató.
és igen, kissé irtóztató.
07:39
And we call this the uncanny valley.
143
447360
2336
Ezt hívjuk "borzongások völgyének".
07:41
You know, that creepiness factor of tech
144
449720
1936
A technikának az az irtóztató szintje,
07:43
where it's close to human
but just slightly off.
but just slightly off.
145
451680
2856
ahol majdnem minden emberi,
de csak majdnem.
de csak majdnem.
07:46
And the piece will start being
146
454560
1456
Az alkotás pedig
07:48
one way that we test
for the humanness of a conversation
for the humanness of a conversation
147
456040
3216
módszer az emberi társalgás
és azon részek tesztelésére,
és azon részek tesztelésére,
07:51
and the parts that get
lost in translation.
lost in translation.
148
459280
2160
amelyek elvesztek a fordítás során.
07:54
So there are other things
that get lost in translation, too,
that get lost in translation, too,
149
462560
2856
Még más is elveszett a fordítás során.
07:57
like human intuition.
150
465440
1616
Pl. az emberi megérzés.
07:59
Right now, computers
are gaining more autonomy.
are gaining more autonomy.
151
467080
2776
Jelenleg a számítógépek
több autonómiát szereznek.
több autonómiát szereznek.
08:01
They can take care of things for us,
152
469880
1736
Elintéznek helyettünk ezt-azt,
08:03
like change the temperature
of our houses based on our preferences
of our houses based on our preferences
153
471640
3176
pl. kedvünk szerint szabályozzák
a ház hőmérsékletét,
a ház hőmérsékletét,
08:06
and even help us drive on the freeway.
154
474840
2160
vagy segítenek az autópályán haladni.
08:09
But there are things
that you and I do in person
that you and I do in person
155
477560
2496
De bizonyos személyesen végzett dolgokat
08:12
that are really difficult
to translate to AI.
to translate to AI.
156
480080
2760
nagyon nehéz lefordítani az MI-nek.
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
Mondjuk, ha meglátnák
régi osztálytársuk vagy kollégájuk.
régi osztálytársuk vagy kollégájuk.
08:21
Did you give them a hug
or go in for a handshake?
or go in for a handshake?
158
489080
2480
Megölelnék vagy kézfogással indítanának?
08:24
You probably didn't think twice
159
492800
1496
Nemigen haboznának,
08:26
because you've had so many
built up experiences
built up experiences
160
494320
2336
mert a sok előzetes tapasztalat
08:28
that had you do one or the other.
161
496680
2000
egyiket vagy másikat előhozná.
08:31
And as an artist, I feel
that access to one's intuition,
that access to one's intuition,
162
499440
3456
Művészként azt érzem,
hogy a hozzáférés belsőnkhöz,
hogy a hozzáférés belsőnkhöz,
08:34
your unconscious knowing,
163
502920
1416
tudatalattink értelméhez
08:36
is what helps us create amazing things.
164
504360
3056
csodás dolgok létrehozásához segít hozzá.
08:39
Big ideas, from that abstract,
nonlinear place in our consciousness
nonlinear place in our consciousness
165
507440
4056
Nagy ötletek, abból az elvont,
nemlineáris tudatalatti térből –
nemlineáris tudatalatti térből –
08:43
that is the culmination
of all of our experiences.
of all of our experiences.
166
511520
2960
ez élményeink összességének betetőződése.
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
Kreativitásunk kiterjesztését segítő,
ránk hasonlító gépek létrehozásához
ránk hasonlító gépek létrehozásához
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
el kell kezdenünk gondolkodni azon,
hogyan legyenek gépeink intuitívak.
hogyan legyenek gépeink intuitívak.
08:56
So I wanted to explore
how something like human intuition
how something like human intuition
169
524440
3096
Fel akartam tárni,
hogyan ültethető át valami olyasmi,
hogyan ültethető át valami olyasmi,
08:59
could be directly translated
to artificial intelligence.
to artificial intelligence.
170
527560
3456
mint az emberi intuíció, közvetlenül
a mesterséges intelligenciába.
a mesterséges intelligenciába.
09:03
And I created a piece
that explores computer-based intuition
that explores computer-based intuition
171
531040
3216
Létrehoztam egy művet,
mely feltárja a gépalapú intuíciót
mely feltárja a gépalapú intuíciót
09:06
in a physical space.
172
534280
1320
a fizikai térben.
09:08
The piece is called Wayfinding,
173
536480
1696
A mű neve Wayfinding, azaz Útkereső.
09:10
and it's set up as a symbolic compass
that has four kinetic sculptures.
that has four kinetic sculptures.
174
538200
3936
Mint egy szimbolikus iránytű,
amin négy mozgó alakzat van,
amin négy mozgó alakzat van,
09:14
Each one represents a direction,
175
542160
2056
és egy-egy égtájat testesítenek meg:
09:16
north, east, south and west.
176
544240
2120
észak, kelet, dél és nyugat.
09:19
And there are sensors set up
on the top of each sculpture
on the top of each sculpture
177
547080
2696
Mindegyik test tetején érzékelő van,
09:21
that capture how far away
you are from them.
you are from them.
178
549800
2256
ami érzékeli, milyen messze vannak tőle.
09:24
And the data that gets collected
179
552080
1816
Majd az összegyűlt adatok
09:25
ends up changing the way
that sculptures move
that sculptures move
180
553920
2136
megváltoztatják az alakzat mozgásirányát,
09:28
and the direction of the compass.
181
556080
2040
és hogy merre nézzen az iránytű.
09:31
The thing is, the piece doesn't work
like the automatic door sensor
like the automatic door sensor
182
559360
3656
A lényeg, hogy nem úgy működik,
mint az ajtóérzékelő,
mint az ajtóérzékelő,
09:35
that just opens
when you walk in front of it.
when you walk in front of it.
183
563040
2656
ami automatikusan nyitja
az ajtót, ha elé lépünk.
az ajtót, ha elé lépünk.
09:37
See, your contribution is only a part
of its collection of lived experiences.
of its collection of lived experiences.
184
565720
5056
A hozzájárulásuk pedig csak része
megélt élménygyűjteményének.
megélt élménygyűjteményének.
09:42
And all of those experiences
affect the way that it moves.
affect the way that it moves.
185
570800
4056
Minden élménye hat mozgásirányára.
09:46
So when you walk in front of it,
186
574880
1736
Ha elmennek előtte,
09:48
it starts to use all of the data
187
576640
1976
felhasználja az összes adatot,
09:50
that it's captured
throughout its exhibition history --
throughout its exhibition history --
188
578640
2616
amit létezése alatt
vagy intuíciójából szerzett,
09:53
or its intuition --
189
581280
1816
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
hogy a másoktól tanultak alapján
gépileg reagáljon.
gépileg reagáljon.
09:59
And what ends up happening
is that as participants
is that as participants
191
587480
2536
Majd résztvevőként eljutunk
10:02
we start to learn the level
of detail that we need
of detail that we need
192
590040
2816
a kellő részleteknek arra a szintjére,
10:04
in order to manage expectations
193
592880
2016
ami által sikerül mind a gépi,
10:06
from both humans and machines.
194
594920
2776
mind az emberi elvárásokkal megbirkózni.
10:09
We can almost see our intuition
being played out on the computer,
being played out on the computer,
195
597720
3616
Szinte látjuk intuíciónk
kialakulását a számítógépen,
kialakulását a számítógépen,
10:13
picturing all of that data
being processed in our mind's eye.
being processed in our mind's eye.
196
601360
3600
ahogy a lelki szemeink feldolgozta
összes adatot ábrázolja.
összes adatot ábrázolja.
10:17
My hope is that this type of art
197
605560
1656
Remélem, hogy az efféle művészet
10:19
will help us think differently
about intuition
about intuition
198
607240
2416
segít másképp gondolkozni az intuícióról,
10:21
and how to apply that to AI in the future.
199
609680
2280
és ennek későbbi MI-beli alkalmazásáról.
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
Ez csak egy-két példa arra,
hogyan szivárog bele a művészet
hogyan szivárog bele a művészet
10:28
as a designer and researcher
of artificial intelligence.
of artificial intelligence.
201
616440
3096
tervezői és MI-kutatói munkámba,
10:31
And I see it as a crucial way
to move innovation forward.
to move innovation forward.
202
619560
3496
ami szerintem létfontosságú
az innovatív haladásban.
az innovatív haladásban.
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
Mert jelenleg az MI kapcsán
sokféle túlzást lehet látni.
sokféle túlzást lehet látni.
10:39
Popular movies show it
as this destructive force
as this destructive force
204
627480
2816
A népszerű filmek
pusztító erőként mutatják be.
pusztító erőként mutatják be.
10:42
while commercials
are showing it as a savior
are showing it as a savior
205
630320
3056
A reklámok pedig
mint kiutat a világ
legbonyolultabb problémáiból.
legbonyolultabb problémáiból.
10:45
to solve some of the world's
most complex problems.
most complex problems.
206
633400
2936
10:48
But regardless of where you stand,
207
636360
2536
De bármelyik oldalon álljanak is,
10:50
it's hard to deny
that we're living in a world
that we're living in a world
208
638920
2176
tagadhatatlan, hogy olyan világot élünk,
10:53
that's becoming more
and more digital by the second.
and more digital by the second.
209
641120
2576
ami percről percre jobban digitalizálódik.
10:55
Our lives revolve around our devices,
smart appliances and more.
smart appliances and more.
210
643720
4600
Életünk eszközeink,
okos berendezéseink körül forog.
okos berendezéseink körül forog.
11:01
And I don't think
this will let up any time soon.
this will let up any time soon.
211
649400
2320
Szerintem ez egyhamar nem fog megszűnni.
11:04
So, I'm trying to embed
more humanness from the start.
more humanness from the start.
212
652400
3736
Ezért próbálok több emberséget
már az elején beléjük ágyazni.
már az elején beléjük ágyazni.
11:08
And I have a hunch that bringing art
into an AI research process
into an AI research process
213
656160
5136
Az a gyanúm, hogy művészetet vinni
az MI-kutatás folyamatába
az MI-kutatás folyamatába
11:13
is a way to do just that.
214
661320
1896
közelebb visz ehhez.
11:15
Thank you.
215
663240
1216
Köszönöm.
11:16
(Applause)
216
664480
2280
(Taps)
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