TEDWomen 2015
Rana el Kaliouby: This app knows how you feel -- from the look on your face
Rana el Kaliouby: Questa app sa cosa provi — te lo legge in faccia
Filmed:
Readability: 4.3
1,613,290 views
Le emozioni influenzano ogni aspetto della nostra vita : come impariamo, comunichiamo, prendiamo decisioni. Eppure queste mancano dalle nostre vite digitali; strumenti e app con cui interagiamo non hanno modo di sapere come ci sentiamo. La scienziata Rana el Kaliouby intende cambiare le cose e presenta una nuova e potente tecnologia che legge le espressioni facciali e le combina con le emozioni corrispondenti. Questo "sistema delle emozioni" porta a grandi cose, dice, e può cambiare non solo il modo di interagire con le macchine — ma anche con gli altri.
Rana el Kaliouby - Computer scientist
What if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware. Full bio
What if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware. Full bio
Double-click the English transcript below to play the video.
00:12
Our emotions influence
every aspect of our lives,
every aspect of our lives,
0
556
4017
Le emozioni influenzano
ogni aspetto delle nostre vite,
ogni aspetto delle nostre vite,
dalla salute, da come impariamo,
al fare affari e a prendere decisioni,
al fare affari e a prendere decisioni,
00:16
from our health and how we learn,
to how we do business and make decisions,
to how we do business and make decisions,
1
4573
3576
00:20
big ones and small.
2
8149
1773
grandi e piccole.
Le nostre emozioni influenzano anche
il modo di relazionarci l'un l'altro.
il modo di relazionarci l'un l'altro.
00:22
Our emotions also influence
how we connect with one another.
how we connect with one another.
3
10672
3490
Ci siamo evoluti per vivere
in un mondo così.
in un mondo così.
00:27
We've evolved to live
in a world like this,
in a world like this,
4
15132
3976
Ma invece viviamo sempre più
le nostre vite così,
le nostre vite così,
00:31
but instead, we're living
more and more of our lives like this --
more and more of our lives like this --
5
19108
4319
- questo è il messaggio
di mia figlia la notte scorsa (risate) -
di mia figlia la notte scorsa (risate) -
00:35
this is the text message
from my daughter last night --
from my daughter last night --
6
23427
3134
00:38
in a world that's devoid of emotion.
7
26561
2740
in un mondo privo di emozioni.
Perciò la mia missione
è cambiare le cose.
è cambiare le cose.
00:41
So I'm on a mission to change that.
8
29301
1951
Voglio riportare le emozioni
nelle nostre esperienze digitali.
nelle nostre esperienze digitali.
00:43
I want to bring emotions
back into our digital experiences.
back into our digital experiences.
9
31252
4091
00:48
I started on this path 15 years ago.
10
36223
3077
Ho intrapreso questo percorso
15 anni fa.
15 anni fa.
Ero un'esperta di informatica in Egitto,
00:51
I was a computer scientist in Egypt,
11
39300
2066
00:53
and I had just gotten accepted to
a Ph.D. program at Cambridge University.
a Ph.D. program at Cambridge University.
12
41366
4505
da poco ammessa a un Dottorato
di Ricerca alla Cambridge University.
di Ricerca alla Cambridge University.
00:57
So I did something quite unusual
13
45871
2113
Avevo fatto qualcosa
di alquanto inusuale
di alquanto inusuale
00:59
for a young newlywed Muslim Egyptian wife:
14
47984
4225
per una giovane moglie
Musulmana Egiziana appena sposata.
Musulmana Egiziana appena sposata.
(Risate)
01:05
With the support of my husband,
who had to stay in Egypt,
who had to stay in Egypt,
15
53599
2999
Con il sostegno di mio marito,
che dovette restare in Egitto,
che dovette restare in Egitto,
feci i bagagli e mi trasferii
in Inghilterra.
in Inghilterra.
01:08
I packed my bags and I moved to England.
16
56598
3018
01:11
At Cambridge, thousands of miles
away from home,
away from home,
17
59616
3228
A Cambridge,
lontana migliaia di chilometri da casa,
lontana migliaia di chilometri da casa,
01:14
I realized I was spending
more hours with my laptop
more hours with my laptop
18
62844
3413
capii che trascorrevo
molte più ore col mio computer
molte più ore col mio computer
che con altri esseri umani.
01:18
than I did with any other human.
19
66257
2229
Eppure, nonostante l'intimità,
01:20
Yet despite this intimacy, my laptop
had absolutely no idea how I was feeling.
had absolutely no idea how I was feeling.
20
68486
4853
il mio computer non aveva
assolutamente idea di come mi sentissi.
assolutamente idea di come mi sentissi.
01:25
It had no idea if I was happy,
21
73339
3211
Non sapeva se ero felice,
01:28
having a bad day, or stressed, confused,
22
76550
2988
se passavo una brutta giornata,
o ero stressata, confusa,
o ero stressata, confusa,
01:31
and so that got frustrating.
23
79538
2922
e questo era frustrante.
Ancora peggio, dato che comunicavo
online con la mia famiglia a casa,
online con la mia famiglia a casa,
01:35
Even worse, as I communicated
online with my family back home,
online with my family back home,
24
83600
5231
sentivo le mie emozioni
scomparire nello cyberspazio.
scomparire nello cyberspazio.
01:41
I felt that all my emotions
disappeared in cyberspace.
disappeared in cyberspace.
25
89421
3282
01:44
I was homesick, I was lonely,
and on some days I was actually crying,
and on some days I was actually crying,
26
92703
5155
Mi mancava casa, ero sola,
e alcuni giorni piangevo proprio,
e alcuni giorni piangevo proprio,
Ma tutto ciò che avevo per comunicare
queste emozioni
queste emozioni
01:49
but all I had to communicate
these emotions was this.
these emotions was this.
27
97858
4928
era questo.
(Risate)
(Risate)
01:54
(Laughter)
28
102786
2020
01:56
Today's technology
has lots of I.Q., but no E.Q.;
has lots of I.Q., but no E.Q.;
29
104806
4974
La tecnologia oggigiorno ha tanto QI
ma non IE.
ma non IE.
Tanta intelligenza cognitiva,
ma nessuna Intelligenza Emotiva.
ma nessuna Intelligenza Emotiva.
02:01
lots of cognitive intelligence,
but no emotional intelligence.
but no emotional intelligence.
30
109780
3176
02:04
So that got me thinking,
31
112956
2197
E questo mi ha fatto pensare:
e se la tecnologia potesse sentire
le nostre emozioni?
le nostre emozioni?
02:07
what if our technology
could sense our emotions?
could sense our emotions?
32
115153
3624
02:10
What if our devices could sense
how we felt and reacted accordingly,
how we felt and reacted accordingly,
33
118777
4076
Se i dispositivi sapessero
cosa proviamo
cosa proviamo
e come reagiamo di conseguenza,
02:14
just the way an emotionally
intelligent friend would?
intelligent friend would?
34
122853
3013
come solo un amico
emotivamente intelligente farebbe?
emotivamente intelligente farebbe?
02:18
Those questions led me and my team
35
126666
3564
Queste domande
hanno portato me e il mio team
hanno portato me e il mio team
a creare tecnologie che possono leggere
e reagire alle nostre emozioni.
e reagire alle nostre emozioni.
02:22
to create technologies that can read
and respond to our emotions,
and respond to our emotions,
36
130230
4377
02:26
and our starting point was the human face.
37
134607
3090
E il nostro punto di partenza
è stato il volto umano.
è stato il volto umano.
Il nostro volto pare sia
uno dei più potenti canali
uno dei più potenti canali
02:30
So our human face happens to be
one of the most powerful channels
one of the most powerful channels
38
138577
3173
02:33
that we all use to communicate
social and emotional states,
social and emotional states,
39
141750
4016
che usiamo per comunicare
stati sociali ed emotivi.
stati sociali ed emotivi.
Qualsiasi cosa, dal piacere alla sorpresa,
02:37
everything from enjoyment, surprise,
40
145766
3010
02:40
empathy and curiosity.
41
148776
4203
dall'empatia alla curiosità.
02:44
In emotion science, we call each
facial muscle movement an action unit.
facial muscle movement an action unit.
42
152979
4928
In scienza delle emozioni ogni movimento muscolare è detto
"unità d'azione".
"unità d'azione".
02:49
So for example, action unit 12,
43
157907
2925
Per esempio, l'unità d'azione 12,
non è un film di successo di Hollywood,
02:52
it's not a Hollywood blockbuster,
44
160832
2038
ma è il tirare l'angolo della bocca,
che è la base per un sorriso.
che è la base per un sorriso.
02:54
it is actually a lip corner pull,
which is the main component of a smile.
which is the main component of a smile.
45
162870
3442
Provateci tutti.
Fate partire qualche sorriso.
Fate partire qualche sorriso.
02:58
Try it everybody. Let's get
some smiles going on.
some smiles going on.
46
166312
2988
Un altro esempio è l'unità d'azione 4,
03:01
Another example is action unit 4.
It's the brow furrow.
It's the brow furrow.
47
169300
2654
è il solco tra le sopracciglia,
quando le ravvicinate
quando le ravvicinate
03:03
It's when you draw your eyebrows together
48
171954
2238
e create tutte quelle linee
e quelle rughette.
e quelle rughette.
03:06
and you create all
these textures and wrinkles.
these textures and wrinkles.
49
174192
2267
Non ci piacciono, ma è un forte
segnale di un'emozione negativa.
segnale di un'emozione negativa.
03:08
We don't like them, but it's
a strong indicator of a negative emotion.
a strong indicator of a negative emotion.
50
176459
4295
Ne abbiamo circa 45,
di queste unità d'azione,
di queste unità d'azione,
03:12
So we have about 45 of these action units,
51
180754
2206
che si combinano per esprimere
centinaia di emozioni.
centinaia di emozioni.
03:14
and they combine to express
hundreds of emotions.
hundreds of emotions.
52
182960
3390
Insegnare a un computer a leggere
queste espressioni facciali è difficile,
queste espressioni facciali è difficile,
03:18
Teaching a computer to read
these facial emotions is hard,
these facial emotions is hard,
53
186350
3901
perché le unità d'azione
possono essere veloci, impercettibili,
possono essere veloci, impercettibili,
03:22
because these action units,
they can be fast, they're subtle,
they can be fast, they're subtle,
54
190251
2972
03:25
and they combine in many different ways.
55
193223
2554
e si combinano in tanti modi diversi.
Prendiamo per esempio
un sorriso e una smorfia.
un sorriso e una smorfia.
03:27
So take, for example,
the smile and the smirk.
the smile and the smirk.
56
195777
3738
03:31
They look somewhat similar,
but they mean very different things.
but they mean very different things.
57
199515
3753
Sembrano in qualche modo simili,
ma hanno significati molto diversi.
(Risate)
(Risate)
03:35
(Laughter)
58
203268
1718
03:36
So the smile is positive,
59
204986
3004
Il sorriso è positivo,
una smorfia è spesso negativa.
03:39
a smirk is often negative.
60
207990
1270
Qualche volta una smorfia
può farti diventare famoso. (Risate)
può farti diventare famoso. (Risate)
03:41
Sometimes a smirk
can make you become famous.
can make you become famous.
61
209260
3876
03:45
But seriously, it's important
for a computer to be able
for a computer to be able
62
213136
2824
Ma seriamente, è importante
per un computer essere in grado
per un computer essere in grado
di distinguere la differenza
tra le due espressioni.
tra le due espressioni.
03:47
to tell the difference
between the two expressions.
between the two expressions.
63
215960
2855
Perciò come possiamo farlo?
03:50
So how do we do that?
64
218815
1812
Diamo ai nostri algoritmi
03:52
We give our algorithms
65
220627
1787
decine di migliaia di esempi
di persone che sappiamo sorridono,
di persone che sappiamo sorridono,
03:54
tens of thousands of examples
of people we know to be smiling,
of people we know to be smiling,
66
222414
4110
03:58
from different ethnicities, ages, genders,
67
226524
3065
di diverse etnie, età, genere,
e facciamo lo stesso per le smorfie.
04:01
and we do the same for smirks.
68
229589
2811
E poi, usando il Deep Learning,
04:04
And then, using deep learning,
69
232400
1554
l'algoritmo cerca tutte queste
trame, queste rughe,
trame, queste rughe,
04:05
the algorithm looks for all these
textures and wrinkles
textures and wrinkles
70
233954
2856
04:08
and shape changes on our face,
71
236810
2580
e i mutamenti di forma sul nostro viso,
e in pratica apprende che tutti i sorrisi
hanno caratteristiche comuni,
hanno caratteristiche comuni,
04:11
and basically learns that all smiles
have common characteristics,
have common characteristics,
72
239390
3202
04:14
all smirks have subtly
different characteristics.
different characteristics.
73
242592
3181
tutte le smorfie hanno caratteristiche
leggermente diverse.
leggermente diverse.
E la prossima volta
che vede un viso nuovo,
che vede un viso nuovo,
04:17
And the next time it sees a new face,
74
245773
2368
capisce che quel viso ha le stesse
caratteristiche di un sorriso,
caratteristiche di un sorriso,
04:20
it essentially learns that
75
248141
2299
04:22
this face has the same
characteristics of a smile,
characteristics of a smile,
76
250440
3033
e dice: "La riconosco.
È un'espressione sorridente".
È un'espressione sorridente".
04:25
and it says, "Aha, I recognize this.
This is a smile expression."
This is a smile expression."
77
253473
4278
E il miglior modo per dimostrare
come funziona questa tecnologia
come funziona questa tecnologia
04:30
So the best way to demonstrate
how this technology works
how this technology works
78
258381
2800
04:33
is to try a live demo,
79
261181
2136
è una dimostrazione dal vivo,
04:35
so I need a volunteer,
preferably somebody with a face.
preferably somebody with a face.
80
263317
3913
perciò mi serve un volontario,
possibilmente qualcuno con una faccia.
possibilmente qualcuno con una faccia.
(Risate)
04:39
(Laughter)
81
267230
2334
04:41
Cloe's going to be our volunteer today.
82
269564
2771
Chloe sarà la nostra volontaria oggi.
04:45
So over the past five years, we've moved
from being a research project at MIT
from being a research project at MIT
83
273325
4458
Negli ultimi cinque anni siamo passati
dall'essere un progetto di ricerca al MIT
dall'essere un progetto di ricerca al MIT
04:49
to a company,
84
277783
1156
ad essere una società,
in cui il mio team ha lavorato sodo
in cui il mio team ha lavorato sodo
04:50
where my team has worked really hard
to make this technology work,
to make this technology work,
85
278939
3192
per far funzionare questa tecnologia,
noi diciamo, come bestie.
noi diciamo, come bestie.
04:54
as we like to say, in the wild.
86
282131
2409
E l'abbiamo anche compressa
così che il sistema emotivo centrale
così che il sistema emotivo centrale
04:56
And we've also shrunk it so that
the core emotion engine
the core emotion engine
87
284540
2670
04:59
works on any mobile device
with a camera, like this iPad.
with a camera, like this iPad.
88
287210
3320
funzioni su tutti i dispositivi
con videocamera, come questo Ipad.
con videocamera, come questo Ipad.
05:02
So let's give this a try.
89
290530
2786
Facciamo una prova.
05:06
As you can see, the algorithm
has essentially found Cloe's face,
has essentially found Cloe's face,
90
294756
3924
Come potete vedere, l'algoritmo
ha praticamente trovato il viso di Chloe,
ha praticamente trovato il viso di Chloe,
05:10
so it's this white bounding box,
91
298680
1692
è questo riquadro bianco ai bordi,
05:12
and it's tracking the main
feature points on her face,
feature points on her face,
92
300372
2571
e sta tracciando i lineamenti
principali del suo viso,
principali del suo viso,
cioè sopracciglia, occhi,
bocca e naso.
bocca e naso.
05:14
so her eyebrows, her eyes,
her mouth and her nose.
her mouth and her nose.
93
302943
2856
La domanda è:
riconosce le sue espressioni?
riconosce le sue espressioni?
05:17
The question is,
can it recognize her expression?
can it recognize her expression?
94
305799
2987
Testiamo la macchina.
05:20
So we're going to test the machine.
95
308786
1671
Prima di tutto,
fai una faccia impassibile.
fai una faccia impassibile.
05:22
So first of all, give me your poker face.
Yep, awesome. (Laughter)
Yep, awesome. (Laughter)
96
310457
4186
Fantastico. (Risate)
05:26
And then as she smiles,
this is a genuine smile, it's great.
this is a genuine smile, it's great.
97
314643
2813
Poi se lei sorride,
è un sorriso sincero, va benissimo,
è un sorriso sincero, va benissimo,
05:29
So you can see the green bar
go up as she smiles.
go up as she smiles.
98
317456
2300
vedete la linea verde salire se sorride.
Quello era un gran sorriso,
puoi provare un sorrisetto
puoi provare un sorrisetto
05:31
Now that was a big smile.
99
319756
1222
05:32
Can you try a subtle smile
to see if the computer can recognize?
to see if the computer can recognize?
100
320978
3043
per vedere se il computer lo riconosce?
Riconosce anche quelli.
Riconosce anche quelli.
05:36
It does recognize subtle smiles as well.
101
324021
2331
Abbiamo lavorato duramente
per riuscirci.
per riuscirci.
05:38
We've worked really hard
to make that happen.
to make that happen.
102
326352
2125
E ora sopracciglia alzate,
indice di sorpresa. (Risate)
indice di sorpresa. (Risate)
05:40
And then eyebrow raised,
indicator of surprise.
indicator of surprise.
103
328477
2962
05:43
Brow furrow, which is
an indicator of confusion.
an indicator of confusion.
104
331439
4249
Accigliata,
che è indice di confusione. (Risate)
che è indice di confusione. (Risate)
05:47
Frown. Yes, perfect.
105
335688
4007
Corrucciata, perfetto.
(Risate)
(Risate)
05:51
So these are all the different
action units. There's many more of them.
action units. There's many more of them.
106
339695
3493
Sono tutte unità d'azione
diverse, e ce ne sono tante altre.
diverse, e ce ne sono tante altre.
Questa è solo una demo compressa.
05:55
This is just a slimmed-down demo.
107
343188
2032
Ma chiamiamo ogni interpretazione
"punto dati dell'emozione",
"punto dati dell'emozione",
05:57
But we call each reading
an emotion data point,
an emotion data point,
108
345220
3148
06:00
and then they can fire together
to portray different emotions.
to portray different emotions.
109
348368
2969
e possono accendersi insieme
e descrivere emozioni differenti,
e descrivere emozioni differenti,
06:03
So on the right side of the demo --
look like you're happy.
look like you're happy.
110
351337
4653
sul lato destro della demo.
Sembri felice.
Sembri felice.
C'è gioia. E "Joy" si accende.
06:07
So that's joy. Joy fires up.
111
355990
1454
06:09
And then give me a disgust face.
112
357444
1927
Poi fai una faccia disgustata.
Prova a ricordare com'è stato
quando Zayn ha lasciato i One Direction.
quando Zayn ha lasciato i One Direction.
06:11
Try to remember what it was like
when Zayn left One Direction.
when Zayn left One Direction.
113
359371
4272
(Risate)
06:15
(Laughter)
114
363643
1510
Arriccia il naso. Fantastico.
(Risate)
(Risate)
06:17
Yeah, wrinkle your nose. Awesome.
115
365153
4342
06:21
And the valence is actually quite
negative, so you must have been a big fan.
negative, so you must have been a big fan.
116
369495
3731
La valenza è abbastanza negativa,
devi essere stata una grande fan.
devi essere stata una grande fan.
"Valence" è quanto positiva
o negativa sia un'esperienza,
o negativa sia un'esperienza,
06:25
So valence is how positive
or negative an experience is,
or negative an experience is,
117
373226
2700
06:27
and engagement is how
expressive she is as well.
expressive she is as well.
118
375926
2786
ed "engagement" indica
quanto lei è espressiva.
quanto lei è espressiva.
06:30
So imagine if Cloe had access
to this real-time emotion stream,
to this real-time emotion stream,
119
378712
3414
Immaginate se Chloe entrasse
in questo flusso emotivo in tempo reale
in questo flusso emotivo in tempo reale
06:34
and she could share it
with anybody she wanted to.
with anybody she wanted to.
120
382126
2809
e potesse condividerlo
con chiunque volesse.
con chiunque volesse.
Grazie.
06:36
Thank you.
121
384935
2923
(Applausi)
06:39
(Applause)
122
387858
4621
06:45
So, so far, we have amassed
12 billion of these emotion data points.
12 billion of these emotion data points.
123
393749
5270
Ad oggi abbiamo accumulato 12 miliardi
di questi punti dati dell'emozione.
di questi punti dati dell'emozione.
È il più vasto database di emozioni
al mondo.
al mondo.
06:51
It's the largest emotion
database in the world.
database in the world.
124
399019
2611
Lo abbiamo messo insieme
da 2,9 milioni di video facciali,
da 2,9 milioni di video facciali,
06:53
We've collected it
from 2.9 million face videos,
from 2.9 million face videos,
125
401630
2963
06:56
people who have agreed
to share their emotions with us,
to share their emotions with us,
126
404593
2600
persone che hanno condiviso
le loro emozioni con noi,
le loro emozioni con noi,
06:59
and from 75 countries around the world.
127
407193
3205
e da 75 Paesi di tutto il mondo.
E si arricchisce ogni giorno.
07:02
It's growing every day.
128
410398
1715
Mi sbalordisce che oggi
possiamo misurare qualcosa
possiamo misurare qualcosa
07:04
It blows my mind away
129
412603
2067
07:06
that we can now quantify something
as personal as our emotions,
as personal as our emotions,
130
414670
3195
di così personale come le emozioni,
07:09
and we can do it at this scale.
131
417865
2235
e possiamo farlo così ampiamente.
Cosa abbiamo quindi imparato
a determinare?
a determinare?
07:12
So what have we learned to date?
132
420100
2177
07:15
Gender.
133
423057
2331
Il genere.
I nostri dati confermano qualcosa
di cui potete sospettare. (Risate)
di cui potete sospettare. (Risate)
07:17
Our data confirms something
that you might suspect.
that you might suspect.
134
425388
3646
Le donne sono più espressive
degli uomini.
degli uomini.
07:21
Women are more expressive than men.
135
429034
1857
07:22
Not only do they smile more,
their smiles last longer,
their smiles last longer,
136
430891
2683
Non solo sorridono di più
ma i loro sorrisi durano di più
ma i loro sorrisi durano di più
07:25
and we can now really quantify
what it is that men and women
what it is that men and women
137
433574
2904
e possiamo davvero determinare
a cosa uomini e donne
a cosa uomini e donne
07:28
respond to differently.
138
436478
2136
reagiscono in modo differente.
07:30
Let's do culture: So in the United States,
139
438614
2290
Vediamo culturalmente.
Negli Stati Uniti
Negli Stati Uniti
07:32
women are 40 percent
more expressive than men,
more expressive than men,
140
440904
3204
le donne sono per il 40 %
più espressive degli uomini,
più espressive degli uomini,
ma -strano- non c'è alcuna differenza
nel Regno Unito tra uomini e donne.
nel Regno Unito tra uomini e donne.
07:36
but curiously, we don't see any difference
in the U.K. between men and women.
in the U.K. between men and women.
141
444108
3645
07:39
(Laughter)
142
447753
2506
(Risate)
07:43
Age: People who are 50 years and older
143
451296
4027
Età: le persone dai 50 anni in su
07:47
are 25 percent more emotive
than younger people.
than younger people.
144
455323
3436
sono per il 25 % più emotive
dei più giovani.
dei più giovani.
Le donne ventenni sorridono
molto più degli uomini della stessa età,
molto più degli uomini della stessa età,
07:51
Women in their 20s smile a lot more
than men the same age,
than men the same age,
145
459899
3852
forse per necessità relazionali.
07:55
perhaps a necessity for dating.
146
463751
3839
Ma forse ciò che ci ha sorpresi di più
in questi dati
in questi dati
07:59
But perhaps what surprised us
the most about this data
the most about this data
147
467590
2617
è che ci ritroviamo a essere
espressivi in ogni momento,
espressivi in ogni momento,
08:02
is that we happen
to be expressive all the time,
to be expressive all the time,
148
470207
3203
anche quando siamo seduti
da soli coi nostri dispositivi,
da soli coi nostri dispositivi,
08:05
even when we are sitting
in front of our devices alone,
in front of our devices alone,
149
473410
2833
non solo quando stiamo guardando
video di gatti su Facebook.
video di gatti su Facebook.
08:08
and it's not just when we're watching
cat videos on Facebook.
cat videos on Facebook.
150
476243
3274
Siamo espressivi quando inviamo email,
messaggi, compriamo online,
messaggi, compriamo online,
08:12
We are expressive when we're emailing,
texting, shopping online,
texting, shopping online,
151
480217
3010
o anche calcolando le tasse.
08:15
or even doing our taxes.
152
483227
2300
08:17
Where is this data used today?
153
485527
2392
Per cosa sono usati questi dati oggi?
08:19
In understanding how we engage with media,
154
487919
2763
Per capire come ci relazioniamo
coi media,
coi media,
cioè comprendere la viralità
e la modalità di scelta;
e la modalità di scelta;
08:22
so understanding virality
and voting behavior;
and voting behavior;
155
490682
2484
08:25
and also empowering
or emotion-enabling technology,
or emotion-enabling technology,
156
493166
2740
e anche per dare potere
o attivare emotivamente la tecnologia.
o attivare emotivamente la tecnologia.
08:27
and I want to share some examples
that are especially close to my heart.
that are especially close to my heart.
157
495906
4621
Voglio condividere alcuni esempi
particolarmente vicini al mio cuore.
particolarmente vicini al mio cuore.
08:33
Emotion-enabled wearable glasses
can help individuals
can help individuals
158
501197
3068
Occhiali abilitati all'emozione
possono aiutare gli individui
possono aiutare gli individui
08:36
who are visually impaired
read the faces of others,
read the faces of others,
159
504265
3228
con problemi di vista
a leggere i volti degli altri,
a leggere i volti degli altri,
e possono aiutare individui con tendenza
autistica a interpretare emozioni
autistica a interpretare emozioni
08:39
and it can help individuals
on the autism spectrum interpret emotion,
on the autism spectrum interpret emotion,
160
507493
4187
qualcosa con cui combattono realmente.
08:43
something that they really struggle with.
161
511680
2778
Nell'istruzione, immaginate
se la vostra app per l'apprendimento
se la vostra app per l'apprendimento
08:47
In education, imagine
if your learning apps
if your learning apps
162
515918
2859
08:50
sense that you're confused and slow down,
163
518777
2810
capisse che siete confusi
e rallentasse,
e rallentasse,
o che siete annoiati,
così da accelerare,
così da accelerare,
08:53
or that you're bored, so it's sped up,
164
521587
1857
08:55
just like a great teacher
would in a classroom.
would in a classroom.
165
523444
2969
proprio come farebbe
un bravo insegnante in classe.
un bravo insegnante in classe.
Se il vostro orologio tracciasse
il vostro umore,
il vostro umore,
08:59
What if your wristwatch tracked your mood,
166
527043
2601
09:01
or your car sensed that you're tired,
167
529644
2693
o se l'auto sentisse che siete stanchi,
o magari il vostro frigo
sapesse che siete stressati,
sapesse che siete stressati,
09:04
or perhaps your fridge
knows that you're stressed,
knows that you're stressed,
168
532337
2548
09:06
so it auto-locks to prevent you
from binge eating. (Laughter)
from binge eating. (Laughter)
169
534885
6066
così da bloccarsi automaticamente
per evitarvi un'abbuffata. (Risate)
per evitarvi un'abbuffata. (Risate)
A me piacerebbe. (Risate)
09:12
I would like that, yeah.
170
540951
2717
09:15
What if, when I was in Cambridge,
171
543668
1927
E se, quando ero a Cambridge,
fossi entrata nel mio flusso
emotivo in tempo reale
emotivo in tempo reale
09:17
I had access to my real-time
emotion stream,
emotion stream,
172
545595
2313
09:19
and I could share that with my family
back home in a very natural way,
back home in a very natural way,
173
547908
3529
e avessi potuto condividerlo
con la mia famiglia in modo spontaneo,
con la mia famiglia in modo spontaneo,
09:23
just like I would've if we were all
in the same room together?
in the same room together?
174
551437
3971
come avrei fatto se fossimo stati insieme
nella stessa stanza?
nella stessa stanza?
09:27
I think five years down the line,
175
555408
3142
Credo che nel giro di cinque anni
tutti i dispositivi avranno
un chip per le emozioni,
un chip per le emozioni,
09:30
all our devices are going
to have an emotion chip,
to have an emotion chip,
176
558550
2337
09:32
and we won't remember what it was like
when we couldn't just frown at our device
when we couldn't just frown at our device
177
560887
4064
e non ricorderemo com'era quando
non potevamo guardar male
non potevamo guardar male
il nostro dispositivosenza che dicesse:
"Non ti piaceva, vero?
"Non ti piaceva, vero?
09:36
and our device would say, "Hmm,
you didn't like that, did you?"
you didn't like that, did you?"
178
564951
4249
La grande sfida è che ci sono così tante
applicazioni di questa tecnologia
applicazioni di questa tecnologia
09:41
Our biggest challenge is that there are
so many applications of this technology,
so many applications of this technology,
179
569200
3761
che io e il mio team sappiamo
di non poter realizzare da soli.
di non poter realizzare da soli.
09:44
my team and I realize that we can't
build them all ourselves,
build them all ourselves,
180
572961
2903
Perciò l'abbiamo resa disponibile
così che altri sviluppatori
così che altri sviluppatori
09:47
so we've made this technology available
so that other developers
so that other developers
181
575864
3496
possano svilupparla ed essere creativi.
09:51
can get building and get creative.
182
579360
2114
09:53
We recognize that
there are potential risks
there are potential risks
183
581474
4086
Ammettiamo che ci sono
rischi potenziali
rischi potenziali
09:57
and potential for abuse,
184
585560
2067
e la possibilità di abuso,
09:59
but personally, having spent
many years doing this,
many years doing this,
185
587627
2949
ma personalmente, avendo passato
tanti anni a farlo,
tanti anni a farlo,
credo che i benefici per l'uomo
10:02
I believe that the benefits to humanity
186
590576
2972
nell'avere una tecnologia
emotivamente intelligente
emotivamente intelligente
10:05
from having emotionally
intelligent technology
intelligent technology
187
593548
2275
siano di gran lunga maggiori
del potenziale uso improprio.
del potenziale uso improprio.
10:07
far outweigh the potential for misuse.
188
595823
3576
E vi invito a essere tutti
parte della conversazione.
parte della conversazione.
10:11
And I invite you all to be
part of the conversation.
part of the conversation.
189
599399
2531
Più persone conoscono
questa tecnologia,
questa tecnologia,
10:13
The more people who know
about this technology,
about this technology,
190
601930
2554
più possiamo tutti avere voce
su come va usata.
su come va usata.
10:16
the more we can all have a voice
in how it's being used.
in how it's being used.
191
604484
3177
10:21
So as more and more
of our lives become digital,
of our lives become digital,
192
609081
4574
Dato che sempre più le nostre vite
diventano digitali,
diventano digitali,
10:25
we are fighting a losing battle
trying to curb our usage of devices
trying to curb our usage of devices
193
613655
3498
combattiamo una battaglia persa
cercando di frenare l'uso dei dispositivi
cercando di frenare l'uso dei dispositivi
10:29
in order to reclaim our emotions.
194
617153
2229
per ritrovare le nostre emozioni.
Quello che invece cerco di fare è portare
le emozioni nella nostra tecnologia
le emozioni nella nostra tecnologia
10:32
So what I'm trying to do instead
is to bring emotions into our technology
is to bring emotions into our technology
195
620622
3914
10:36
and make our technologies more responsive.
196
624536
2229
e renderla più reattiva.
Voglio che quei dispositivi
che ci hanno divisi
che ci hanno divisi
10:38
So I want those devices
that have separated us
that have separated us
197
626765
2670
ci uniscano di nuovo.
10:41
to bring us back together.
198
629435
2462
10:43
And by humanizing technology,
we have this golden opportunity
we have this golden opportunity
199
631897
4588
E umanizzando la tecnologia
abbiamo un'opportunità d'oro
abbiamo un'opportunità d'oro
10:48
to reimagine how we
connect with machines,
connect with machines,
200
636485
3297
per ripensare a come siamo connessi
con le macchine,
con le macchine,
10:51
and therefore, how we, as human beings,
201
639782
4481
e quindi a come, in quanto esseri umani,
siamo connessi agli altri.
10:56
connect with one another.
202
644263
1904
Grazie.
10:58
Thank you.
203
646167
2160
(Applausi)
11:00
(Applause)
204
648327
3313
ABOUT THE SPEAKER
Rana el Kaliouby - Computer scientistWhat if a computer could recognize your facial expression, and react to how you feel? Rana el Kaliouby sees big possibilities in making technology emotionally aware.
Why you should listen
Rana el Kaliouby, chief science officer and co-founder of Affectiva, an MIT Media Lab spin-off, is on a mission to bring emotion intelligence to our digital experiences. She leads the company's emotion analytics team, which is responsible for developing emotion-sensing algorithms and mining the world's largest emotion data database. So far, they've collected 12 billion emotion data points from 2.9 million face videos from volunteers in 75 countries. The company’s platform is used by many Fortune Global 100 companies to measure consumer engagement, and is pioneering emotion-enabled digital apps for enterprise, entertainment, video communication and online education.
Entrepreneur magazine called el Kaliouby one of “The 7 Most Powerful Women To Watch in 2014,” and the MIT Technology Review included her in their list of the “Top 35 Innovators Under 35.”
Rana el Kaliouby | Speaker | TED.com