TED@IBM
Raphael Arar: How we can teach computers to make sense of our emotions
Raphael Arar: Como podemos ensinar os computadores a entenderem as nossas emoções
Filmed:
Readability: 4.3
1,255,602 views
Como podemos fazer sistemas de Inteligência Artificial com que as pessoas queiram interagir? Raphael Arar sugere que comecemos pela arte. Ele partilha projetos interativos que ajudam a IA a explorar ideias complexas como a nostalgia, a intuição e a conversação — tudo de forma a conseguir fazer a tecnologia futura tão humana quanto 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
Eu considero-me em parte artista,
em parte "designer".
em parte "designer".
00:18
And I work at an artificial
intelligence research lab.
intelligence research lab.
1
6480
3160
Trabalho num laboratório de pesquisa
de Inteligência Artificial.
de Inteligência Artificial.
00:22
We're trying to create technology
2
10720
1696
Estamos a tentar criar tecnologia
00:24
that you'll want to interact with
in the far future.
in the far future.
3
12440
3296
com a qual vocês vão querer interagir
num futuro longínquo.
num futuro longínquo.
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
Não apenas daqui a seis meses,
mas sim daqui a anos e décadas.
mas sim daqui a anos e décadas.
00:33
And we're taking a moonshot
5
21120
1616
Partimos do princípio ambicioso
00:34
that we'll want to be
interacting with computers
interacting with computers
6
22760
2456
de que vamos querer interagir
com os computadores
com os computadores
de maneiras profundamente emocionais.
00:37
in deeply emotional ways.
7
25240
2120
00:40
So in order to do that,
8
28280
1456
Então, para fazer isso,
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 tecnologia tem de ser tão humana,
quanto é artificial.
quanto é artificial.
Ela tem de nos perceber.
00:46
It has to get you.
10
34920
2256
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
Vocês sabem, é como aquela piada
que apenas nós e o nosso melhor amigo
que apenas nós e o nosso melhor amigo
00:52
on the floor, cracking up.
12
40560
1936
vamos achar hilariante.
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
Ou aquele ar de desapontamento,
que conseguimos cheirar de longe.
que conseguimos cheirar de longe.
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
Eu vejo a arte como o caminho para
nos ajudar a transpor esse fosso
nos ajudar a transpor esse fosso
entre seres humanos e máquina:
perceber o que significa
entendermo-nos uns aos outros
entendermo-nos uns aos outros
01:07
to figure out what it means
to get each other
to get each other
15
55280
3136
para conseguirmos treinar
a IA para nos entender.
a IA para nos entender.
01:10
so that we can train AI to get us.
16
58440
2760
01:13
See, to me, art is a way
to put tangible experiences
to put tangible experiences
17
61920
3816
Porque, para mim, a arte é uma maneira
de colocar experiências reais
de colocar experiências reais
01:17
to intangible ideas,
feelings and emotions.
feelings and emotions.
18
65760
3240
em ideias, emoções
e sentimentos não palpáveis.
e sentimentos não palpáveis.
E acho que é uma das coisas
mais humanas sobre nós.
mais humanas sobre nós.
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
01:25
See, we're a complicated
and complex bunch.
and complex bunch.
20
73480
2936
Nós somos complicados e complexos.
01:28
We have what feels like
an infinite range of emotions,
an infinite range of emotions,
21
76440
3136
Temos o que parece ser
uma infinidade de emoções
uma infinidade de emoções
01:31
and to top it off, we're all different.
22
79600
2496
e, ainda por cima, somos todos diferentes.
01:34
We have different family backgrounds,
23
82120
2296
Todos temos diferentes
passados familiares,
passados familiares,
01:36
different experiences
and different psychologies.
and different psychologies.
24
84440
3080
experiências diferentes,
e psicologias diferentes.
e psicologias diferentes.
01:40
And this is what makes life
really interesting.
really interesting.
25
88240
2720
E isso é o que torna a vida
muito interessante.
muito interessante.
01:43
But this is also what makes
working on intelligent technology
working on intelligent technology
26
91440
3496
Mas também é aquilo que torna
trabalhar com inteligência artificial,
trabalhar com inteligência artificial,
extremamente difícil.
01:46
extremely difficult.
27
94960
1600
01:49
And right now, AI research, well,
28
97640
3456
Neste momento, a pesquisa
de Inteligência Artificial
de Inteligência Artificial
encontra-se um pouco descuidada,
do ponto de vista tecnológico.
do ponto de vista tecnológico.
01:53
it's a bit lopsided on the tech side.
29
101120
2016
01:55
And that makes a lot of sense.
30
103160
2136
E isso faz todo o sentido.
Porque, por cada
característica qualitativa nossa
característica qualitativa nossa
01:57
See, for every
qualitative thing about us --
qualitative thing about us --
31
105320
2456
01:59
you know, those parts of us that are
emotional, dynamic and subjective --
emotional, dynamic and subjective --
32
107800
4456
— as nossas partes emocionais,
dinâmicas e subjetivas —
dinâmicas e subjetivas —
temos de convertê-la numa
medida quantitativa:
medida quantitativa:
02:04
we have to convert it
to a quantitative metric:
to a quantitative metric:
33
112280
3136
02:07
something that can be represented
with facts, figures and computer code.
with facts, figures and computer code.
34
115440
4360
algo que possa ser representado
com factos, números e código informático.
com factos, números e código informático.
02:13
The issue is, there are
many qualitative things
many qualitative things
35
121000
3376
O problema é que há
muitas coisas qualitativas
muitas coisas qualitativas
que nós não conseguimos perceber.
02:16
that we just can't put our finger on.
36
124400
1960
02:20
So, think about hearing
your favorite song for the first time.
your favorite song for the first time.
37
128400
3200
Pensem em quando ouviram
a vossa música favorita pela primeira vez.
a vossa música favorita pela primeira vez.
02:25
What were you doing?
38
133200
1200
O que estavam a fazer?
02:28
How did you feel?
39
136000
1200
Como se sentiram?
02:30
Did you get goosebumps?
40
138720
1360
Tiveram arrepios?
02:33
Or did you get fired up?
41
141240
1640
Ou ficaram entusiasmados?
02:36
Hard to describe, right?
42
144400
1200
Difícil de descrever, não é?
02:38
See, parts of us feel so simple,
43
146800
2096
Algumas partes de nós
parecem tão simples,
parecem tão simples,
02:40
but under the surface,
there's really a ton of complexity.
there's really a ton of complexity.
44
148920
3656
mas, no fundo, são muito complexas.
02:44
And translating
that complexity to machines
that complexity to machines
45
152600
2936
Traduzir essa complexidade
para uma máquina
para uma máquina
02:47
is what makes them modern-day moonshots.
46
155560
2856
é a essência de muitos
projetos inovadores modernos.
projetos inovadores modernos.
02:50
And I'm not convinced that we can
answer these deeper questions
answer these deeper questions
47
158440
4176
Eu não estou convencido
de que conseguimos responder
a estas questões mais profundas
a estas questões mais profundas
02:54
with just ones and zeros alone.
48
162640
1480
apenas com uns e zeros.
No laboratório,
tenho estado a criar arte
tenho estado a criar arte
02:57
So, in the lab, I've been creating art
49
165120
1936
como uma forma de me ajudar
a desenvolver experiências melhores
a desenvolver experiências melhores
02:59
as a way to help me
design better experiences
design better experiences
50
167080
2456
03:01
for bleeding-edge technology.
51
169560
2096
para uma tecnologia de ponta.
03:03
And it's been serving as a catalyst
52
171680
1736
Tem estado a servir de catalisador
para fortalecer as maneiras mais humanas
para fortalecer as maneiras mais humanas
03:05
to beef up the more human ways
that computers can relate to us.
that computers can relate to us.
53
173440
3840
como os computadores
se relacionam connosco.
se relacionam connosco.
03:10
Through art, we're tacking
some of the hardest questions,
some of the hardest questions,
54
178000
2696
Através da arte, pegamos
nalgumas das questões mais difíceis
nalgumas das questões mais difíceis
03:12
like what does it really mean to feel?
55
180720
2360
como, o que significa 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
Ou, como nos envolvemos e sabemos
como estar presente para os outros?
como estar presente para os outros?
03:20
And how does intuition
affect the way that we interact?
affect the way that we interact?
57
188800
4000
E, como é que a intuição afeta
a maneira com interagimos?
a maneira com interagimos?
03:26
So, take for example human emotion.
58
194440
2056
Por exemplo, neste momento,
os computadores conseguem perceber
os computadores conseguem perceber
03:28
Right now, computers can make sense
of our most basic ones,
of our most basic ones,
59
196520
3256
as emoções humanas mais básicas,
03:31
like joy, sadness,
anger, fear and disgust,
anger, fear and disgust,
60
199800
3696
como a alegria, a tristeza, a raiva,
o medo e a repugnância,
o medo e a repugnância,
03:35
by converting those
characteristics to math.
characteristics to math.
61
203520
3000
convertendo essas características
em matemática.
em matemática.
Mas e as emoções mais complexas?
03:39
But what about the more complex emotions?
62
207400
2536
Vocês sabem, aquelas emoções
03:41
You know, those emotions
63
209960
1216
03:43
that we have a hard time
describing to each other?
describing to each other?
64
211200
2376
que temos dificuldade
em descrever uns aos outros,
em descrever uns aos outros,
03:45
Like nostalgia.
65
213600
1440
como a nostalgia.
Então, para explorar isto,
eu criei uma peça de arte,
eu criei uma peça de arte,
03:47
So, to explore this, I created
a piece of art, an experience,
a piece of art, an experience,
66
215640
3936
uma experiência que pedia a pessoas
para partilharem uma memória
para partilharem uma memória
03:51
that asked people to share a memory,
67
219600
2096
03:53
and I teamed up with some data scientists
68
221720
2136
e juntei-me a alguns
cientistas de dados
cientistas de dados
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 perceber como pegar
numa emoção altamente subjetiva
numa emoção altamente subjetiva
e convertê-la para algo
matematicamente preciso.
matematicamente preciso.
03:59
and convert it into something
mathematically precise.
mathematically precise.
70
227480
3200
Então, criámos
uma "pontuação para a nostalgia"
uma "pontuação para a nostalgia"
04:03
So, we created what we call
a nostalgia score
a nostalgia score
71
231840
2136
04:06
and it's the heart of this installation.
72
234000
2216
que é o centro desta experiência.
04:08
To do that, the installation
asks you to share a story,
asks you to share a story,
73
236240
3056
Para fazer isso, pedimos-lhes
que partilhem uma história.
que partilhem uma história.
04:11
the computer then analyzes it
for its simpler emotions,
for its simpler emotions,
74
239320
3256
Depois, o computador analisa-a
para encontrar as emoções mais básicas,
para encontrar as emoções mais básicas,
04:14
it checks for your tendency
to use past-tense wording
to use past-tense wording
75
242600
2656
verifica a tendência para usar
os verbos no passado
os verbos no passado
04:17
and also looks for words
that we tend to associate with nostalgia,
that we tend to associate with nostalgia,
76
245280
3336
e também procura palavras
que tendemos a associar a nostalgia,
que tendemos a associar a nostalgia,
04:20
like "home," "childhood" and "the past."
77
248640
3040
tal como "lar", "infância" e "o passado".
04:24
It then creates a nostalgia score
78
252760
2056
Depois, cria uma pontuação de nostalgia
04:26
to indicate how nostalgic your story is.
79
254840
2736
para indicar o quão nostálgica
é a nossa história.
é a nossa história.
04:29
And that score is the driving force
behind these light-based sculptures
behind these light-based sculptures
80
257600
4136
Essa pontuação é a força motora
destas esculturas à base de luz
destas esculturas à base de luz
04:33
that serve as physical embodiments
of your contribution.
of your contribution.
81
261760
3896
que corporizam a vossa contribuição.
04:37
And the higher the score,
the rosier the hue.
the rosier the hue.
82
265680
3216
Quanto maior for a pontuação,
mais cor-de-rosa será a escultura.
mais cor-de-rosa será a escultura.
04:40
You know, like looking at the world
through rose-colored glasses.
through rose-colored glasses.
83
268920
3936
Como se estivéssemos a olhar para o mundo
através de óculos cor-de-rosa.
através de óculos cor-de-rosa.
04:44
So, when you see your score
84
272880
2616
Quando vemos a nossa pontuação
04:47
and the physical representation of it,
85
275520
2656
e a sua representação física,
04:50
sometimes you'd agree
and sometimes you wouldn't.
and sometimes you wouldn't.
86
278200
2936
às vezes concordamos
outras vezes não.
outras vezes não.
04:53
It's as if it really understood
how that experience made you feel.
how that experience made you feel.
87
281160
3480
É como se a máquina compreendesse
como essa experiência nos fez sentir.
como essa experiência nos fez sentir.
Mas, outras vezes,
a máquina confunde-se
a máquina confunde-se
04:57
But other times it gets tripped up
88
285400
2216
04:59
and has you thinking
it doesn't understand you at all.
it doesn't understand you at all.
89
287640
2560
e faz-nos pensar que ela
não nos entendeu, de todo.
não nos entendeu, de todo.
Mas esta peça serve para mostrar
05:02
But the piece really serves to show
90
290680
1896
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, se nós já temos bastante dificuldade
em explicar as emoções uns aos outros,
em explicar as emoções uns aos outros,
como é que vamos conseguir
ensinar um computador a entendê-las?
ensinar um computador a entendê-las?
05:08
how can we teach a computer
to make sense of them?
to make sense of them?
92
296680
2360
Até as partes mais objetivas sobre
ser humano são difíceis de descrever.
ser humano são difíceis de descrever.
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
05:15
Like, conversation.
94
303960
1240
Como as conversas.
05:17
Have you ever really tried
to break down the steps?
to break down the steps?
95
305880
2736
Já as tentaram dividir por passos?
Pensem em estarem sentados
com um amigo, num café
com um amigo, num café
05:20
So think about sitting
with your friend at a coffee shop
with your friend at a coffee shop
96
308640
2656
a tagarelarem.
05:23
and just having small talk.
97
311320
1320
05:25
How do you know when to take a turn?
98
313160
1720
Como sabem quando é a vez de quem?
05:27
How do you know when to shift topics?
99
315440
1840
Como sabem quando mudar de tópico?
E como é que sabem
quais os tópicos a discutir?
quais os tópicos a discutir?
05:29
And how do you even know
what topics to discuss?
what topics to discuss?
100
317960
2720
Muitos de nós
nem sequer pensamos nisso,
nem sequer pensamos nisso,
05:33
See, most of us
don't really think about it,
don't really think about it,
101
321560
2096
porque é quase uma segunda natureza.
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
Quando conhecemos alguém,
aprendemos o que os motiva
aprendemos o que os motiva
e depois aprendemos
os tópicos que podemos discutir.
os tópicos que podemos discutir.
05:40
and then we learn
what topics we can discuss.
what topics we can discuss.
104
328880
2376
Mas, quando se trata de ensinar
sistemas de IA
sistemas de IA
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
como interagir com pessoas,
05:46
we have to teach them
step by step what to do.
step by step what to do.
106
334960
2856
temos de lhes ensinar,
passo a passo, o que fazer.
passo a passo, o que fazer.
05:49
And right now, it feels clunky.
107
337840
3496
Neste momento, 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
Se já tentaram falar com a Alexa,
com a Siri, ou com o Assistente Google,
com a Siri, ou com o Assistente Google,
veem que eles ainda parecem frios.
05:57
you can tell that it or they
can still sound cold.
can still sound cold.
109
345520
4200
Já alguma vez ficaram aborrecidos
06:02
And have you ever gotten annoyed
110
350440
1656
06:04
when they didn't understand
what you were saying
what you were saying
111
352120
2256
quando eles não perceberam
o que vocês lhes diziam
o que vocês lhes diziam
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
e tiveram de refazer 20 vezes a frase
só para pôr uma música a tocar?
só para pôr uma música a tocar?
06:11
Alright, to the credit of the designers,
realistic communication is really hard.
realistic communication is really hard.
113
359440
4896
Para crédito dos "designers",
é difícil criar uma comunicação realista.
é difícil criar uma comunicação realista.
Há todo um ramo da sociologia,
chamado Análise de Conversação,
chamado Análise de Conversação,
06:16
And there's a whole branch of sociology,
114
364360
2136
06:18
called conversation analysis,
115
366520
1936
que tenta fazer modelos
para tipos diferentes de conversas.
para tipos diferentes de conversas.
06:20
that tries to make blueprints
for different types of conversation.
for different types of conversation.
116
368480
3136
06:23
Types like customer service
or counseling, teaching and others.
or counseling, teaching and others.
117
371640
4080
Tipos como serviço ao cliente,
aconselhamento, ensino, e outros.
aconselhamento, ensino, e outros.
Tenho colaborado no laboratório
com um analista de conversação
com um analista de conversação
06:28
I've been collaborating
with a conversation analyst at the lab
with a conversation analyst at the lab
118
376880
2936
para que os nossos sistemas de IA
06:31
to try to help our AI systems
hold more human-sounding conversations.
hold more human-sounding conversations.
119
379840
4696
tenham conversas que soem mais 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
Assim, ao interagir ao telemóvel
com um robô de conversação,
com um robô de conversação,
06:39
or a voice-based system in the car,
121
387760
1856
ou um sistema à base de voz, no carro,
06:41
it sounds a little more human
and less cold and disjointed.
and less cold and disjointed.
122
389640
3320
ele soará um pouco mais humano
e menos frio e desarticulado.
e menos frio e desarticulado.
Então, eu criei uma obra de arte
06:46
So I created a piece of art
123
394360
1336
06:47
that tries to highlight
the robotic, clunky interaction
the robotic, clunky interaction
124
395720
2816
que tenta realçar a interação
robótica e desajeitada
robótica e desajeitada
06:50
to help us understand, as designers,
125
398560
1976
para ajudar os "designers" a compreender
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
porque é que ainda não soa humano,
e o que podemos fazer quanto a isso.
e o que podemos fazer quanto a isso.
Esta peça chama-se Bot to Bot
06:57
The piece is called Bot to Bot
127
405160
1456
06:58
and it puts one conversational
system against another
system against another
128
406640
2936
e confronta um sistema
de conversação com outro
de conversação com outro
07:01
and then exposes it to the general public.
129
409600
2536
e depois expõe-no para o público em geral.
O que acaba por acontecer
é que obtemos algo
é que obtemos algo
07:04
And what ends up happening
is that you get something
is that you get something
130
412160
2496
que tenta imitar a conversação humana,
07:06
that tries to mimic human conversation,
131
414680
1896
07:08
but falls short.
132
416600
1896
mas fica longe de o conseguir.
07:10
Sometimes it works and sometimes
it gets into these, well,
it gets into these, well,
133
418520
2736
Ás vezes funciona e às vezes entra
numa espécie de ciclo de mal entendidos.
numa espécie de ciclo de mal entendidos.
07:13
loops of misunderstanding.
134
421280
1536
Apesar de a conversação
máquina-para-máquina poder fazer sentido
máquina-para-máquina poder fazer sentido
07:14
So even though the machine-to-machine
conversation can make sense,
conversation can make sense,
135
422840
3096
gramatical e coloquialmente,
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
mesmo assim, pode acabar
por parecer fria e robótica.
por parecer fria e robótica.
07:23
And despite checking all the boxes,
the dialogue lacks soul
the dialogue lacks soul
138
431240
4016
Apesar de seguir todas as regras,
o diálogo tem falta de alma
o diálogo tem falta de alma
e daquelas peculiaridades
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
que fazem de cada um de nós
aquilo que somos.
aquilo que somos.
07:30
So while it might be grammatically correct
140
438440
2056
Assim, apesar de estar
gramaticalmente correta
gramaticalmente correta
07:32
and uses all the right
hashtags and emojis,
hashtags and emojis,
141
440520
2656
e usar todos os "hashtags"
e "emojis" corretos,
e "emojis" corretos,
07:35
it can end up sounding mechanical
and, well, a little creepy.
and, well, a little creepy.
142
443200
4136
pode soar, na mesma,
um pouco mecânico e arrepiante.
um pouco mecânico e arrepiante.
07:39
And we call this the uncanny valley.
143
447360
2336
Chamamos a isto, o Vale do Estranho,
aquele fator arrepiante da tecnologia,
que a aproxima de um ser humano,
que a aproxima de um ser humano,
07:41
You know, that creepiness factor of tech
144
449720
1936
07:43
where it's close to human
but just slightly off.
but just slightly off.
145
451680
2856
mas um pouco diferente.
07:46
And the piece will start being
146
454560
1456
A peça vai começar a ser
07:48
one way that we test
for the humanness of a conversation
for the humanness of a conversation
147
456040
3216
uma maneira de testar
a humanidade de uma conversa
a humanidade de uma conversa
e as partes que se perdem na tradução.
07:51
and the parts that get
lost in translation.
lost in translation.
148
459280
2160
07:54
So there are other things
that get lost in translation, too,
that get lost in translation, too,
149
462560
2856
Há outras coisas
que também se perdem na tradução,
que também se perdem na tradução,
como a intuição humana.
07:57
like human intuition.
150
465440
1616
Neste momento, os computadores
estão a ganhar mais autonomia.
estão a ganhar mais autonomia.
07:59
Right now, computers
are gaining more autonomy.
are gaining more autonomy.
151
467080
2776
08:01
They can take care of things for us,
152
469880
1736
Eles podem tratar de coisas para nós,
08:03
like change the temperature
of our houses based on our preferences
of our houses based on our preferences
153
471640
3176
como mudar a temperatura
das nossas casas
das nossas casas
segundo as nossas preferências
08:06
and even help us drive on the freeway.
154
474840
2160
e até nos ajudar a conduzir
na autoestrada.
na autoestrada.
Mas há coisas que todos
fazemos em pessoa
fazemos em pessoa
08:09
But there are things
that you and I do in person
that you and I do in person
155
477560
2496
08:12
that are really difficult
to translate to AI.
to translate to AI.
156
480080
2760
que são bastante difíceis de traduzir
para Inteligência Artificial.
para Inteligência Artificial.
Pensem na última vez
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
que viram um antigo colega de escola
ou um colega de trabalho.
ou um colega de trabalho.
08:21
Did you give them a hug
or go in for a handshake?
or go in for a handshake?
158
489080
2480
Deram-lhe um abraço,
ou um aperto de mão?
ou um aperto de mão?
Provavelmente, nem pensaram duas vezes
08:24
You probably didn't think twice
159
492800
1496
08:26
because you've had so many
built up experiences
built up experiences
160
494320
2336
porque já tiveram muitas experiências
08:28
that had you do one or the other.
161
496680
2000
em que tiveram de fazer
uma coisa ou a outra.
uma coisa ou a outra.
08:31
And as an artist, I feel
that access to one's intuition,
that access to one's intuition,
162
499440
3456
Como artista, sinto que
aceder à intuição de cada um,
aceder à intuição de cada um,
08:34
your unconscious knowing,
163
502920
1416
ao conhecimento inconsciente
de cada um,
de cada um,
08:36
is what helps us create amazing things.
164
504360
3056
é o que nos ajuda a criar
coisas maravilhosas.
coisas maravilhosas.
Grandes ideias,
08:39
Big ideas, from that abstract,
nonlinear place in our consciousness
nonlinear place in our consciousness
165
507440
4056
a partir desse lugar abstrato
e não-linear da nossa consciência
e não-linear da nossa consciência
08:43
that is the culmination
of all of our experiences.
of all of our experiences.
166
511520
2960
que é o culminar
de todas as nossas experiências.
de todas as nossas experiências.
Se quisermos que os computadores
se relacionem connosco
se relacionem connosco
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
e nos ajudem a ampliar
as nossas capacidades criativas,
as nossas capacidades criativas,
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
vamos ter de começar a pensar
em como fazer computadores intuitivos.
em como fazer computadores intuitivos.
08:56
So I wanted to explore
how something like human intuition
how something like human intuition
169
524440
3096
Então, eu quis explorar
como algo como a intuição humana
como algo como a intuição humana
08:59
could be directly translated
to artificial intelligence.
to artificial intelligence.
170
527560
3456
pode estar diretamente relacionada
com a Inteligência Artificial.
com a Inteligência Artificial.
09:03
And I created a piece
that explores computer-based intuition
that explores computer-based intuition
171
531040
3216
E criei uma peça que explora a intuição
com base num computador
num espaço físico.
num espaço físico.
09:06
in a physical space.
172
534280
1320
Esta peça chama-se Wayfinding
09:08
The piece is called Wayfinding,
173
536480
1696
09:10
and it's set up as a symbolic compass
that has four kinetic sculptures.
that has four kinetic sculptures.
174
538200
3936
e é uma bússola simbólica
que tem quatro esculturas cinéticas.
que tem quatro esculturas cinéticas.
09:14
Each one represents a direction,
175
542160
2056
Cada uma representa uma direção,
09:16
north, east, south and west.
176
544240
2120
norte, sul, este e oeste.
09:19
And there are sensors set up
on the top of each sculpture
on the top of each sculpture
177
547080
2696
Tem sensores montados
no topo de cada escultura
no topo de cada escultura
09:21
that capture how far away
you are from them.
you are from them.
178
549800
2256
que captam a distância
a que estamos dela.
a que estamos dela.
09:24
And the data that gets collected
179
552080
1816
Os dados que são recolhidos
09:25
ends up changing the way
that sculptures move
that sculptures move
180
553920
2136
acabam por mudar a maneira
como a escultura se movimenta
como a escultura se movimenta
09:28
and the direction of the compass.
181
556080
2040
e a direção da bússola.
09:31
The thing is, the piece doesn't work
like the automatic door sensor
like the automatic door sensor
182
559360
3656
Esta peça não funciona como
os sensores duma porta automática
os sensores duma porta automática
09:35
that just opens
when you walk in front of it.
when you walk in front of it.
183
563040
2656
que se abre quando passamos
em frente dela.
em frente dela.
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 nossa contribuição é apenas uma parte
da recolha de experiências vividas.
da recolha de experiências vividas.
09:42
And all of those experiences
affect the way that it moves.
affect the way that it moves.
185
570800
4056
Todas estas experiências afetam
a maneira como ela se move.
a maneira como ela se move.
Por isso, quando passamos em frente dela,
09:46
So when you walk in front of it,
186
574880
1736
09:48
it starts to use all of the data
187
576640
1976
ela começa a usar todos os dados
09:50
that it's captured
throughout its exhibition history --
throughout its exhibition history --
188
578640
2616
que captou durante
toda a sua exibição
toda a sua exibição
— ou a sua intuição —
09:53
or its intuition --
189
581280
1816
para nos responder mecanicamente
com base no que aprendeu com outros.
com base no que aprendeu com outros.
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
O que acaba por acontece
é que, como participantes,
é que, como participantes,
09:59
And what ends up happening
is that as participants
is that as participants
191
587480
2536
10:02
we start to learn the level
of detail that we need
of detail that we need
192
590040
2816
começamos a compreender
o nível de detalhe que precisamos
o nível de detalhe que precisamos
10:04
in order to manage expectations
193
592880
2016
de maneira a gerir expetativas
10:06
from both humans and machines.
194
594920
2776
tanto dos seres humanos
como das máquinas.
como das máquinas.
10:09
We can almost see our intuition
being played out on the computer,
being played out on the computer,
195
597720
3616
Quase conseguimos ver a nossa
intuição a passar no computador,
intuição a passar no computador,
imaginando todos os dados
a serem processados na nossa mente.
a serem processados na nossa mente.
10:13
picturing all of that data
being processed in our mind's eye.
being processed in our mind's eye.
196
601360
3600
A minha esperança é que este tipo de arte
10:17
My hope is that this type of art
197
605560
1656
10:19
will help us think differently
about intuition
about intuition
198
607240
2416
nos ajude a pensar
de forma diferente na intuição
de forma diferente na intuição
10:21
and how to apply that to AI in the future.
199
609680
2280
e em como aplicar isso,
no futuro, à IA.
no futuro, à IA.
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
Estes são apenas alguns exemplos
de como eu uso arte
para alimentar o meu trabalho
para alimentar o meu trabalho
10:28
as a designer and researcher
of artificial intelligence.
of artificial intelligence.
201
616440
3096
enquanto "designer" e investigador
de Inteligência Artificial.
de Inteligência Artificial.
10:31
And I see it as a crucial way
to move innovation forward.
to move innovation forward.
202
619560
3496
Vejo isto como uma maneira crucial
de fazer avançar a inovação,
de fazer avançar a inovação,
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
porque, de momento, há muitos extremos,
no que toca à Inteligência Artificial.
no que toca à Inteligência Artificial.
Filmes populares mostram-na
como uma força destruidora
como uma força destruidora
10:39
Popular movies show it
as this destructive force
as this destructive force
204
627480
2816
10:42
while commercials
are showing it as a savior
are showing it as a savior
205
630320
3056
enquanto anúncios a mostram
como um salvador
como um salvador
10:45
to solve some of the world's
most complex problems.
most complex problems.
206
633400
2936
para resolver alguns dos problemas
mais complexos do mundo.
mais complexos do mundo.
10:48
But regardless of where you stand,
207
636360
2536
Mas, o que quer que seja
que vocês pensem,
que vocês pensem,
é difícil negar que vivemos num mundo
10:50
it's hard to deny
that we're living in a world
that we're living in a world
208
638920
2176
que está a ficar cada vez mais digital
à medida que o tempo passa.
à medida que o tempo passa.
10:53
that's becoming more
and more digital by the second.
and more digital by the second.
209
641120
2576
10:55
Our lives revolve around our devices,
smart appliances and more.
smart appliances and more.
210
643720
4600
A nossa vida gira em volta
dos nossos dispositivos,
dos nossos dispositivos,
dos aparelhos inteligentes e outros.
11:01
And I don't think
this will let up any time soon.
this will let up any time soon.
211
649400
2320
Eu acho que isto
não vai mudar tão cedo.
não vai mudar tão cedo.
11:04
So, I'm trying to embed
more humanness from the start.
more humanness from the start.
212
652400
3736
Por isso, estou a tentar acrescentar
mais humanidade desde já.
mais humanidade desde já.
11:08
And I have a hunch that bringing art
into an AI research process
into an AI research process
213
656160
5136
E tenho um palpite que introduzir a arte
na investigação da Inteligência Artificial
na investigação da Inteligência Artificial
11:13
is a way to do just that.
214
661320
1896
é uma maneira de fazer isso.
11:15
Thank you.
215
663240
1216
Obrigado.
(Aplausos)
11:16
(Applause)
216
664480
2280
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