211service.com
Kai mūsų įrenginiai gali nuskaityti mūsų emocijas: Affectiva Gabi Zijderveld
Emocijų sekimo AI pradeda padėti mašinoms atpažinti mūsų nuotaikas. Ar mes pasiruošę?
2019 m. vasario 28 d
Asmeniniai asistentai, tokie kaip „Siri“, „Alexa“, „Cortana“ ar „Google Home“, gali išanalizuoti mūsų ištartus žodžius ir (kartais) tinkamai reaguoti, bet negali įvertinti, kaip jaučiamės – iš dalies todėl, kad nemato mūsų veidų. Tačiau besiformuojančioje emocijų sekimo dirbtinio intelekto srityje įmonės tiria mūsų įrenginių fotoaparatų užfiksuotas veido išraiškas, kad visų rūšių programinė įranga galėtų geriau reaguoti į mūsų nuotaikas ir pažinimo būsenas.
Bostono startuolio „Affectiva“, kurį įkūrė MIT Media Lab tyrėjų Rosalind Picard ir Rana El Kaliouby, programuotojai apmokė mašininio mokymosi algoritmus, kad atpažintų mūsų veido signalus ir nustatytų, ar mėgaujamės vaizdo įrašu, ar už vairo mieguistame. Gabi Zijderveld, „Affectiva“ rinkodaros vadovė ir produktų strategijos vadovė, „Business Lab“ teigia, kad tokia programinė įranga gali supaprastinti rinkodarą, apsaugoti vairuotojus ir galiausiai padaryti visą mūsų sąveiką su technologijomis gilesnę ir naudingesnę. Tačiau, norėdama apsisaugoti nuo netinkamo naudojimo, Affectiva taip pat siekia visos pramonės standartų, kad emocijų sekimo sistemos būtų pasirenkamos ir sutaria.
„Business Lab“ klausytojai kviečiami teikti paraiškas prisijungti prie „MIT Technology Review Global Panel“ – išskirtinio mūsų minčių lyderių, novatorių ir vadovų forumo. Būdami pasaulinės grupės nariu galite nagrinėti šiandienines technologijų tendencijas, matyti apklausų ir studijų rezultatus, išsakyti savo nuomonę ir prisijungti prie bendraamžių verslo susitikimuose visame pasaulyje.
RODYTI PASTABAS IR NUORODAS:
MIT Media Lab Affective Computing Group
VISAS ATRANKA:
Elizabeth Bramson-Boudreau: Iš „MIT Technology Review“ aš esu Elizabeth Bramson-Boudreau, o tai yra „Business Lab“ laida, kuri padeda verslo lyderiams suprasti naujas technologijas, atsirandančias iš laboratorijos ir į rinką.
Elžbieta: Prieš pradėdamas norėčiau pakviesti klausytojus prisijungti prie MIT technologijų apžvalgos pasaulinės grupės, mūsų išskirtinio minčių lyderių, novatorių ir vadovų forumo. O kaip pasaulinės grupės narys galite nagrinėti šiandienines technologijų tendencijas, matyti apklausų ir studijų rezultatus, išsakyti savo nuomonę ir prisijungti prie bendraamžių verslo susitikimuose visame pasaulyje. Pateikite paraišką prisijungti prie grupės adresu TechnologyReview.com/globalpanel. Tai TechnologyReview.com/globalpanel.
Elžbieta: Ar nebūtų puiku, jei jūsų telefonas parodytų, kad esate niūrios nuotaikos dėl dienos trukdžių, ir atidėtų skambučius, kad atliktumėte darbą? Ar nebūtų puiku, jei jūsų dukters planšetinis kompiuteris atpažintų, kada jai nuobodu su savo mokomuoju žaidimu, ir padidintų iššūkių lygį, kad ji liktų įsitraukusi?
Elžbieta: Na, kad mūsų įrenginiai galėtų mums geriau tarnauti tokiais būdais, kaip šis, jie turės suprasti, ką mes iš tikrųjų jaučiame. Ir apie tai šiandien kalbu su savo viešnia Gabi Zijderveld. Ji yra Bostono startuolio „Affectiva“, kuris yra naujos emocijų sekimo AI srities lyderis, vyriausioji rinkodaros pareigūnė ir produktų strategijos vadovė. Tai yra MIT Media Lab Affective Computing Group rezultatas. That’s Affective with an. Affectiva sukuria algoritmus, kurie nuskaito žmonių veidus, kad nustatytų jų emocijas ir kitas pažinimo būsenas.
Elžbieta: Ši technologija jau padeda didelėms įmonėms išbandyti, kaip auditorija emocingai reaguoja į jų skelbimus. O dabar Gabi vadovauja projektui, kurio tikslas – aprūpinti automobilius programine įranga, kuri stebės vairuotojų pažinimo ir emocinę būseną bei padės išlaikyti juos saugius ir budrus. Visa tai gali reikšti didelį šuolį į priekį bendraujant su kompiuteriniais įrenginiais. Tačiau, žinoma, tai taip pat kelia sudėtingų klausimų, kaip neleisti algoritmams, kurie gali nuskaityti mūsų emocines būsenas, išnaudoti mūsų dėmesį ar pažeisti mūsų privatumą.
Elžbieta: Gabi, sveiki atvykę ir labai ačiū, kad aplankėte mus.
Naktis: Labai ačiū, kad turite mane.
Elžbieta: Jūsų įmonės pavadinimas „Affectiva“ yra žodžių žaismas ir žaidimas „afektyvioji kompiuterija“. Ar galite apibrėžti, kas yra emocinė kompiuterija?
Naktis: Afektinis kompiuteris iš esmės yra sukurtas siekiant panaikinti takoskyrą tarp žmogaus emocijų ir technologijų. O afektinis kompiuteris leidžia technologijoms suprasti žmogaus emocijas ir tada prisitaikyti bei reaguoti į šias emocijas.
Elžbieta: Taigi „Affectiva“, kaip suprantu, išėjo iš „Media Lab“ 2009 m.
Naktis: Taip teisingai. Beveik prieš 10 metų.
Elžbieta: GERAI. Be to, įkūrėjai yra Rosalind Picard, kuri yra Media Lab Affective Computing Group vadovė, ir Rana El Kaliouby – nesu tikras, ar sakau teisingai.
Naktis: Rana El Kaliouby.
Elžbieta: Taigi ji tuo metu grupėje buvo postdoktorija, tiesa?
Naktis: Teisingai.
Elžbieta: Kokios buvo pagrindinės idėjos, kurias jiedu pateikė 2009 m., ir, jų nuomone, ko trūko kompiuterijai ir ką jie tikėjosi pakeisti?
Naktis: Dr. Rosalind Picard iš tikrųjų pradėjo emocinio skaičiavimo sritį. Ji parašė svarbią knygą maždaug prieš du dešimtmečius, pavadintą „Affective Computing“. Taigi ši sritis tikrai yra jos sumanymas. Ir šiandien ji vis dar vadovauja grupei MIT Media Lab. Taigi Rana, daktarė Rana El Kaliouby, prisijungė prie Ros Picard grupės kaip postdoc, ir kartu jie kūrė idėją, kad technologijos gali suprasti žmogaus emocijas ir į jas reaguoti, iš esmės pagerinti žmonių sąveiką su technologijomis, kad jos taptų dar geresnės. aktualus, tinkamesnis, bet galbūt ir padėti žmonėms geriau suvokti emocijas arba geriau jas valdyti. Pirmosiomis dienomis ypač daug dėmesio buvo skiriama psichikos sveikatos taikymui, ypač pagalbai autizmo spektro vaikams, naudojant technologijas, mokant juos atpažinti ar suprasti emocijas, o vėliau mokyti, kaip tinkamai išreikšti savo emocijas. . Taigi ši idėja iš tikrųjų prasidėjo ankstyvomis dienomis.
Naktis: Ir tada Rana ir Ros pradėjo daug domėtis pramone. Taigi MIT Žinoma, yra daug renginių ir konferencijų, į kurias pramonės nariai ateina norėdami sužinoti, kas naujo technologijose ir kas vystosi, ir šiomis demonstracinėmis dienomis jie pradėjo sulaukti didelio komercinio susidomėjimo savo technologijomis. Tiesą sakant, iš daugelio skirtingų pramonės šakų, įskaitant automobilių pramonę, kuri, kaip bebūtų įdomu, yra ta, kurioje šiandien esame labai aktyvūs. Tuo metu jie nuėjo pas Media Lab direktorių ir pasakė: „Ei, mums reikia daugiau biudžeto, kad pasamdytume daugiau tyrėjų, ir jis tinkamai patarė: Na, laikas atsiskirti ir kurti savo įmonę. Taip 2009 m. jie įkūrė „Affectiva“. Dabar Ros Picard vadovauja grupei MIT Media Lab, todėl kasdien ji nebedalyvauja su kompanija. Tačiau daktarė Rana El Kaliouby šiandien yra mūsų generalinė direktorė.
Elžbieta: Kaip suprantu, jūs turite du pagrindinius produktus. Turite vieną produktą, kuris yra orientuotas į rinkos tyrimus, o kitą – paminėjote automobilius – jis susijęs su vairuotojų sauga. Ar galite daugiau pasakyti apie šiuos du produktus? Galbūt pradėkite nuo to, kuris orientuotas į rinkos tyrimus. Ar tai vadinasi Affdex?
Naktis: Taigi iš tikrųjų yra įvairių, ne tik šių dviejų produktų. Taigi yra įvairių būdų, kaip supakuoti savo technologijas. Tačiau tos dvi rinkos, kurias apibūdinote, iš tikrųjų yra pagrindinės rinkos, kurių šiandien siekiame. Taigi pirmasis, kuriame turime savo technologiją, „Affdex“, skirtą rinkos tyrimams, yra produktas. Tai debesies pagrindu sukurtas sprendimas, leidžiantis žiniasklaidai ir reklamuotojams, įskaitant didžiuosius pasaulio prekių ženklus, išbandyti savo turinį, pvz., vaizdo įrašų skelbimus ir TV programas, su tiksline auditorija. Toje rinkoje jau daug metų esame rinkos lyderiai, šiuo metu tą komercinį produktą turime beveik aštuonerius metus. Ir šiandien maždaug ketvirtadalis „Fortune Global 500“ naudoja mūsų technologiją, kad išbandytų visus savo skelbimus visame pasaulyje. Manau, kad šį mėnesį tikriausiai išbandėme daugiau nei 40 000 skelbimų 87 šalyse ir išanalizavome daugiau nei septynis su puse milijono veidų. Tiek daug duomenų, kuriuos turime. Tai leido mums sukurti produktą, kuris taip pat gali padėti šiems reklamuotojams numatyti pagrindinius reklamos efektyvumo rodiklius. Taigi emocijų duomenys arba emocijų analizė iš tikrųjų gali padėti jiems numatyti tikimybę, kad turinys išplis, ar ketinimų pirkti ar padidinti pardavimus.
Elžbieta: Gerai. Dabar padėkite man suprasti, kaip tai iš tikrųjų veikia. Pavyzdžiui, ar tai yra vaizdo įrašas, kuriame asmuo stebi skelbimą? O tada analizuoja veido reakcijas į akis?
Naktis: Taip, iš esmės taip ir daroma. Kalbant apie tai, kaip paprastai dirbame, dirbame su didelėmis įžvalgų įmonėmis arba rinkos tyrimų įmonėmis, tokiomis kaip Kantar Millward Brown. Jie atlieka didžiulius tyrimų procesus, kurių metu jie bendradarbiauja su savo prekės ženklo klientais, kad suprastų, kaip turi vykti jų reklama ir ėjimas į rinką. Dabar mes esame jų tyrimų metodikų dalis, o tai reiškia, kad mūsų technologija yra integruota į jų visa apimančias platformas. Ir paprastai, kaip tai veiktų, jie turi apmokamus komisijos narius, kurie yra įdarbinti dalyvauti šiuose vartotojų įžvalgų tyrimuose. Dalis šių tyrimų gali būti apklausos komponentas, bet taip pat yra komponentas, kuriame sakoma: „Gerai, norėtume, kad prisijungę žiūrėtumėte turinio dalį, kuri gali būti TV programa arba vaizdo įrašo reklama. Mes prašome jūsų pasirinkti ir sutikti, kad įrašinėtume ir analizuotume jūsų veidą, kai žiūrite tą turinį. Ir čia atsiranda mūsų technologijos.
Naktis: Tai debesies pagrindu sukurtas sprendimas. Viskas, ko mums reikia, yra iš esmės, gavus leidimą, prieigą prie kieno nors fotoaparato, o kai jie žiūri šį turinį, sėdėdami namuose ar kur bebūtų, savo įrenginyje mes tarsi nepastebimai įrašome fone, akimirką po akimirkos. reakcijos į tą turinį. Taigi kadras po kadro analizuojame šiuos atsakymus. Įdomu tai, kad mūsų tyrimai parodė, kad žmonės gana greitai pamiršta, kad ten yra fotoaparatas. Jie tiesiog natūraliai reaguoja į tai, ką žiūri. Ir tai yra nešališka ir nefiltruota reakcija, kurios norite. Nes sukaupę šią įžvalgą galite priimti tikrai svarbius sprendimus dėl turinio ir net turinio paskirties vietos arba kaip išleidžiate reklamai skirtus lėšas.
Naktis: Taigi iš esmės tai yra pirmosios rinkos, kuriose „Affective“ pradėjo veikti. Šiandien mes vis dar labai aktyvūs šioje rinkoje. Kita rinka, kurioje šiuo metu ieškoma tikrai visa jėga, yra automobilių pramonė. Ir praėjusiais metais, beveik prieš metus, pristatėme naują tai rinkai skirtą sprendimą, pavadintą „AffectivA Automotive AI“. Iš esmės tai yra mūsų pagrindinė technologija, supakuota ir pritaikyta automobilių pramonei, nes naudojimo atvejai ten labai skirtingi. Jie yra dvejopi. Viena vertus, automobilių pramonėje, kaip visi žinome, kelių eismo saugumas yra pagrindinė problema. Kiekvieną dieną keliuose įvyksta daugybė žūčių ir tragiškų nelaimingų atsitikimų dėl išsiblaškusio vairavimo ir mieguistumo. O kas, jei pastebėtumėte, kad vairuotojas buvo išsiblaškęs arba mieguistas, ir leisti automobiliui tinkamai ir tinkamai įsikišti? Tai yra vienas dalykas, kurio visi šie automobilių gamintojai siekia. Ir čia atsiranda mūsų technologijos, nes vėlgi, naudojant jau šiandien automobiliuose esančias kameras, galime gana paprastai ir nepastebimai suprasti žmonių emocines būsenas ir sudėtingas pažinimo būsenas, tokias kaip mieguistumas ir išsiblaškymas, analizuodami jų veidą. Taigi tai yra vienas atvejis automobilių pramonėje. Iš esmės vairuotojo stebėjimas padeda pagerinti kelių saugumą.
Elžbieta: Turite turėti gana daug duomenų, kuriuos turite naudoti sistemoms apmokyti, kad galėtumėte perskaityti daugelio žmonių veidus. Ar galite pakalbėti apie tai, iš kur gaunami jūsų mokymo duomenys ir kokį postūmį gavote dėl mašininio mokymosi ir gilaus mokymosi revoliucijos per pastaruosius penkerius, 10 metų? Ar galite šiek tiek papasakoti apie savo duomenų procesus?
Naktis: Taip absoliučiai. Taigi galbūt turėčiau pradėti nuo mašininio mokymosi ir gilaus mokymosi ir kodėl mes iš tikrųjų tai naudojame. Taigi, kai galvojate apie žmogaus emocijas ir apie tai, kaip jos vystosi ir pasireiškia, žmogaus emocijos iš tikrųjų yra labai sudėtingos, dažnai labai subtilios ir niuansuotos. Ir tada, kai pagalvoji apie sudėtingas pažinimo būsenas, kurios techniškai nėra emocijos, tokius dalykus kaip mieguistumas ir išsiblaškymas, tai taip pat yra dalykai, kurie laikui bėgant vystosi. Ir tai retai būna prototipinė. Realiame pasaulyje retai pamatai tą perdėtą šypseną ar žmogų, kuris iškart užmiega. Tai laikina. O galėdami modeliuoti tuos sudėtingumus, to negalite padaryti naudodami taisyklėmis pagrįstą euristinį metodą. Jums tikrai reikia naudoti mašininį mokymąsi, kad galėtumėte aptikti tokio tipo sudėtingumą.
Naktis: Štai kodėl prieš daugelį metų mūsų moksliniai tyrimai ir plėtra iš tikrųjų pasikeitė, kad visos mūsų technologijos būtų kuriamos naudojant mašininio mokymosi metodus. Dabar mašininio mokymosi ir giluminio mokymosi architektūros turi būti skatinamos didžiuliu duomenų kiekiu. Be to, mums, vėlgi, kai pagalvoji apie žmogaus būsenų modeliavimą, akivaizdu, kad žmonės atrodo nevienodai priklausomai nuo amžiaus, lyties ir etninės priklausomybės. Taip pat yra kultūrinės įtakos ir kultūros normos, kurios kartais keičia emocijų raišką žmogaus būsenose. Taigi, be to, kad galėtume paskatinti gilų mokymąsi, mums taip pat reikia daug duomenų, kad galėtume atsižvelgti į žmonijos įvairovę, egzistuojančią visame pasaulyje. Taigi „Affectiva“ duomenys yra būtini viskam, ką darome. Mes išanalizavome didžiulius duomenų kiekius ir surinkome didžiulius duomenų kiekius. Tiesą sakant, mes išanalizavome daugiau nei 7,6 milijono veidų 87 šalyse.
Elžbieta: Ir iš kur jūs gaunate tuos duomenis?
Naktis: Daugeliu skirtingų būdų. Taigi, visų pirma, ką norėčiau pasakyti, nes tai mums labai svarbu, visi šie duomenys yra renkami su pasirinkimu ir sutikimu. Mes visada arba įdarbiname žmones, kad būtų renkami jų duomenys, arba tai darome naudodami internetinius mechanizmus, kai aiškiai pranešame žmonėms, kad renkame duomenis, ir prašome leidimo tai daryti. Be to, didžioji dalis duomenų yra anonimiški. Taigi, Elžbieta, jei dalyvautum viename iš mūsų tyrimų, niekaip negalėčiau susigrąžinti tavo veido. Nes iš esmės jūs esate veidas. Jūs nesate įvardytas asmuo. Taigi mes tai jaučiame stipriai.
Naktis: Šiuos duomenis renkame įvairiais būdais. Kaip jau minėjau anksčiau, mes labai aktyviai dirbame žiniasklaidos ir reklamos srityse, o bendradarbiaudami šioje pramonės šakoje, atlikome daugybę žiniasklaidos testų ir surinkome didžiulį duomenų kiekį. Yra ir kitų santykių su klientais, kai mes iš esmės sudarome dalijimosi duomenimis sutartis. Ne visi mūsų klientai nori dalytis savo duomenimis, tačiau kai kurie nori. Taigi tai dar vienas kelias, kuriuo gauname duomenis. Ir tada, kai pagalvoji, pavyzdžiui, apie automobilių pramonę ir pasinaudokime mieguisto vairavimo pavyzdžiu, turime šį didžiulį pagrindinių duomenų rinkinį, leidžiantį kurti šiuos algoritmus. Tačiau mes nebūtinai turime didelį mieguistumą. Dabar, norint sukurti tam skirtą modelį ir sukurti tam skirtus algoritmus, jums reikia ne tik snaudžiančių duomenų, bet tikrai reikia tam tikro tų duomenų sluoksnio virš jau turimų duomenų, kad galėtumėte tam pritaikyti savo algoritmus.
Elžbieta: Taigi galite atskirti mieguistą ir, nežinau, nuobodžią išvaizdą.
Naktis: Tiksliai, tiksliai arba išsiblaškęs, nes jie pasireiškia skirtingai.
Elžbieta: Ir jie turi skirtingas pasekmes kaip vairuotojas.
Naktis: O absoliučiai. absoliučiai. Be to, kalbant apie tai, kaip renkate tuos duomenis transporto priemonėje, taip pat kyla tam tikrų eksploatacinių iššūkių, atsižvelgiant į kameros vietą, kameros kampus. Ir dabar, žinoma, turime palaikyti naudojamas artimųjų infraraudonųjų spindulių kameras, nes kai važiuojate naktį ar tunelyje, apšvietimo sąlygos nėra tokios geros. Taigi tai yra visos aplinkos sąlygos, kurioms esant turėtume mokyti savo algoritmus. Tačiau kai pagalvoji, fiksuoti mieguisto vairavimo duomenis, tai nėra taip paprasta. Nes tai nėra taip, kad galime išlaikyti žmones 48 valandas vienoje iš mūsų fantastiškų miego laboratorijų aplink Bostoną, o paskui išsiųsti juos į Memorial Drive automobiliu ir pažiūrėti, ar jie užmigs. Tai yra kažkas, ko mes nebūtinai norime daryti.
Naktis: Taigi taip pat reikia surinkti didžiulius duomenų kiekius, išgauti duomenis apie natūralius tų valstybių reiškinius, o tada atlikti labai specifinius tyrimus, skirtus demografiniams žmonėms, kurie linkę mieguisti vairuodami. Pavyzdžiui, atlikome daugybę tyrimų su pamainomis dirbančiais žmonėmis – žmonėmis, kurie gali dirbti ilgomis pamainomis, pavyzdžiui, tarkime, gamykloje, o paskui vidury nakties turi važiuoti namo. Didesnė tikimybė, kad tokiu būdu fiksuosite slogius duomenis. Taigi yra įvairių būdų, kaip renkame savo duomenis. Tai suteikia mums didžiulę duomenų saugyklą, o tų duomenų poaibis naudojamas mašininio mokymosi klasifikatoriams modeliuoti. Tada išskiriate kitą pogrupį, kurį naudojate mokymams ir patvirtinimui. Taigi jūs laikote juos atskirai. Ir mes nuolat renkame duomenis, nuolat anotuojame tuos duomenis. Tai tik nuolatinis mūsų mokslinių tyrimų ir plėtros pastangų aspektas ir taip plečiame saugyklą.
Naktis: Teisingai. Taigi tai, apie ką ką tik kalbėjote, yra būdai, kuriais kūrėte emocijų skaitymą. O dabar, kaip dėl poreikio užprogramuoti kompiuterius, kad jie interpretuotų ir naudotų tą informaciją. Ar tai padaryti nėra daug sunkiau?
Naktis: Priklauso. Nesvarbu, ar tai padaryti sunkiau, šiek tiek priklauso nuo sąveikos. Paprastai tai yra galutinis mūsų kliento dizaino sprendimas, tačiau tai yra ir bendradarbiavimo procesas. Kad galėtume sukurti šiuos algoritmus, galinčius aptikti ir analizuoti žmogaus emocijas, taip pat labai svarbu suprasti, kokie yra naudojimo atvejai? Kaip jie nori panaudoti šią technologiją? Nes jūs negalite tiesiog sukurti šių algoritmų vakuume. Taigi tai labai bendradarbiavimo procesas.
Naktis: Taigi anksčiau sakiau, kad šiuo metu esame gana aktyvūs automobilių pramonėje. Taigi tai yra nuolatinis dialogas su automobilių gamintojais, kaip jie naudoja mūsų duomenis kurdami pritaikymus ar intervencijas transporto priemonėje. Ir kai kurie iš jų yra labai besivystantis procesas. Jei matote, kad kažkas blaškosi transporto priemonėje, jūs nenorite, kad visi šie įspėjimai ir signalizacija įsijungtų, jei tai tik nedidelis išsiblaškymas, tiesa? Tai gali supykdyti žmones arba juos dar labiau pabloginti ir sukelti dar pavojingesnį vairavimo elgesį. Norite suprasti išsiblaškymo lygius, intensyvumą ir dažnumą, o tada sukurti labai subtilias, aktualias ir tinkamas intervencijas.
Naktis: Taip pat yra ateities valstybės vizija, ir mes tikrai nesame ten žvelgiant iš technologijų perspektyvos, bet aš manau, kad mes ten einame ateityje. O kas, jei galėtumėte tai pritaikyti asmeniui? Taigi, kai užmigsite, galbūt norėsite klausytis sunkios roko muzikos. Galbūt net aš esu mieguistas, aš tiesiog noriu išlipti iš automobilio, ištiesti kojas ir vaikščioti. Ir tai, kaip mano automobilis ar būsimas robotas taksi aptarnauja mano poreikius...
Elžbieta: Yra pritaikytas.
Naktis: Pritaikytas mano asmeniniams poreikiams šiuo metu, tiesa. Taigi pažadas potencialiai tai sukurti pagal asmeninį pobūdį, manau, kad mes ten eisime ateityje, bet dar ne šiandien, ir nemanau, kad greitai tai pamatysime automobiliuose, važinėjančiuose keliuose. .
Elžbieta: Man įdomu, kokiu mastu jūs visi galvojate apie galimą šio atgarsio potencialą. Taigi šiuo metu, žinoma, daug kalbame apie „Facebook“. Mes daug kalbame apie 2016 m. rinkimus. Kalbame apie manipuliavimą, kuris, mūsų manymu, įvyko per socialinės žiniasklaidos platformas, tokias kaip „Facebook“. Ir man įdomu, kiek jūs nerimaujate dėl to, ką būtų galima padaryti naudojant „Affectiva“ technologiją ir perskaičius, kaip žmonės reaguoja į tam tikrus dalykus, taigi ir koreguojant tuos pranešimus, kad jie būtų dar įtakingesni. Ar nerimaujate dėl to, kokios nenumatytos šios technologijos pasekmės gali būti, jei ji nebus tinkamai valdoma?
Naktis: Žinoma, mes dėl to nerimaujame. Tačiau manau, kad kiekviena technologijų įmonė turi nerimauti dėl galimo neigiamo jų kuriamų gaminių pritaikymo. Nes atvirai kalbant, kiekviena technologija, kurią naudojame kasdien, gali būti naudojama piktiems kėslams arba nešvankiems tikslams. Pagalvokite apie sunkvežimį. Tai yra teroristų pasirinktas transporto būdas. Arba google maps. Teisingai. Taigi tos technologijos ir tos sistemos nebuvo sukurtos tiems naudojimo atvejams. Taigi aš manau, kad pirmiausia, kaip technologijų įmonės, visada turite į tai atsižvelgti, ypač dabar, kai technologijos tapo tokios prieinamos, o skaičiavimo galia yra tokia didelė ir yra kiekvieno vartotojo rankose. Jūs turite tai turėti omenyje.
Elžbieta: Tačiau kai turite įrankių rinkinį, nerimaujate dėl to, kas nutiks, jei tą įrankių rinkinį bus galima naudoti taip, kad nebūtinai visi galėtumėte apsisaugoti?
Naktis: Taip absoliučiai. Taigi yra dalykų, kuriuos įmonės gali padaryti, ir dalykų, kuriuos padarėme mes. Taigi aš tik dabar kalbėjau apibendrintai, apie ką norėčiau, kad technologijų įmonės nuolat galvotų. Bet į jūsų ankstesnį klausimą, grįžtant prie pradinio klausimo, ar mes dėl to nerimaujame? Tikrai taip. Ir ką mes dėl to darome? Nemažai skirtingų dalykų. Taigi, visų pirma, mūsų technologija, labai atidžiai žiūrime, kam suteikiame licenciją. Ir mes darome daug griežtesni tuo, kur buvome gal net prieš keletą metų. Taigi nėra taip, kad kas nors gali tiesiog paimti mūsų technologiją ir su ja ką nors sukurti.
Naktis: Taip pat yra licencijų sutarčių arba teisinių dokumentų, kurie apsaugo nuo to. Mes, kaip įmonė, taip pat nurodėme, kad yra tam tikrų naudojimo atvejų, kuriems mes tiesiog neparduosime savo technologijų. Mes tikime pasirinkimu ir sutikimu, nes kai analizuojate tokius dalykus kaip žmogaus emocijos, emocijos yra labai privačios, todėl nenorime užsiimti apsauga ar stebėjimu, kai žmonės neturi galimybės pasirinkti ar sutikti analizuojami veidai. Ir mes iš tikrųjų atsisakėme verslo, kuris būtų nuvedęs mus tuo keliu.
Elžbieta: Jei ne, mes net nebūtume ten, kur esame dabar, nes visi nejaustume didelio cinizmo ar skepticizmo dėl technologijos gebėjimo panaudoti arba apsaugoti nuo nenumatytų neigiamų pasekmių. Tiesa? Taigi tam tikra prasme tai suteikia visiems, jūs visi, vaikinai, patenkate į atidžiau nagrinėti, nes jaučiamės drovūs technologijų atžvilgiu. Ir mes žinome, kad reguliavimo institucijos Vašingtone šiuo atžvilgiu yra neveiksmingos.
Naktis: Taip yra todėl, kad jie to nesupranta teisingai. Jei senatoriai klausia „Facebook“ vadovybės, kaip jie uždirba pinigus, nes nesupranta pagrindinių suasmenintų skelbimų taikymo sąvokų, tada turime problemą. Tai irgi švietimo problema. Bet be to, įdomi trintis, tiesa? Kadangi, mano manymu, be didžiulės atsakomybės, kurią turi technologijų įmonės, o kai kurios galbūt buvo atsilikusios ar aplaidžios, o kaip su vartotoju, tiesa? Nes ši suvokiama vertė turi būti. Mums patinka naudotis socialinės žiniasklaidos platformomis ir galime ten dalytis savo gyvenimu, nes manome, kad iš to gauname naudos. Ir mes, vartotojai, neužduodame daug klausimų, ir tai mane taip pat neramina. Ypač kai žinai, kad turiu dukrą, kuriai tuoj sukaks 13 metų, ir įtariu, kad daug daugiau laiko praleis įrenginiuose ir socialiniuose tinkluose. Kaip tu tam ugdai? Net kaip vartotojas, šios sistemos taip pat tapo labai sudėtingos. Tiesiog eikite į „iPhone“ nustatymus ir pabandykite išsiaiškinti, kur ir kaip jie keliauja, ką norite išjungti, kada ir kaip ir kaip tai darote?
Elžbieta: Labai sunku iššifruoti.
Naktis: Tai nėra labai intuityvu, tiesa? Sąmoningai taip. Ir jūs turite nuspręsti, kaip išeiti ten ir rasti informacijos, tai daryti ir pakeisti, o ne atvirkščiai, kai galbūt duomenys visą laiką laikomi privatūs, o jūs įeinate ir leidžiate prieigą. Taigi, manau, yra didžiulė trintis tarp vartotojų suvoktos vertės ir vertės, kurią technologijų įmonės iš tikrųjų gauna naudodamos duomenis. Skaidrumas tame. Taigi mes, kaip įmonė, tikrai dėl to nerimaujame.
Elžbieta: Jūs turite šiuos pokalbius.
Naktis: O taip. Nuolat. Ir taip pat viešuose forumuose. Prisijungėme prie AI partnerystės, kuri yra pramonės konsorciumas, skirtas iš esmės įgyvendinti sąžiningą, atskaitingą, skaidrų ir etišką AI. Ir mes buvome vieni iš nedaugelio pradedančiųjų įmonių, pakviestų dalyvauti. Tačiau tai yra vienas iš būdų, kuriuo tikimės paskatinti pokyčius. Be to, mums pasisekė, kad Rana, mūsų generalinė direktorė, yra AI lyderė, labai vieša asmenybė. Ji turi galimybių būti ten ir kalbėti viešose vietose. Ir ji nori labai garsiai kalbėti šiais klausimais, nes turime tvirtą nuomonę šiuo klausimu. Taip pat manome, kad esame socialiai atsakingi už tai, kad tai būtų skaidru ir pasisakytume už pokyčius. Tiek, kiek 50 žmonių startuolis gali tai padaryti. Bet mes visi turime prisidėti savo dalimi.
Elžbieta: Taigi, kai galvoju apie tai, kokį emocinį AI ar emocijų AI poveikį gali turėti kelyje, ar tai reiškia, kad „Siri“ gaus, Alexa geriau supras mano emocijas ir reaguos į mane pagal mano emocijas? Ir jei taip, ką tai reiškia ateičiai? Ką reiškia, jei mūsų prietaisai taip išmanūs apie mus kaip emocines būtybes?
Naktis: Taigi šiandien, žinoma, mus sieja itin pažangios sistemos ir technologijos. Išplėstinė AI. Daug pažintinių galimybių. Tačiau iš tikrųjų trūksta šio emocijų suvokimo. Šios sistemos didžiąja dalimi nesupranta mūsų būsenų, mūsų reakcijų, mūsų gerovės. Ir mes, „Affectiva“, tikrai tikime, kad dėl to sąveika su technologijomis yra labai neveiksminga ir paviršutiniška. O kas, jei šios sistemos galėtų suprasti mūsų emocijas ir pažinimo būsenas, reakcijas ir elgesį? Kiek efektyvesnė būtų mūsų sąveika su tomis technologijomis?
Naktis: Taigi ateityje tikrai įsivaizduoju pasaulį, kuriame mūsų technologijos, emocijų dirbtinis intelektas, yra įsišakniję į technologijų, kurios yra kasdien po ranka, audinį. Tai nepastebimai fone, suprantant ir reaguojant į mūsų emocinę gerovę. Aš taip pat visada turėjau tokią viziją, kurią mes, žmonės, galbūt nešiosime su savimi, pavadinkime tai mūsų emocijų pasu. Tai mūsų emocinis skaitmeninis pėdsakas, kurį mes valdome. Mums priklauso tie duomenys. Mes tai valdome. Ir mes leidžiame, turėdami savo leidimus ir norus, neštis tai su savimi iš įrenginio į skaitmeninę patirtį visur, kur naudojame technologijas. Nesvarbu, ar sėdime biure ir dirbame su nešiojamuoju kompiuteriu iki automobilio, ar naudojamės dalyviu, ar namų sistemose, pvz., „Google“ namuose ar „Alexa“, galite tai pasakyti. Bet kokia technologija, su kuria bendraujame. Būtų toks nuoseklus mūsų gerovės supratimas, kuris vadovautų, patartų ir padėtų. Ir aš manau, kad tai yra kritinė dalis. Štai kodėl aš manau, kad taip pat svarbu, kad visa tai būtų daroma mums patiems pasirenkant, sutikus ir kontroliuojant.
Elžbieta: Tai taip žavu, nes galite pagalvoti apie tai, kad ši technologija naudojama siekiant sukurti empatiją mūsų naudojamuose įrenginiuose ir mūsų turimoje patirtyje, tiesa? Ir reaguoti į tai, kaip, pavyzdžiui, skaitome ar reaguojame į reklamą, ir tai suderiname. Taip pat galite galvoti apie tai, kad ši technologija naudojama kaip būdas valdyti emocijas, kurias jaučiame. Taigi, kai kalbėjote apie emocijų pasą, galite pasakyti, kad aš jaučiuosi niūrus, jaučiu orą ir noriu, kad mano įrenginiai ir technologija į tai reaguotų. Arba galite pažvelgti į tai, kad mano įrenginiai turi kažkaip suvaldyti mane iš tų emocijų. Ir visai įdomu pagalvoti. Tai gali vykti bet kuriuo kitu būdu. Ir žinote, aš manau, kad turiu savo balsą, kuriuo keliu man būtų patogiausia.
Naktis: Ir idealiu atveju sistemos pakankamai gerai jus suprastų, kas būtų tinkama šiuo metu. Kadangi čia mes leidžiame šiuos duomenis sekti išilgai ir galbūt ryte koks nors mano naudojamas namų įrenginys gali pasakyti, pavyzdžiui, „Ei, Gabi“, atrodo, kad nesi toks laimingas kaip vakar ryte. Taip pat galiu pasakyti, kad jūs tikrai nemiegojote 7 valandų, kurios jums yra optimalios. Ar norėtumėte, kad kada nors įjungčiau šį muzikos grojaraštį? Ir galbūt jūs nenorite, kad vairuotumėte šiandien. Kodėl man neužsakius jums pavėžėjimo? Arba kavos aparatas ką tik įsijungė virtuvėje. Arba atvirkščiai. Taigi jūs grįžote namo iš darbo ir atrodo, kad jums buvo tikrai sunki diena darbe. Užsisakiau jums restoraną, o auklė atvyks jūsų vaiko. Taip. Ir idėja yra ta, kad tai, pavadinkime tai emocijų pasu, kuris suteikia mūsų sistemoms ir mūsų naudojamoms technologijoms, suteikia joms įžvalgos apie mūsų asmeninę būseną ir gerovę, idėja yra ta, kad tai gali padėti mums vadovauti ir patarti. ir iš esmės stengiamės, kad mūsų gyvenimas būtų geresnis ar efektyvesnis. Žinoma, aš asmeniškai norėčiau, kad tai visada būtų mano kontrolė ir mano pasirinkimas bei sutikimas. Galbūt nenoriu, kad mano savijautos duomenys būtų siunčiami gydytojui arba, neduok Dieve, draudimo bendrovei. Bet kai kuriose situacijose tai gali būti naudinga. Galimybė leisti mūsų technologijoms giliau suprasti mūsų gerovę ir būklę gali būti labai vertinga.
Elžbieta: Nuostabu. Na, ačiū, Gabi, tai buvo labai įdomu. Tai įdomi plėtros sritis ir linkime jums visokeriopos sėkmės.
Naktis: Labai ačiū ir ačiū, kad kalbėjotės su manimi. Tai buvo tokie puikūs klausimai. Man labai patiko su tavimi kalbėtis. Ačiū.
Elžbieta: Štai šiai „Verslo laboratorijos“ serijai. Aš esu jūsų šeimininkė Elizabeth Bramson-Boudreau. Esu „MIT Technology Review“ generalinis direktorius ir leidėjas. Mes buvome įkurti 1899 m. Masačusetso technologijos institute. Mus galite rasti spaudoje, internete, dešimtyse tiesioginių renginių kiekvienais metais, o dabar ir garso formatu. Mūsų svetainėje TechnologyReview.com galite sužinoti daugiau apie mus. Nepamirškite pateikti paraiškos prisijungti prie MIT Technology Review Global Panel – minčių lyderių, novatorių ir vadovų grupės, kurioje galėsite mokytis iš savo bendraamžių ir pasidalinti savo žiniomis apie šiandienos technologijų ir verslo tendencijas. Pateikite paraišką TechnologyReview.com/globalpanel. Ši laida pasiekiama visur, kur gaunate podcast'us. Jei jums patiko šis epizodas, tikimės, kad skirsite šiek tiek laiko įvertinti ir peržiūrėti mus „Apple Podcasts“. „Business Lab“ yra „MIT Technology Review“ produkcija. Prodiuseris yra Wade'as Roushas, padedamas Mindy Blodgett. Ypatingas ačiū mūsų svečiui Gabi Zijderveld. Ačiū, kad išklausėte. Greitai grįšime su nauja serija.