211service.com
Kad mūsu ierīces var nolasīt mūsu emocijas: Affectiva Gabi Zijderveld
Emociju izsekošanas AI sāk palīdzēt mašīnām atpazīt mūsu noskaņojumu. Vai esam gatavi?
2019. gada 28. februāris
Personīgie palīgi, piemēram, Siri, Alexa, Cortana vai Google Home, var parsēt mūsu izrunātos vārdus un (dažreiz) atbilstoši reaģēt, taču viņi nevar noteikt, kā mēs jūtamies, daļēji tāpēc, ka viņi neredz mūsu sejas. Taču jaunajā emociju izsekošanas AI jomā uzņēmumi pēta mūsu ierīču kameru tvertās sejas izteiksmes, lai ļautu visu veidu programmatūrai vairāk reaģēt uz mūsu noskaņojumu un kognitīvajiem stāvokļiem.
Bostonas jaunizveidotajā uzņēmumā Affectiva, kuru dibināja MIT Media Lab pētnieces Rozalinda Pikarda un Rana El Kalioubija, programmētāji ir apmācījuši mašīnmācīšanās algoritmus, lai atpazītu mūsu sejas signālus un noteiktu, vai mēs baudām video vai esam miegains pie stūres. Gabi Zijderveld, Affectiva mārketinga direktors un produktu stratēģijas vadītājs, stāsta Business Lab, ka šāda programmatūra var racionalizēt mārketingu, aizsargāt draiverus un galu galā padarīt mūsu mijiedarbību ar tehnoloģijām dziļāku un izdevīgāku. Taču, lai pasargātu sevi no nepareizas izmantošanas, viņa saka, Affectiva arī lobē nozares mēroga standartus, lai emociju izsekošanas sistēmas būtu izvēlētas un vienprātīgas.
Biznesa laboratorijas klausītāji tiek aicināti pieteikties dalībai MIT Technology Review Global Panel — mūsu ekskluzīvajam domu vadītāju, novatoru un vadītāju forumam. Kā globālās grupas dalībnieks varat izpētīt mūsdienu tehnoloģiju tendences, skatīt aptauju un pētījumu rezultātus, izteikt savu viedokli un pievienoties saviem vienaudžiem biznesa sanāksmēs visā pasaulē.
RĀDĪT PIEZĪMES UN SAITES:
MIT Media Lab Affective Computing Group
PILNS TRANSKRĪTS:
Elizabete Bremsone-Budro: No MIT Technology Review es esmu Elizabete Bremsone-Bodrē, un šī ir Business Lab izrāde, kas palīdz uzņēmumu vadītājiem izprast jaunas tehnoloģijas, kas nāk no laboratorijas un nonāk tirgū.
Elizabete: Pirms sākam darbu, es vēlētos aicināt klausītājus pievienoties MIT Technology Review Global Panel — mūsu ekskluzīvajam domu vadītāju, novatoru un vadītāju forumam. Kā globālās grupas dalībnieks varat izpētīt mūsdienu tehnoloģiju tendences, skatīt aptauju un pētījumu rezultātus, izteikt savu viedokli un pievienoties saviem vienaudžiem biznesa sanāksmēs visā pasaulē. Piesakieties, lai pievienotos panelim vietnē TechnologyReview.com/globalpanel. Tas ir TechnologyReview.com/globalpanel.
Elizabete: Vai nebūtu forši, ja jūsu tālrunis varētu noteikt, ka esat īgnā noskaņojumā no visiem dienas pārtraukumiem, un aizturētu zvanus, lai paveiktu kādu darbu? Vai arī nebūtu lieliski, ja jūsu meitas planšetdators varētu noteikt, kad viņai ir garlaicīgi ar savu izglītojošo spēli, un palielinātu izaicinājumu līmeni, lai saglabātu viņas saderināšanos?
Elizabete: Lai mūsu ierīces varētu mums labāk kalpot šādos veidos, tām būs jāsaprot, ko mēs patiesībā jūtam. Un par to es šodien runāju ar savu viesi Gabi Zijderveldu. Viņa ir mārketinga vadītāja un produktu stratēģijas vadītāja uzņēmumā Affectiva — Bostonas jaunizveidotā uzņēmumā, kas ir līderis jaunajā emociju izsekošanas AI jomā. Tas ir MIT Media Lab Affective Computing Group atzars. Tas ir Affective with an. Affectiva veido algoritmus, kas nolasa cilvēku sejas, lai noteiktu viņu emocijas un citus kognitīvos stāvokļus.
Elizabete: Šī tehnoloģija jau palīdz lielajiem uzņēmumiem pārbaudīt, kā auditorija emocionāli reaģē uz viņu reklāmām. Un tagad Gabi vada projektu, lai aprīkotu automašīnas ar programmatūru, kas uzraudzīs autovadītāju kognitīvo un emocionālo stāvokli un palīdzēs saglabāt viņu drošību un nomodu. Tas viss varētu būt liels solis uz priekšu mūsu mijiedarbībā ar skaitļošanas ierīcēm. Bet, protams, tas rada arī dažus sarežģītus jautājumus par to, kā neļaut algoritmiem, kas var nolasīt mūsu emocionālos stāvokļus, izmantot mūsu uzmanību vai aizskart mūsu privātumu.
Elizabete: Gabi, laipni lūdzam, un liels paldies, ka apmeklējāt mūs.
Nakts: Liels paldies par to, ka esmu.
Elizabete: Jūsu uzņēmuma nosaukums Affectiva ir vārdu spēle, un tā ir spēle ar terminu afektīva skaitļošana. Vai varat, lūdzu, definēt, kas ir afektīvā skaitļošana?
Nakts: Afektīvā skaitļošana pamatā ir paredzēta, lai pārvarētu plaisu starp cilvēka emocijām un tehnoloģiju. Un afektīvā skaitļošana ļauj tehnoloģijām izprast cilvēka emocijas un pēc tam pielāgoties un reaģēt uz šīm emocijām.
Elizabete: Tātad Affectiva, kā es to saprotu, izstājās no Media Lab 2009. gadā?
Nakts: Jā, pareizi. Gandrīz pirms 10 gadiem.
Elizabete: LABI. Un līdzdibinātāji ir Rozalinda Pikara, kas ir Media Lab’ Affective Computing Group vadītāja, un Rana El Kaliouby — es neesmu pārliecināts, vai es to saku pareizi.
Nakts: Rana El Kaliouby.
Elizabete: Tātad viņa tajā brīdī bija pēcdoktore grupā, vai ne?
Nakts: Pareizi.
Elizabete: Kādas bija lielās idejas, ko viņi abi izvirzīja 2009. gadā, un kas, pēc viņu domām, pietrūka skaitļošanā, un ko viņi cerēja mainīt?
Nakts: Dr. Rozalinda Pikara patiesībā aizsāka afektīvās skaitļošanas jomu. Viņa uzrakstīja nozīmīgo grāmatu apmēram pirms divām desmitgadēm ar nosaukumu Affective Computing. Tātad šis lauks patiešām ir viņas ideja. Un šodien viņa joprojām vada grupu MIT Media Lab. Tāpēc Rana, Dr Rana El Kaliouby, pievienojās Ros Picard grupai kā pēcdoktors, un viņi kopā attīstīja ideju, ka tehnoloģijai varētu būt spēja izprast cilvēka emocijas un reaģēt uz tām, lai būtībā uzlabotu cilvēku mijiedarbību ar tehnoloģijām, lai padarītu tās vairāk. atbilstošāks, piemērotāks, bet arī, lai palīdzētu cilvēkiem labāk uztvert emocijas vai labāk kontrolēt emocijas. Pirmajās dienās īpaši liela uzmanība tika pievērsta lietojumiem garīgajā veselībā, īpaši palīdzot bērniem ar autisma spektru, izmantot tehnoloģiju, lai iemācītu viņiem atpazīt vai saprast emocijas un pēc tam apmācīt viņus, kā pareizi izteikt savas emocijas. . Tā ka šī ideja patiešām sākās pirmajās dienās.
Nakts: Un tad Rana un Ros sāka iegūt lielu interesi par industriju. Tātad MIT Protams, ir daudz pasākumu un konferenču, kur nozares dalībnieki ierodas, lai gūtu priekšstatu par jaunumiem tehnoloģijās un to, kas attīstās, un šajās demonstrācijas dienās viņi sāka iegūt lielu komerciālu interesi par savu tehnoloģiju. Faktiski no vairākām dažādām nozarēm, tostarp automobiļu rūpniecībā, kas, interesanti, ir vieta, kur mēs šodien esam ļoti aktīvi. Toreiz viņi devās pie Media Lab direktora un teica: “Hei, mums ir vajadzīgs lielāks budžets, lai algotu vairāk pētnieku, un viņš viņiem trāpīgi ieteica: Nu, ir pienācis laiks atdalīties un dibināt savu uzņēmumu. Un tā 2009. gadā viņi nodibināja uzņēmumu Affectiva. Ros Picard tagad vada grupu MIT Media Lab, tāpēc ikdienā viņa vairs nav saistīta ar uzņēmumu. Bet Dr Rana El Kaliouby šodien ir mūsu izpilddirektors.
Elizabete: Kā es saprotu, jums ir divi galvenie produkti. Jums ir viens produkts, kas ir vērsts uz tirgus izpēti, un vēl viens — jūs minējāt automobiļu rūpniecību — tas ir saistīts ar vadītāju drošību. Vai varat pastāstīt vairāk par šiem diviem produktiem? Varbūt sāciet ar to, kas ir vērsts uz tirgus izpēti. Vai to sauc par Affdex?
Nakts: Tātad patiesībā mums ir dažādi, vairāk nekā tikai šie divi produkti. Tāpēc ir dažādi veidi, kā mēs esam apkopojuši savas tehnoloģijas. Taču šie divi tirgi, kurus jūs aprakstījāt, patiešām ir galvenie tirgi, kurus mēs šodien meklējam. Tātad pirmais, kurā mums ir mūsu tehnoloģija, Affdex, tirgus izpētei, ir produkts. Tas ir uz mākoņiem balstīts risinājums, kas pamatā ļauj medijiem un reklāmdevējiem, tostarp lielajiem pasaules zīmoliem, pārbaudīt savu saturu, piemēram, videoreklāmas un TV programmas, ar mērķauditoriju. Un šajā tirgū mēs esam bijuši tirgus līderi labus gadus, un šobrīd šis komerciālais produkts ir pieejams gandrīz astoņus gadus. Un šodien aptuveni viena ceturtā daļa no Fortune Global 500 izmanto mūsu tehnoloģiju, lai pārbaudītu visas savas reklāmas visā pasaulē. Es domāju, ka līdz šim mēnesim mēs, iespējams, esam pārbaudījuši vairāk nekā 40 000 reklāmu 87 valstīs un esam analizējuši vairāk nekā septiņarpus miljonus seju. Mums ir tik milzīgs datu apjoms. Un tas ļāva mums izveidot produktu, kas var arī palīdzēt šiem reklāmdevējiem paredzēt galvenos reklāmas veiktspējas rādītājus. Tātad emociju dati vai emociju analīze faktiski var palīdzēt viņiem paredzēt satura izplatīšanās iespējamību vai pirkuma nolūku vai pārdošanas pieaugumu.
Elizabete: Labi. Tagad palīdziet man saprast, kā tas patiesībā darbojas. Tātad, vai tas ir, piemēram, personas video uzņemšana, kamēr viņš skatās reklāmu? Un tad tā analizē sejas reakcijas uz acīm?
Nakts: Jā, būtībā tas ir tā, kā tas tiek darīts. Runājot par to, kā mēs parasti strādājam, mēs sadarbojamies ar lielām ieskatu firmām vai tirgus izpētes firmām, tādiem uzņēmumiem kā Kantar Millward Brown. Viņiem ir milzīgi pētniecības procesi, kuros viņi sadarbojas ar saviem zīmola klientiem, lai saprastu, kā jānotiek viņu reklāmai un virzībai uz tirgu. Tagad mēs esam daļa no viņu pētniecības metodoloģijām, kas nozīmē, ka mūsu tehnoloģija ir integrēta viņu visaptverošajās platformās. Un parasti, kā tas darbotos, viņiem ir apmaksāti paneļu dalībnieki, kas tiek pieņemti darbā, lai piedalītos šajos patērētāju ieskatu pētījumos. Daļa no šiem pētījumiem var ietvert aptaujas komponentu, taču ir arī komponents, kas saka: Labi, mēs vēlamies, lai jūs tiešsaistē noskatītos satura daļu, kas varētu būt TV raidījums vai videoreklāma, un mēs lūdzam jūs lai izvēlētos un piekristu mums ierakstīt un analizēt jūsu seju, kad skatāties šo saturu. Un šeit parādās mūsu tehnoloģija.
Nakts: Tas ir uz mākoņiem balstīts risinājums. Viss, kas mums nepieciešams, ir būtībā ar atļauju iegūt kāda lietotāja piekļuvi kamerai, un, kad viņi skatās šo saturu, sēžot mājās vai kur pagadās, savā ierīcē mēs neuzkrītoši ierakstām fonā, viņu mirkli pēc mirkļa. reakcijas uz šo saturu. Tātad kadru pēc kadra mēs analizējam šīs atbildes. Interesanti, ka mūsu pētījumi ir parādījuši, ka cilvēki diezgan ātri aizmirst, ka tur ir kamera. Viņi vienkārši dabiski reaģē uz visu, ko viņi skatās. Un tā ir tāda objektīva un nefiltrēta reakcija, ko vēlaties. Tā kā ar šo ieskatu, ja pēc tam to uzkrājat mērogā, varat pieņemt patiešām svarīgus lēmumus par savu saturu un pat satura izvietojumu vai to, kā tērējat savus reklamēšanai paredzētos līdzekļus.
Nakts: Tātad būtībā tie ir pirmie tirgi, kuros Affective sāka darbu. Šodien mēs joprojām esam ļoti aktīvi šajā tirgū. Vēl viens tirgus, kurā šobrīd tiek meklēts ar pilnu spēku, patiesībā ir automobiļu rūpniecība. Un pagājušajā gadā, gandrīz pirms gada, mēs šim tirgum ieviesām jaunu risinājumu ar nosaukumu AffectivA Automotive AI. Būtībā šī ir mūsu galvenā tehnoloģija, kas ir iepakota un pielāgota automobiļu nozarei, jo lietošanas gadījumi tur ir ļoti dažādi. Tie ir divējādi. No vienas puses, automobiļu rūpniecībā, kā mēs visi zinām, ceļu satiksmes drošība ir galvenais jautājums. Katru dienu uz ceļiem notiek daudz bojā gājušo un traģisku negadījumu izklaidīgas braukšanas un miegainas braukšanas dēļ. Ko darīt, ja jūs varētu atklāt, ka vadītājs ir izklaidīgs vai kļūst miegains, un likt automašīnai iejaukties atbilstoši un atbilstoši? Tā ir viena lieta, pēc kuras visi šie automobiļu ražotāji cenšas. Un šeit parādās mūsu tehnoloģija, jo atkal izmantojot kameras, kas jau šodien atrodas automašīnās, mēs varam diezgan vienkārši un neuzkrītoši izprast cilvēku emocionālos stāvokļus un sarežģītus kognitīvos stāvokļus, piemēram, miegainību un izklaidību, analizējot viņu seju. Tātad tas ir viens lietošanas gadījums automobiļu rūpniecībā. Būtībā vadītāju uzraudzība, lai palīdzētu uzlabot ceļu satiksmes drošību.
Elizabete: Jums ir jābūt diezgan daudz datu, kas jāizmanto, lai apmācītu savas sistēmas, lai varētu lasīt liela skaita cilvēku sejas. Vai varat runāt par to, no kurienes nāk jūsu apmācības dati un kādu stimulu esat guvis no mašīnmācības un dziļās mācīšanās revolūcijas pēdējo piecu, 10 gadu laikā? Vai varat nedaudz pastāstīt par saviem datu procesiem?
Nakts: Jā absolūti. Tāpēc, iespējams, man vajadzētu sākt ar mašīnmācīšanos un padziļinātu mācīšanos, kā arī to, kāpēc mēs to izmantojam. Tātad, domājot par cilvēka emocijām un to, kā tās attīstās un izpaužas, cilvēka emocijas patiesībā ir ļoti sarežģītas, bieži vien ārkārtīgi smalkas un niansētas. Un tad, kad jūs domājat par sarežģītiem kognitīviem stāvokļiem, kas tehniski nav emocijas, piemēram, miegainību un izklaidību, tās arī ir lietas, kas laika gaitā attīstās. Un tas reti ir prototips. Retajā pasaulē reti kad redzat to pārspīlēto smaidu vai kādu uzreiz aizmigt. Tas ir īslaicīgs. Un, ja spējat modelēt šīm sarežģītībām, jūs to nevarat izdarīt, izmantojot uz noteikumiem balstītu heiristisko pieeju. Jums patiešām ir jāizmanto mašīnmācīšanās, lai varētu atklāt šāda veida sarežģījumus.
Nakts: Tāpēc pirms vairākiem gadiem mūsu pētniecība un izstrāde patiešām mainījās, lai visas mūsu tehnoloģijas tiktu veidotas, izmantojot mašīnmācīšanās pieejas. Tagad mašīnmācības un dziļās mācīšanās arhitektūras ir jāatbalsta ar milzīgu datu apjomu. Turklāt mums, atkal domājot par cilvēku stāvokļu modelēšanu, cilvēki acīmredzami neizskatās vienādi atkarībā no vecuma, dzimuma un etniskās piederības. Un tad ir arī kultūras ietekmes un kultūras normas, kas dažkārt maina emociju izpausmi cilvēka stāvokļos. Tātad, papildus tam, ka mēs varam veicināt dziļu mācīšanos, mums ir nepieciešams arī liels datu apjoms, lai ņemtu vērā tikai cilvēces daudzveidību, daudzveidību, kas pastāv visā pasaulē. Tātad uzņēmumam Affectiva dati ir būtiski visam, ko mēs darām. Mēs esam analizējuši milzīgus datu apjomus un savākuši milzīgus datu apjomus. Faktiski mēs esam analizējuši vairāk nekā 7,6 miljonus seju 87 valstīs.
Elizabete: Un no kurienes tu ņem tos datus?
Nakts: Vairākos dažādos veidos. Pirmkārt un galvenokārt, ko es vēlētos teikt, jo tas mums ir tik svarīgi, ka visi šie dati tiek vākti ar piekrišanu un piekrišanu. Mēs vienmēr vai nu vervējam cilvēkus, lai savāktu viņu datus, vai arī ar tiešsaistes mehānismiem, kuros mēs skaidri pasakām cilvēkiem, ka vācam datus, un lūdzam viņiem atļauju to darīt. Arī šie dati lielākoties ir anonimizēti. Tātad, Elizabete, ja jūs piedalījāties kādā no mūsu pētījumiem, es vienkārši nevaru atrast jūsu seju atpakaļ. Jo būtībā jūs esat seja. Jūs neesat vārdā nosaukta persona. Tāpēc mēs to ļoti jūtam.
Nakts: Mēs apkopojam šos datus vairākos dažādos veidos. Kā jau minēju iepriekš, mēs ļoti aktīvi darbojamies plašsaziņas līdzekļos un reklāmā, un, sadarbojoties šajā nozarē, esam veikuši milzīgu skaitu mediju testu, un ar to palīdzību esam savākuši milzīgus datu apjomus. Ir arī citas klientu attiecības, kurās mums pamatā ir datu koplietošanas līgumi. Ne visi mūsu klienti vēlas kopīgot savus datus, bet daži to vēlas. Tātad tas ir vēl viens ceļš, pa kuru mēs iegūstam datus. Un tad, ja domājat, piemēram, par automobiļu nozari un izmantosim miegainas braukšanas piemēru, mums ir šī masīvā pamata datu kopa, kas ļauj mums izveidot šos algoritmus. Bet mums ne vienmēr ir liela miegainība. Tagad, lai modelētu un izveidotu tam algoritmus, jums nav nepieciešami tikai miegaini dati, bet noteikti ir nepieciešams noteikts šo datu slānis papildus tiem, kas jums jau ir, lai jūs varētu pielāgot savus algoritmus.
Elizabete: Tātad jūs varat atšķirt miegainu un, es nezinu, garlaicīgu skatienu.
Nakts: Precīzi, precīzi vai apjucis, jo tie izpaužas atšķirīgi.
Elizabete: Un viņiem kā autovadītājam ir dažādas sekas.
Nakts: Ak, absolūti. Pilnīgi noteikti. Un arī attiecībā uz to, kā jūs savācat šos datus transportlīdzeklī, pastāv arī zināmi darbības izaicinājumi atkarībā no kameras novietojuma un kameras leņķiem. Un tagad, protams, mums ir jāatbalsta gandrīz infrasarkanās kameras, kas tiek izmantotas, jo, braucot naktī vai tunelī, apgaismojuma apstākļi nav tik labi. Tātad šie visi ir vides apstākļi, kuros mums būtu bijis jāmāca savi algoritmi. Bet, ja tā padomā, tvert miegainas braukšanas datus, tas nav tik vienkārši. Jo nav tā, ka mēs varam turēt cilvēkus 48 stundas nomodā vienā no mūsu fantastiskajām miega laboratorijām Bostonas apkārtnē un pēc tam nosūtīt tos uz Memorial Drive ar automašīnu un redzēt, vai viņi aizmigs. Tas ir kaut kas, ko mēs ne vienmēr vēlamies darīt.
Nakts: Tāpēc ir jāapkopo arī milzīgs datu apjoms, jāiegūst mūsu dati par šo štatu dabiskajiem notikumiem un pēc tam jāveic ļoti specifiski pētījumi, kuru mērķauditorija ir demogrāfiskie dati, kuri braukšanas laikā mēdz būt miegaini. Piemēram, mēs esam veikuši vairākus pētījumus ar maiņu strādniekiem — cilvēkiem, kuri varētu strādāt garas maiņas, piemēram, teiksim, rūpnīcā, un pēc tam nakts vidū jābrauc mājās. Tādā veidā jums ir lielāka iespēja iegūt miegainus datus. Tātad ir dažādi veidi, kā mēs apkopojam savus datus. Tādējādi mēs iegūstam lielu datu krātuvi, un pēc tam šo datu apakškopa tiek izmantota, lai modelētu jūsu mašīnmācīšanās klasifikatorus. Un tad jūs izveidojat vēl vienu apakškopu, ko izmantojat apmācībai un apstiprināšanai. Tātad jūs tos turat atsevišķi. Un mēs nepārtraukti vācam datus, nepārtraukti anotējot šos datus. Tas ir tikai nepārtraukts aspekts mūsu pētniecības un attīstības centienos un tādā veidā paplašinām krātuvi.
Nakts: Taisnība. Tātad tas, par ko jūs tikko runājāt, ir veidi, kā jūs esat radījis emociju lasīšanu. Tagad par vajadzību ieprogrammēt datorus šīs informācijas interpretācijai un izmantošanai. Vai to nav daudz grūtāk izdarīt?
Nakts: Tas ir atkarīgs no. Tas, vai to ir grūtāk izdarīt, ir nedaudz atkarīgs no mijiedarbības. Un parasti tas ir mūsu klienta galīgais dizaina lēmums, taču tas lielā mērā ir arī sadarbības process. Lai mēs izstrādātu šos algoritmus, kas spēj atklāt un analizēt cilvēka emocijas, ir arī ļoti svarīgi saprast, kādi ir lietošanas gadījumi? Kā viņi vēlas izmantot šo tehnoloģiju? Jo jūs nevarat vienkārši izveidot šos algoritmus vakuumā. Tātad tas ir ļoti sadarbības process.
Nakts: Tāpēc es jau iepriekš teicu, ka mēs šobrīd esam diezgan aktīvi automobiļu rūpniecībā. Tātad tas ir pastāvīgs dialogs ar automašīnu ražotājiem par to, kā viņi izmanto mūsu datus, lai pēc tam izstrādātu pielāgojumus vai iejaukšanos transportlīdzeklī. Un daži no tiem ir ļoti mainīgs process. Ja redzat, ka kāds transportlīdzeklī novērš uzmanību, jūs nevēlaties, lai visi šie brīdinājumi un trauksmes tiktu ieslēgti, ja tas ir tikai neliels traucēklis, vai ne? Tas var satracināt cilvēkus vai vēl vairāk saasināt viņus un izraisīt vēl bīstamāku braukšanas uzvedību. Jūs vēlaties izprast uzmanības novēršanas līmeņus, intensitāti un biežumu un pēc tam izstrādāt ļoti smalkas, atbilstošas un piemērotas iejaukšanās.
Nakts: Un ir arī nākotnes valsts vīzija, un mēs noteikti neesam tur no tehnoloģiju perspektīvas, bet es domāju, ka mēs virzāmies uz to nākotnē. Ko darīt, ja jūs varētu to personalizēt konkrētai personai? Tāpēc, iespējams, kad jums kļūst miegains, jūs vēlētos klausīties hard rock mūziku. Varbūt pat es esmu miegains, es vienkārši vēlos izkāpt no savas automašīnas, izstiept kājas un staigāt apkārt. Un veids, kā mana automašīna vai topošais robottaksometrs apkalpo manas vajadzības...
Elizabete: Ir pielāgots.
Nakts: Ir pielāgots manām personīgajām šī brīža vajadzībām, vai ne. Tāpēc solījums potenciāli to izveidot personalizētā veidā, es domāju, ka mēs tur virzīsimies nākotnē, bet šodien vēl ne, un es nedomāju, ka drīzumā mēs to redzēsim automašīnās uz ceļa. .
Elizabete: Mani interesē, cik lielā mērā jūs visi domājat par šī potenciālu. Tāpēc šobrīd, protams, mēs daudz runājam par Facebook. Mēs daudz runājam par 2016. gada vēlēšanām. Mēs runājam par manipulācijām, kuras, mūsuprāt, ir notikušas sociālo mediju platformās, piemēram, Facebook. Un es brīnos, cik lielā mērā jūs uztraucaties par to, ko varētu darīt ar Affectiva tehnoloģiju un izlasot veidu, kā cilvēki reaģē uz noteiktām lietām, un līdz ar to šīs ziņojumapmaiņas pielāgošanu, lai padarītu to ietekmīgāku. Vai jūs uztraucaties par to, kādas varētu būt šīs tehnoloģijas neparedzētas sekas, ja tā netiks pareizi pārvaldīta?
Nakts: Protams, mēs par to uztraucamies. Bet es domāju, ka katram tehnoloģiju uzņēmumam ir jāuztraucas par viņu izstrādāto produktu iespējamo nelabvēlīgo pielietojumu. Jo, godīgi sakot, katru tehnoloģiju, ko mēs izmantojam ikdienā, var izmantot ļauniem nodomiem vai nelietīgiem mērķiem. Padomājiet par kravas automašīnu. Tas ir teroristu izvēlētais transporta veids. Vai google maps. Taisnība. Tātad šīs tehnoloģijas un sistēmas nebija paredzētas šiem lietošanas gadījumiem. Tāpēc es domāju, ka pirmkārt un galvenokārt kā tehnoloģiju uzņēmumiem jums tas vienmēr ir jāņem vērā, jo īpaši tagad, kad tehnoloģija ir kļuvusi tik pieejama un skaitļošanas jauda ir tik spēcīga, un tā ir pieejama ikvienam patērētājam. Jums tas ir jāņem vērā.
Elizabete: Bet, ja jums ir rīku komplekts, vai jūs uztraucaties par to, kas notiks, ja šo rīku komplektu var izmantot tā, lai jūs visi nevarētu no tā pasargāties?
Nakts: Jā absolūti. Tātad ir lietas, ko uzņēmumi var darīt, un lietas, ko mēs esam darījuši. Tāpēc es tikai tagad runāju vispārīgi par to, par ko es vēlētos, lai tehnoloģiju uzņēmumi nepārtraukti domātu. Bet uz jūsu iepriekšējo jautājumu, atgriežoties pie sākotnējā jautājuma, vai mēs par to uztraucamies? Noteikti jā. Un ko mēs ar to darām? Vairākas dažādas lietas. Tāpēc pirmkārt un galvenokārt, mūsu tehnoloģija, mēs esam ļoti uzmanīgi attiecībā uz to, kam mēs to licencējam. Un mēs kļūstam daudz stingrāki attiecībā uz to, kur bijām varbūt pat pirms dažiem gadiem. Tāpēc nav tā, ka kāds tur varētu vienkārši paķert mūsu tehnoloģiju un ar to kaut ko izveidot.
Nakts: Mums ir arī licences līgumi vai juridiski dokumenti, kas aizsargā pret to. Mēs kā uzņēmums esam arī paziņojuši, ka ir noteikti lietošanas gadījumi, kuriem mēs vienkārši nepārdosim savu tehnoloģiju. Mēs ticam izvēlei un piekrišanai, jo, analizējot tādas lietas kā cilvēku emocijas, emocijas ir ārkārtīgi privātas, un mēs nevēlamies iesaistīties drošībā vai uzraudzībā, kur cilvēkiem nav iespējas izvēlēties vai piekrist savām emocijām. analizējamās sejas. Un mēs patiesībā esam noraidījuši biznesu, kas mūs būtu novedis pa šo ceļu.
Elizabete: Mēs pat neatrastos tur, kur esam šobrīd, ja tā nebūtu, mēs visi neizjustu lielu cinismu vai skepsi par tehnoloģiju spēju tikt izmantotām vai pasargātām no neparedzētām negatīvām sekām. Taisnība? Tātad savā ziņā tas dod visiem, jūs visi, puiši, tiekat rūpīgi pārbaudīti, jo mēs jūtamies ļoti kautrīgi pret tehnoloģijām. Un mēs zinām, ka Vašingtonas regulējošās iestādes šajā ziņā ir neefektīvas.
Nakts: Viņi ir tāpēc, ka viņi to nesaprot pareizi. Ja senatori Facebook vadībai jautā, kā viņi pelna naudu, jo viņi nesaprot personalizētās reklāmas mērķauditorijas atlases pamatjēdzienus, tad mums ir problēma. Tas ir arī izglītības jautājums. Bet papildus tam interesanta berze, vai ne? Tā kā es domāju, ka bez milzīgiem pienākumiem, kas ir tehnoloģiju uzņēmumiem, un, ja daži varbūt ir bijuši atpalikuši vai nolaidīgi, kā ar patērētāju, vai ne? Jo ir šī uztveramā vērtība, kas ir jāpiemīt. Mums patīk izmantot sociālo mediju platformas, un mēs tur varam dalīties savā dzīvē, jo mēs uzskatām, ka no tā iegūstam vērtību. Un mēs kā patērētāji neuzdodam daudz jautājumu, un arī tas mani uztrauc. It īpaši, ja zināt, ka man ir meita, kurai drīz apritēs 13 gadi, un man ir aizdomas, ka pavadīšu daudz vairāk laika ierīcēs un sociālajos medijos. Kā jūs tam izglītojat? Pat kā patērētājam šīs sistēmas ir kļuvušas ļoti sarežģītas. Vienkārši atveriet sava iPhone iestatījumus un mēģiniet noskaidrot, kur notiek dati un kā tie plūst, un ko vēlaties izslēgt, kad un kā un kā to izdarīt?
Elizabete: To ir ļoti grūti atšifrēt.
Nakts: Tas nav ļoti intuitīvi, vai ne? Apzināti tā. Un jums ir jāpieliek punkts tam, ka dodieties uz turieni un atrodiet informāciju, dariet to un apvērsiet to, nevis otrādi, kur, iespējams, dati visu laiku tiek turēti privāti, un jūs ieejat un atļaujat piekļuvi. Tāpēc, manuprāt, pastāv milzīga berze starp vērtību, ko patērētāji uztver, lai iegūtu, un vērtību, ko tehnoloģiju uzņēmumi faktiski iegūst ar datiem. Caurspīdība tajā. Tāpēc mums kā uzņēmumam mēs noteikti par to uztraucamies.
Elizabete: Jums ir šīs sarunas.
Nakts: Ak jā. Nepārtraukti. Un arī publiskos forumos. Mēs pievienojāmies AI partnerībai, kas ir nozares konsorcijs, kura mērķis ir būtībā īstenot godīgu, atbildīgu, pārredzamu un ētisku AI. Un mēs bijām viens no nedaudzajiem jaunizveidotajiem uzņēmumiem, kas tika uzaicināti piedalīties tajā. Bet tas ir viens no veidiem, kā mēs ceram virzīt pārmaiņas. Un arī mums ir paveicies, ka Rana, mūsu izpilddirektore, ir AI ideju līderis, ļoti publiska persona. Viņai ir iespējas būt ārā un runāt publiskās vietās. Un viņa vēlas būt ļoti skaļa par šiem jautājumiem, jo mums par to ir stingrs viedoklis. Un mēs arī uzskatām, ka mums ir sociāla atbildība būt pārredzamiem šajā jautājumā un iestāties par pārmaiņām. Ciktāl to var izdarīt 50 personu starta uzņēmums. Taču mums visiem ir jāiegulda sava daļa.
Elizabete: Tātad, kad es domāju par to, kāda varētu būt emocionālā AI vai emociju AI ietekme, vai tas nozīmē, ka Siri iegūs Alexa labāk izprast manas emocijas un reaģēt uz mani atbilstoši manām emocijām? Un, ja tā, ko tas nozīmē nākotnei? Ko tas nozīmē, ja mūsu ierīces ir gudras šādā veidā par mums kā emocionālām būtnēm?
Nakts: Tāpēc šodien, protams, mūs savieno īpaši progresīvas sistēmas un tehnoloģijas. Uzlabots AI. Daudz kognitīvo spēju. Bet patiesībā trūkst šīs emociju apzināšanās. Šīs sistēmas lielākoties nesaprot mūsu stāvokli, mūsu reakcijas, mūsu labklājību. Un mēs, Affectiva, noteikti uzskatām, ka tas rada ļoti neefektīvu un virspusēju mijiedarbību ar tehnoloģijām. Ko darīt, ja šīs sistēmas varētu saprast mūsu emocijas un mūsu kognitīvos stāvokļus, mūsu reakcijas un uzvedību? Cik daudz efektīvāka būtu mūsu mijiedarbība ar šīm tehnoloģijām?
Nakts: Tāpēc nākotnē es noteikti iztēlojos pasauli, kurā mūsu tehnoloģiju veids, emociju mākslīgais intelekts, ir iesakņojies tehnoloģiju struktūrā, kas ir mūsu rīcībā katru dienu. Tas ir neuzkrītoši fonā, saprotot un reaģējot uz mūsu emocionālo labklājību. Arī man vienmēr ir bijusi šī vīzija, ko mēs, cilvēki, varbūt nēsāsim sev līdzi, sauksim to par emociju pasi. Tā ir mūsu emocionālā digitālā pēda, ko mēs kontrolējam. Mums pieder šie dati. Mēs to pārvaldām. Un mēs atļaujam ar savām atļaujām un vēlmēm to paņemt līdzi no ierīces uz digitālo pieredzi jebkurā vietā, kur izmantojam tehnoloģiju. Neatkarīgi no tā, vai mēs sēžam birojā un strādājam pie sava klēpjdatora, lai iekāptu automašīnā, vai arī izmantojam līdzbraucēju vai mājas sistēmas, piemēram, Google mājas vai Alexa, varat to nosaukt. Jebkura veida tehnoloģija, ar kuru mēs mijiedarbojamies. Būtu šāda konsekventa izpratne par mūsu labklājību, un tā mūs vadītu, konsultētu un palīdzētu. Un es domāju, ka tā ir kritiskā daļa. Un tāpēc es domāju, ka ir arī tik svarīgi, lai tas viss tiktu darīts ar mūsu pašu piekrišanu, piekrišanu un kontroli.
Elizabete: Tas ir tik aizraujoši, jo jūs varat padomāt par šīs tehnoloģijas izmantošanu, lai radītu empātiju mūsu izmantotajās ierīcēs un mūsu pieredzē, vai ne? Un, piemēram, reaģējiet uz to, kā mēs lasām vai reaģējam uz reklāmu, un pielāgojiet to. Varat arī domāt, ka šī tehnoloģija tiek izmantota kā veids, kā pārvaldīt emocijas, kuras mēs izjūtam. Tātad, kad jūs runājāt par emociju pasi, jūs varētu teikt: es jūtos īgns, es jūtos zem laikapstākļiem, un es vēlos, lai manas ierīces un manas tehnoloģijas reaģētu uz to. Vai arī jūs varētu uz to paskatīties, ka manām no šīm ierīcēm kaut kā ir jāvada mani no šīm emocijām. Un par to ir diezgan interesanti domāt. Tas varētu iet abos virzienos. Un jūs zināt, es domāju, ka man ir savs balsojums par to, kurā virzienā man tas būtu visērtāk.
Nakts: Un ideālā gadījumā sistēmas jūs pietiekami labi saprastu, kas būtu piemērots konkrētajā brīdī. Jo šeit mēs ļaujam šos datus izsekot gareniski, un varbūt no rīta kāda mājas ierīce, ko izmantoju, varētu teikt, piemēram, Hei Gabi, šķiet, ka jūs neesat tik laimīgs kā vakar no rīta. Varu arī pateikt, ka jūs īsti negulējāt 7 stundas, kas jums ir optimālas. Vai vēlaties, lai es kādreiz ieslēgtu šo mūzikas atskaņošanas sarakstu? Un varbūt jūs nevēlaties, lai brauciens šodien strādātu. Kāpēc es nepasūtu jums braucienu? Vai arī kafijas automāts tikko ieslēdzās virtuvē. Vai arī otrādi. Tātad, jūs pārnākat mājās no darba un šķiet, ka jums bija patiešām smaga darba diena. Es veicu jums restorāna rezervāciju, un aukle nāk pēc jūsu bērna. Jā. Un ideja ir tāda, ka tās ar, sauksim to par emociju pasi, kas sniedz mūsu sistēmām un izmantotajām tehnoloģijām, sniedz viņiem ieskatu mūsu personīgajā stāvoklī un labklājībā, ideja ir tāda, ka tas var palīdzēt mums vadīt un konsultēt. un būtībā cenšamies padarīt mūsu dzīvi labāku vai efektīvāku. Protams, es personīgi vēlētos, lai tas vienmēr būtu manā pārziņā un mana izvēle un piekrišana. Varbūt es nevēlos, lai mani labklājības dati tiktu nosūtīti manam ārstam vai, nedod Dievs, manai apdrošināšanas sabiedrībai. Bet varbūt dažās situācijās tas ir noderīgi. Un spēja ļaut mūsu tehnoloģijām iegūt dziļāku izpratni par mūsu labklājību un stāvokli var būt ļoti vērtīga.
Elizabete: Brīnišķīgi. Nu paldies, Gabi, tas bija ļoti interesanti. Šī ir aizraujoša attīstības joma, un mēs vēlam jums panākumus.
Nakts: Liels paldies un paldies, ka runājāt ar mani. Tie bija tik lieliski jautājumi. Man ļoti patika ar tevi runāt. Paldies.
Elizabete: Tas ir viss šajā Business Lab epizodē. Es esmu jūsu saimniece Elizabete Bremsone-Budrē. Es esmu MIT Technology Review izpilddirektors un izdevējs. Mēs esam dibināti 1899. gadā Masačūsetsas Tehnoloģiju institūtā. Jūs varat mūs atrast drukātā veidā, tīmeklī, desmitiem tiešraides katru gadu un tagad arī audio formātā. Mūsu vietnē TechnologyReview.com varat uzzināt vairāk par mums. Un neaizmirstiet pieteikties dalībai MIT Technology Review Global Panel — ideju līderu, novatoru un vadītāju grupai, kurā varat mācīties no saviem vienaudžiem un dalīties pieredzē par mūsdienu tehnoloģiju un biznesa tendencēm. Piesakieties vietnē TechnologyReview.com/globalpanel. Šī pārraide ir pieejama visur, kur saņemat aplādes. Ja jums patika šī sērija, mēs ceram, ka veltīsit laiku, lai novērtētu un atsauksmi mūs Apple Podcasts. Business Lab ir MIT Technology Review produkcija. Producents ir Veids Roušs ar Mindija Blodžeta palīdzību. Īpašs paldies mūsu viesim Gabi Zijderveld. Paldies par klausīšanos. Mēs drīz atgriezīsimies ar jaunu sēriju.