211service.com
Quando i nostri dispositivi possono leggere le nostre emozioni: Gabi Zijderveld di Affectiva
L'intelligenza artificiale per il monitoraggio delle emozioni sta iniziando ad aiutare le macchine a riconoscere i nostri stati d'animo. Siamo pronti?
28 febbraio 2019
Gli assistenti personali come Siri, Alexa, Cortana o Google Home possono analizzare le nostre parole pronunciate e (a volte) rispondere in modo appropriato, ma non possono valutare come ci sentiamo, in parte perché non possono vedere i nostri volti. Ma nel campo emergente dell'IA per il monitoraggio delle emozioni, le aziende stanno studiando le espressioni facciali catturate dalle fotocamere dei nostri dispositivi per consentire a software di ogni tipo di diventare più reattivi ai nostri stati d'animo e stati cognitivi.
Presso Affectiva, una startup di Boston fondata dai ricercatori del MIT Media Lab Rosalind Picard e Rana El Kaliouby, i programmatori hanno addestrato algoritmi di apprendimento automatico per riconoscere i nostri segnali facciali e determinare se ci stiamo godendo un video o se ci stiamo assonnati al volante. Gabi Zijderveld, chief marketing officer di Affectiva e responsabile della strategia di prodotto, dice a Business Lab che tale software può semplificare il marketing, proteggere i conducenti e, in definitiva, rendere tutte le nostre interazioni con la tecnologia più profonde e gratificanti. Ma per proteggersi dal potenziale uso improprio, afferma, Affectiva sta anche facendo pressioni per gli standard del settore per rendere i sistemi di tracciamento delle emozioni accettabili e consensuali.
Gli ascoltatori di Business Lab sono invitati a candidarsi per partecipare al MIT Technology Review Global Panel, il nostro forum esclusivo di leader di pensiero, innovatori e dirigenti. In qualità di membro del panel globale, puoi esaminare le tendenze tecnologiche odierne, vedere i risultati di sondaggi e studi, dire la tua e unirti ai tuoi colleghi alle riunioni di lavoro in tutto il mondo.
MOSTRA NOTE E LINK:
Gruppo di calcolo affettivo del MIT Media Lab
TRASCRIZIONE COMPLETA:
Elizabeth Bramson-Boudreau: Da MIT Technology Review, sono Elizabeth Bramson-Boudreau, e questo è Business Lab, lo spettacolo che aiuta i leader aziendali a dare un senso alle nuove tecnologie che escono dal laboratorio e nel mercato.
Elisabetta: Prima di iniziare, vorrei invitare gli ascoltatori a unirsi al MIT Technology Review Global Panel, il nostro forum esclusivo di leader di pensiero, innovatori e dirigenti. E come membro del panel globale puoi esaminare le tendenze tecnologiche odierne, vedere i risultati di sondaggi e studi, dire la tua e unirti ai tuoi colleghi a riunioni di lavoro in tutto il mondo. Fai domanda per unirti al panel su TechnologyReview.com/globalpanel. Questo è TechnologyReview.com/globalpanel.
Elisabetta: Ora, non sarebbe bello se il tuo telefono potesse dire che sei di umore burbero per tutte le interruzioni della giornata e mettere in attesa le chiamate in modo da poter svolgere un po' di lavoro? O non sarebbe fantastico se il tablet di tua figlia potesse dire quando è annoiata dal suo gioco educativo e aumentare il livello di sfida per tenerla impegnata?
Elisabetta: Bene, prima che i nostri dispositivi possano servirci meglio in modi come questo, dovranno capire cosa stiamo effettivamente provando. Ed è di questo che parlo oggi con il mio ospite Gabi Zijderveld. È chief marketing officer e responsabile della strategia di prodotto di Affectiva, una startup di Boston leader nel nuovo campo dell'IA per il monitoraggio delle emozioni. È uno spin-off dell'Affective Computing Group del MIT Media Lab. That's Affective with a A. Affectiva costruisce algoritmi che leggono i volti delle persone per rilevare le loro emozioni e altri stati cognitivi.
Elisabetta: La tecnologia sta già aiutando le grandi aziende a testare come il pubblico reagisce emotivamente ai loro annunci. E ora Gabi sta guidando un progetto per dotare le auto di un software che monitorerà gli stati cognitivi ed emotivi dei conducenti e li aiuterà a tenerli al sicuro e svegli. Tutto ciò potrebbe rappresentare un grande balzo in avanti nel modo in cui interagiamo con i dispositivi informatici. Ma, naturalmente, solleva anche alcune domande difficili su come impedire agli algoritmi in grado di leggere i nostri stati emotivi di sfruttare la nostra attenzione o invadere la nostra privacy.
Elisabetta: Gabi, benvenuto e grazie mille per averci visitato.
Notte: Grazie mille per avermi ospitato.
Elisabetta: Il nome della tua azienda, Affectiva, è un gioco di parole, ed è un gioco sul termine informatica affettiva. Puoi definire cos'è il computing affettivo, per favore?
Notte: Il computing affettivo è fondamentalmente progettato per colmare il divario tra le emozioni umane e la tecnologia. E il computing affettivo consente alla tecnologia di comprendere le emozioni umane e quindi adattarsi e rispondere a queste emozioni.
Elisabetta: Quindi Affectiva, a quanto ho capito, è uscita dal Media Lab nel, cosa, nel 2009?
Notte: Si corretto. Quasi 10 anni fa.
Elisabetta: OK. E i co-fondatori sono Rosalind Picard, a capo dell'Affective Computing Group di Media Lab, e Rana El Kaliouby, non sono sicuro di dirlo bene.
Notte: Rana El Kaliouby.
Elisabetta: Quindi era una post-dottorato a quel punto del gruppo, giusto?
Notte: Corretta.
Elisabetta: Quali erano le grandi idee che i due stavano portando sul tavolo nel 2009 e, dal loro punto di vista, cosa mancava all'informatica e cosa speravano di cambiare?
Notte: La dott.ssa Rosalind Picard ha effettivamente iniziato il campo dell'informatica affettiva. Ha scritto il libro fondamentale circa due decenni fa, intitolato Affective Computing. Quindi questo campo è davvero frutto di un'idea. E ancora oggi dirige il gruppo al MIT Media Lab. Quindi Rana, la dottoressa Rana El Kaliouby, si è unita al gruppo di Ros Picard come post-dottorato e insieme stavano costruendo l'idea che la tecnologia potesse avere la capacità di comprendere e rispondere alle emozioni umane, per migliorare sostanzialmente le interazioni umane con la tecnologia per renderle più rilevante, più appropriato, ma forse anche per aiutare gli esseri umani a comprendere meglio o controllare meglio le emozioni. All'inizio, in particolare, c'era molta attenzione sulle applicazioni nella salute mentale, in particolare nell'aiutare i bambini nello spettro autistico, a usare la tecnologia per insegnare loro come riconoscere o comprendere le emozioni e poi istruirli su come esprimere le proprie emozioni in modo appropriato . Quindi è lì che, davvero, questa idea è iniziata nei primi giorni.
Notte: E poi Rana e Ros hanno iniziato a ottenere molto interesse dall'industria. Quindi al MIT ovviamente ci sono molti eventi e conferenze in cui i membri del settore vengono per avere un'idea delle novità della tecnologia e di cosa si sta evolvendo e in questi giorni dimostrativi hanno iniziato a suscitare molto interesse commerciale per la loro tecnologia. In un certo numero di diversi settori, in realtà, compreso quello automobilistico, che è abbastanza interessante notare che è il luogo in cui siamo molto attivi oggi. All'epoca andarono dal direttore del Media Lab e dissero: Ehi, abbiamo bisogno di più budget per assumere più ricercatori, e giustamente li consigliò: Bene, è ora che ti sposti e avvii la tua azienda. Ed è così che nel 2009 hanno co-fondato Affectiva. Ros Picard è ora a capo del gruppo al MIT Media Lab, quindi quotidianamente non è più coinvolta con l'azienda. Ma la dottoressa Rana El Kaliouby oggi è il nostro CEO.
Elisabetta: A quanto ho capito hai due prodotti principali. Hai un prodotto incentrato sulla ricerca di mercato e un altro - hai menzionato l'automotive - riguarda la sicurezza del conducente. Puoi dire di più su questi due prodotti? Magari inizia con quello incentrato sulla ricerca di mercato. Si chiama Affdex?
Notte: Quindi in realtà ci sono diversi, più di questi due prodotti che abbiamo. Quindi ci sono diversi modi in cui abbiamo impacchettato la nostra tecnologia. Ma quei due mercati che stavi descrivendo sono davvero i mercati chiave che stiamo cercando oggi. Quindi il primo, dove abbiamo la nostra tecnologia, Affdex, per le ricerche di mercato, è un prodotto. È una soluzione basata su cloud che fondamentalmente consente ai media e agli inserzionisti, inclusi i grandi marchi del mondo, di testare i propri contenuti, come annunci video e programmi TV, con il pubblico di destinazione. E in quel mercato siamo stati leader di mercato per un buon numero di anni, abbiamo avuto quel prodotto commerciale là fuori per quasi otto anni a questo punto nel tempo. E oggi circa un quarto dei Fortune Global 500 utilizza la nostra tecnologia per testare tutti i propri annunci in tutto il mondo. Penso che a partire da questo mese abbiamo probabilmente testato più di 40.000 annunci in 87 paesi e abbiamo analizzato più di sette milioni e mezzo di volti. Così enormi quantità di dati che abbiamo. E questo ci ha permesso di creare un prodotto che può anche aiutare questi inserzionisti a prevedere gli indicatori chiave di performance nella pubblicità. Quindi i dati sulle emozioni, o l'analisi delle emozioni, possono effettivamente aiutarli a prevedere la probabilità che i contenuti diventino virali o l'intenzione di acquisto o l'aumento delle vendite.
Elisabetta: Ok. Ora aiutami a capire, come funziona come funziona effettivamente. Quindi sta girando un video di qualcuno mentre sta osservando un annuncio, per esempio? E poi si analizzano le reazioni del viso agli occhi?
Notte: Sì, essenzialmente, è così che si fa. In termini di come lavoriamo in genere, lavoriamo con grandi aziende di insight o società di ricerche di mercato, aziende come Kantar Millward Brown. Hanno enormi processi di ricerca in cui interagiscono con i clienti del loro marchio per capire come devono aver luogo la loro pubblicità e l'immissione sul mercato. Ora facciamo parte delle loro metodologie di ricerca, il che significa che la nostra tecnologia è integrata nelle loro piattaforme globali. E in genere come funzionerebbe, hanno relatori pagati che vengono reclutati per partecipare a questi studi di approfondimento sui consumatori. Parte di questi studi, potrebbe esserci un componente del sondaggio, ma c'è anche un componente che dice: OK, vorremmo che tu, online, guardassi un contenuto, che potrebbe essere un programma televisivo o un annuncio video, e ti chiediamo per acconsentire e acconsentire alla registrazione e all'analisi del tuo volto mentre guardi quel contenuto. Ed è qui che entra in gioco la nostra tecnologia.
Notte: È una soluzione basata su cloud. Tutto ciò di cui abbiamo bisogno è fondamentalmente prendere, con il permesso, l'accesso alla fotocamera di qualcuno, e mentre guardano questo contenuto, seduti a casa o ovunque si trovino, sul loro dispositivo, registriamo in modo discreto in background, momento per momento reazioni a quel contenuto. Quindi fotogramma per fotogramma analizziamo queste risposte. E, cosa abbastanza interessante, la nostra ricerca ha dimostrato che le persone dimenticano abbastanza rapidamente che c'è una telecamera lì. Reagiscono in modo naturale a qualsiasi cosa stiano guardando. Ed è una specie di reazione imparziale e non filtrata che desideri. Perché con questa intuizione, se poi la accumuli su larga scala, puoi prendere decisioni davvero importanti sui tuoi contenuti e persino sul posizionamento dei tuoi contenuti o su come spendi i tuoi dollari in pubblicità.
Notte: Quindi, in sostanza, sono i primi mercati in cui Affective ha iniziato. Oggi siamo ancora molto attivi in questo mercato. Un altro mercato per perseguire davvero con tutta la forza in questo momento è in realtà quello automobilistico. E l'anno scorso, quasi un anno fa, abbiamo lanciato una nuova soluzione per quel mercato chiamata AffectivA Automotive AI. Fondamentalmente questa è la nostra tecnologia di base confezionata e sintonizzata per l'industria automobilistica, perché i casi d'uso sono molto diversi. Sono duplici. Da un lato nel settore automobilistico, come tutti sappiamo, la sicurezza stradale è una questione fondamentale. Ci sono solo molte vittime e tragici incidenti che si verificano sulle strade ogni singolo giorno a causa della guida distratta e della guida assonnata. Ora, cosa accadrebbe se potessi rilevare che un guidatore è distratto o sta diventando assonnato e far intervenire l'auto in modo pertinente e appropriato? Questa è una cosa che tutti questi produttori automobilistici cercano. Ed è qui che entra in gioco la nostra tecnologia, perché anche solo usando le telecamere che sono nelle auto già oggi, possiamo comprendere in modo semplice e discreto gli stati emotivi delle persone e gli stati cognitivi complessi, come sonnolenza e distrazione, analizzando il loro viso. Quindi questo è un caso d'uso nel settore automobilistico. Fondamentalmente il monitoraggio del conducente per contribuire a migliorare la sicurezza stradale.
Elisabetta: Devi avere un bel po' di dati che devi usare per addestrare i tuoi sistemi in modo da poter leggere i volti di un gran numero di persone. Puoi parlare da dove provengono i tuoi dati di allenamento e che tipo di spinta hai ottenuto dalla rivoluzione nell'apprendimento automatico e nel deep learning negli ultimi cinque, 10 anni? Puoi parlarci un po' dei tuoi processi di dati?
Notte: Sì assolutamente. Quindi forse dovrei iniziare con l'apprendimento automatico e il deep learning e perché li usiamo effettivamente. Quindi, quando si pensa alle emozioni umane e al modo in cui questo tipo di evoluzione e manifestazione si manifesta, le emozioni umane sono in realtà molto complesse, spesso estremamente sottili e sfumate. E poi quando pensi a stati cognitivi complessi, che tecnicamente non sono emozioni, cose come la sonnolenza e la distrazione, anche quelle sono cose che si evolvono nel tempo. Ed è raramente prototipo. Raramente nel mondo reale vedi quel sorriso esagerato o qualcuno che si addormenta subito. È temporale. Ed essendo in grado di modellare quelle complessità, non puoi farlo con un approccio euristico basato su regole. È davvero necessario utilizzare l'apprendimento automatico per essere in grado di rilevare questo tipo di complessità.
Notte: Ecco perché un buon numero di anni fa, la nostra ricerca e sviluppo è davvero cambiata per costruire tutta la nostra tecnologia con approcci di apprendimento automatico. Ora le architetture di machine learning e deep learning devono essere alimentate da enormi quantità di dati. In aggiunta a ciò, per noi, sempre quando si pensa di modellare gli stati umani, ovviamente le persone non sembrano uguali a seconda dell'età, del sesso e dell'etnia. E poi ci sono anche influenze culturali e norme culturali che a volte cambiano l'espressione delle emozioni negli stati umani. Quindi, oltre a essere in grado di alimentare il deep learning, abbiamo anche bisogno di grandi quantità di dati per tenere conto della diversità che esiste nell'umanità, delle diversità che esistono in tutto il mondo. Quindi, per Affectiva, i dati sono essenziali per tutto ciò che facciamo. E abbiamo analizzato enormi quantità di dati e abbiamo raccolto enormi quantità di dati. Abbiamo infatti analizzato oltre 7,6 milioni di volti in 87 paesi.
Elisabetta: E da dove prendi quei dati?
Notte: In diversi modi. Quindi prima di tutto quello che vorrei dire, perché questo è così importante per noi, tutti questi dati vengono raccolti con opt-in e consenso. Noi sempre, o reclutiamo persone per la raccolta dei loro dati, oppure è attraverso meccanismi online in cui diciamo esplicitamente alle persone che stiamo raccogliendo dati e chiediamo loro il permesso di farlo. Inoltre quei dati sono per la maggior parte anonimi. Quindi, Elizabeth, se hai partecipato a uno dei nostri studi, non c'è modo che io possa ritrovare la tua faccia. Perché essenzialmente sei una faccia. Non sei un individuo di nome. Quindi ci sentiamo fortemente al riguardo.
Notte: Raccogliamo questi dati in diversi modi. Come ho detto prima, siamo molto attivi nei media e nella pubblicità e attraverso le nostre partnership in quel settore, abbiamo fatto un numero enorme di test sui media, ed è attraverso questo che abbiamo raccolto enormi quantità di dati. Ci sono altre relazioni con i clienti in cui abbiamo, fondamentalmente, accordi di condivisione dei dati. Non tutti i nostri clienti vogliono condividere i propri dati, ma alcuni di loro lo fanno. Quindi questo è un altro percorso attraverso il quale otteniamo i dati. E poi, quando pensi ad esempio all'industria automobilistica e usiamo l'esempio della guida assonnata, abbiamo questo enorme set di dati fondamentali che ci consente di costruire questi algoritmi. Ma non abbiamo necessariamente enormi quantità di sonnolenza. Ora, per modellarlo e creare algoritmi per quello, non hai bisogno solo di dati sonnolenti, ma hai sicuramente bisogno di un certo livello di quei dati oltre a quelli che hai già, quindi puoi ottimizzare i tuoi algoritmi per quello.
Elisabetta: Quindi puoi distinguere tra uno sguardo assonnato e, non so, uno sguardo annoiato.
Notte: Esattamente, esattamente o distratti proprio perché quelli si manifestano in modo diverso.
Elisabetta: E hanno conseguenze diverse come pilota.
Notte: Oh assolutamente. Assolutamente. E anche in termini di modalità di raccolta dei dati nel veicolo, ci sono anche alcuni tipi di sfide operative, a seconda del posizionamento della telecamera e degli angoli della telecamera. E ora ovviamente dobbiamo supportare le telecamere a infrarossi vicini che vengono utilizzate, perché quando guidi di notte o in un tunnel, le condizioni di illuminazione non sono buone. Quindi queste sono tutte condizioni ambientali per le quali avremmo dovuto addestrare i nostri algoritmi. Ma quando ci pensi, acquisire dati di guida assonnati, non è così facile. Perché non è che possiamo tenere sveglie le persone per 48 ore in uno dei nostri fantastici laboratori del sonno intorno a Boston e poi mandarle giù per Memorial Drive in macchina e vedere se si addormentano. È qualcosa che non vogliamo necessariamente fare.
Notte: Quindi si tratta anche di raccogliere enormi quantità di dati, estrarre i nostri dati per gli eventi naturali di quegli stati e quindi anche fare studi molto specifici mirati a dati demografici che tendono ad essere assonnati quando guidano. Ad esempio, abbiamo condotto una serie di studi con i turnisti, persone che potrebbero lavorare su turni lunghi, ad esempio, in una fabbrica, e poi dover guidare a casa nel cuore della notte. Hai più probabilità di acquisire dati assonnati in questo modo. Quindi c'è una varietà di modi diversi in cui raccogliamo i nostri dati. Questo ci fornisce un enorme repository di dati e quindi un sottoinsieme di tali dati viene utilizzato per modellare i classificatori di machine learning. E poi si ritaglia un altro sottoinsieme che si utilizza per l'addestramento e la convalida. Quindi li tieni separati. E raccogliamo continuamente dati, annotando continuamente quei dati. È solo un aspetto continuo dei nostri sforzi di ricerca e sviluppo e della crescita del repository in questo modo.
Notte: Destra. Quindi quello di cui hai appena parlato sono i modi in cui hai progettato la lettura delle emozioni. Ora, che dire della necessità di programmare i computer per interpretare e utilizzare tali informazioni. Non è molto più difficile da fare?
Notte: Dipende. Il fatto che sia più difficile o meno dipende un po' da quali sono le interazioni. E di solito questa è l'ultima decisione progettuale del nostro cliente, ma è anche un processo collaborativo. Per noi sviluppare questi algoritmi in grado di rilevare e analizzare le emozioni umane, è anche di fondamentale importanza capire, quali sono i casi d'uso? Come vogliono usare quella tecnologia? Perché non puoi semplicemente costruire questi algoritmi nel vuoto. Quindi è un processo molto collaborativo.
Notte: Quindi prima dicevo che in questo momento siamo piuttosto attivi nell'industria automobilistica. Quindi è un dialogo continuo con le case automobilistiche su come utilizzano i nostri dati per progettare adattamenti o interventi su un veicolo. E parte di questo è un processo in evoluzione. Se riesci a vedere che qualcuno si sta distrarre in un veicolo, non vuoi che tutti questi avvisi e allarmi si attivino, se è solo una piccola distrazione, giusto? Potrebbe far infuriare le persone o aggravarle ancora di più e causare comportamenti di guida ancora più pericolosi. Vuoi essere in grado di comprendere i livelli, le intensità e la frequenza della distrazione, e quindi progettare interventi molto sottili, pertinenti e appropriati.
Notte: E c'è anche una visione dello stato futuro, e certamente non siamo lì dal punto di vista tecnologico, ma penso che ci stiamo dirigendo in futuro. E se potessi personalizzarlo per l'individuo? Quindi forse quando diventi assonnato ti piacerebbe ascoltare musica hard rock. Forse anche io sono assonnato, voglio assolutamente uscire dalla macchina, sgranchirmi le gambe e andare in giro. E il modo in cui la mia macchina o un futuro taxi robot soddisfa le mie esigenze...
Elisabetta: È adattato.
Notte: È adattato alle mie esigenze personali del momento, giusto. Quindi la promessa di costruirlo potenzialmente in modo personalizzato, penso che ci stiamo dirigendo lì in futuro, ma non ancora lì oggi, e non credo che lo vedremo presto nelle auto su strada .
Elisabetta: Sono interessato alla misura in cui tutti voi state pensando al potenziale ritorno di fiamma di questo. Quindi in questo momento ovviamente stiamo parlando molto di Facebook. Parliamo molto delle elezioni del 2016. Stiamo parlando della manipolazione che siamo abbastanza sicuri sia avvenuta attraverso piattaforme di social media come Facebook. E mi chiedo fino a che punto ti preoccupi di cosa si potrebbe fare con la tecnologia di Affectiva e attraverso la lettura del modo in cui le persone rispondono a determinate cose e quindi l'adattamento di quel messaggio per renderlo più incisivo. Ti preoccupi di quali potrebbero essere le conseguenze impreviste di questa tecnologia, se non viene gestita correttamente.
Notte: Naturalmente ci preoccupiamo di questo. Ma penso che ogni singola azienda tecnologica debba preoccuparsi delle potenziali applicazioni avverse dei prodotti che progetta. Perché francamente ogni singolo bit di tecnologia che utilizziamo quotidianamente può essere utilizzato per scopi malvagi o nefasti. Pensa al camion. Questa è la modalità di trasporto preferita dai terroristi. O Google Maps. Destra. Quindi quelle tecnologie e quei sistemi non sono stati progettati per quei casi d'uso. Quindi penso che prima di tutto, come aziende tecnologiche, devi sempre esserne consapevole, specialmente ora che la tecnologia è diventata così accessibile e la potenza di calcolo è così forte ed è a portata di mano di ogni consumatore. Devi esserne consapevole.
Elisabetta: Ma quando hai un kit di strumenti, ti preoccupi di cosa succede se quel kit di strumenti può essere utilizzato in modi da cui non sareste necessariamente in grado di proteggervi?
Notte: Sì assolutamente. Quindi ci sono cose che le aziende possono fare e cose che abbiamo fatto noi. Quindi stavo parlando proprio ora in termini generali di ciò a cui vorrei che le aziende tecnologiche pensassero continuamente. Ma alla tua domanda precedente, tornando alla domanda originale, ce ne preoccupiamo? Assolutamente si. E cosa stiamo facendo al riguardo? Un certo numero di cose diverse. Quindi, prima di tutto, la nostra tecnologia, siamo molto attenti a chi la concediamo in licenza. E stiamo diventando molto più severi riguardo a dove eravamo forse anche qualche anno fa. Quindi non è che chiunque là fuori possa semplicemente prendere la nostra tecnologia e costruire qualcosa con essa.
Notte: Ci sono anche accordi di licenza o documenti legali che abbiamo messo in atto per salvaguardarli. Abbiamo anche affermato come azienda che ci sono alcuni tipi di casi d'uso a cui non venderemo la nostra tecnologia. Crediamo nell'accettazione e nel consenso, perché quando si analizzano cose come le emozioni umane, le emozioni sono estremamente private e non vogliamo impegnarci nella sicurezza o nella sorveglianza in cui le persone non hanno la possibilità di aderire o acconsentire al loro volti analizzati. E in realtà abbiamo rifiutato gli affari che ci avrebbero portato su quella strada.
Elisabetta: Non saremmo nemmeno dove siamo in questo momento se non lo fossimo tutti non provassimo molto cinismo o scetticismo sulla capacità della tecnologia di essere imbrigliata o preservata da conseguenze negative impreviste. Destra? Quindi in un certo senso sta dando a tutti voi, ragazzi, siete sottoposte a un esame più attento, perché ci sentiamo timidi riguardo alla tecnologia. E sappiamo che le autorità di regolamentazione a Washington sono inefficaci al riguardo.
Notte: Lo sono perché non lo capiscono bene. Se hai senatori che chiedono alla leadership di Facebook come stanno facendo soldi, perché non capiscono i concetti fondamentali del targeting degli annunci personalizzati, allora abbiamo un problema. È anche una questione di educazione. Ma per di più, un attrito interessante, giusto? Perché penso ci siano anche, a parte le enormi responsabilità che le aziende tecnologiche hanno, e dove forse alcune sono state in ritardo o negligenti, che dire del consumatore, giusto? Perché c'è questo valore percepito da avere. Ci piace usare le piattaforme dei social media e stiamo bene condividendo le nostre vite lì, perché percepiamo di trarne valore. E noi consumatori non facciamo molte domande e anche questo mi preoccupa. Soprattutto quando sai che ho una figlia che sta per compiere 13 anni e sospetto che trascorrerà molto più tempo sui dispositivi e sui social media. Come si educa per questo? Anche come consumatore, anche solo questi sistemi sono diventati estremamente complessi. Basta entrare nelle impostazioni del tuo iPhone e provare a capire dove stanno andando i dati, come stanno scorrendo, e cosa vuoi spegnere quando, e come e come lo fai?
Elisabetta: È molto difficile da decifrare.
Notte: Non è molto intuitivo, giusto? Volutamente così. E devi sottolineare l'idea di andare là fuori e trovare informazioni e farlo e invertirlo, piuttosto che il contrario, dove forse i dati sono mantenuti privati tutto il tempo e tu entri e consenti l'accesso. Quindi credo che ci sia un enorme attrito tra il valore percepito dai consumatori e il valore che le aziende tecnologiche ottengono effettivamente con i dati. Trasparenza in questo. Quindi per noi come azienda ce ne preoccupiamo sicuramente.
Elisabetta: Hai queste conversazioni.
Notte: O si. Continuamente. E anche nei forum pubblici. Abbiamo aderito alla Partnership on AI, un consorzio di settore progettato sostanzialmente per realizzare un'IA equa, responsabile, trasparente ed etica. E siamo stati una delle poche start up invitate a farne parte. Ma questo è un modo in cui speriamo di guidare per il cambiamento. E siamo anche fortunati in quanto Rana, il nostro CEO, è un leader di pensiero nell'IA, un personaggio molto pubblico. Ha l'opportunità di essere là fuori e parlare in contesti pubblici. E vuole essere molto esplicita su questi problemi perché abbiamo un'opinione forte su questo. E sentiamo anche di avere la responsabilità sociale di essere trasparenti su questo e di sostenere il cambiamento. Visto che una startup di 50 persone può farlo. Ma tutti dobbiamo contribuire con la nostra parte.
Elisabetta: Quindi, quando penso a quale potrebbe essere l'impatto dell'IA emotiva o dell'IA emotiva, significa che, Siri otterrà, Alexa migliorerà nel comprendere le mie emozioni e rispondermi in base alle mie emozioni? E se sì, cosa significa per il futuro? Cosa significa se i nostri dispositivi sono intelligenti in questo modo su di noi come esseri emotivi?
Notte: Quindi oggi, ovviamente, siamo collegati da sistemi e tecnologie iperavanzati. IA avanzata. Molte capacità cognitive. Ma in realtà ciò che manca è questa consapevolezza emotiva. Questi sistemi per la maggior parte non comprendono i nostri stati, le nostre reazioni, il nostro benessere. E noi di Affectiva crediamo certamente che ciò comporti interazioni molto inefficaci e superficiali con la tecnologia. E se questi sistemi potessero comprendere le nostre emozioni, i nostri stati cognitivi, le nostre reazioni ei nostri comportamenti? Quanto sarebbero più efficaci le nostre interazioni con queste tecnologie?
Notte: Quindi in futuro immagino sicuramente un mondo in cui il nostro tipo di tecnologia, l'IA per le emozioni, è radicato nel tessuto delle tecnologie che sono a nostra disposizione ogni giorno. È discretamente in background, comprende e risponde al nostro benessere emotivo. Anch'io ho sempre avuto questa visione che forse noi umani potremmo forse portare con noi, chiamiamola il nostro passaporto delle emozioni. È la nostra impronta digitale emotiva che controlliamo. Possediamo quei dati. Lo gestiamo noi. E permettiamo, con le nostre autorizzazioni e desideri, di portarlo con noi dal dispositivo all'esperienza digitale ovunque utilizziamo la tecnologia. Sia che siamo seduti nel nostro ufficio a lavorare sul nostro laptop per salire in macchina o utilizzando una corsa condivisa o sui nostri sistemi domestici, come una casa di Google o in Alexa, lo chiami. Qualsiasi tipo di tecnologia con cui interagiamo. Ci sarebbe questa comprensione coerente del nostro benessere e ci guiderebbe, ci consiglierebbe e ci aiuterebbe. E penso che questa sia la parte critica. Ed è per questo che penso che sia anche così importante che tutto ciò avvenga con il nostro consenso, consenso e controllo.
Elisabetta: È così affascinante, perché puoi pensare che questa tecnologia venga utilizzata per creare empatia nei dispositivi che utilizziamo e nelle esperienze che abbiamo, giusto? E rispondi al modo in cui leggiamo o reagiamo a una pubblicità, ad esempio, e la sintonizzamo. E puoi anche pensare che questa tecnologia venga utilizzata come un modo per gestire le emozioni che stiamo provando. Quindi, quando stavi parlando di un passaporto delle emozioni, potresti dire: mi sento brontolone, mi sento sotto le intemperie e voglio che i miei dispositivi e la mia tecnologia rispondano a questo. Oppure potresti considerarlo come il mio di quei dispositivi in qualche modo ha bisogno di gestirmi da quell'emozione. Ed è abbastanza interessante pensarci. Può andare in entrambi i modi. E sai, suppongo di avere il mio voto su quale strada mi sentirei più a mio agio nel farlo.
Notte: E idealmente i sistemi ti capirebbero abbastanza bene, cosa sarebbe appropriato al momento. Perché qui consentiamo che questi dati vengano tracciati longitudinalmente e forse al mattino qualche dispositivo domestico che sto usando potrebbe dire come, Hey Gabi, sembra che tu non sia felice come lo eri ieri mattina. Posso anche dire che non hai davvero dormito le 7 ore ottimali per te. Vorresti che accendessi mai questa playlist musicale? E forse non vuoi che l'unità funzioni oggi. Perché non ti ordino un giro in condivisione per te? O la macchina del caffè appena avviata in cucina. O vice versa. Quindi torni a casa dal lavoro ed è come, Ehi, hai avuto una giornata davvero dura al lavoro. Ho prenotato un ristorante per te e verrà la baby sitter per tuo figlio. Sì. E l'idea è che quelli che con, chiamiamolo passaporto delle emozioni, danno ai nostri sistemi e alle tecnologie che utilizziamo, danno loro una visione del nostro stato personale e del nostro benessere, l'idea è che possono aiutarci a guidarci e consigliarci ed essenzialmente cerchiamo di rendere le nostre vite migliori o più efficaci. Ovviamente personalmente vorrei che fosse sempre sotto il mio controllo, il mio consenso e il mio consenso. Forse non voglio che i miei dati sul benessere vengano inviati al mio medico o, Dio non voglia, alla mia compagnia assicurativa. Ma forse in alcune situazioni è utile. Ed essere in grado di consentire alle nostre tecnologie di ottenere una comprensione più profonda del nostro benessere e del nostro stato può essere di fondamentale importanza.
Elisabetta: Meraviglioso. Grazie, Gabi, è stato molto interessante. Questa è un'area di sviluppo entusiasmante e ti auguriamo ogni successo.
Notte: Grazie mille e grazie per aver parlato con me. Erano domande così grandi. Mi è davvero piaciuto parlare con te. Grazie.
Elisabetta: Questo è tutto per questo episodio di Business Lab. Sono la tua ospite Elizabeth Bramson-Boudreau. Sono CEO ed editore di MIT Technology Review. Siamo stati fondati nel 1899 presso il Massachusetts Institute of Technology. Puoi trovarci in formato cartaceo, sul web, a dozzine di eventi dal vivo ogni anno e ora in formato audio. Sul nostro sito Web, TechnologyReview.com, puoi scoprire di più su di noi. E non dimenticare di candidarti per entrare a far parte del MIT Technology Review Global Panel, un gruppo di leader di pensiero, innovatori e dirigenti, dove puoi imparare dai tuoi colleghi e condividere la tua esperienza sulla tecnologia e le tendenze aziendali di oggi. Candidati su TechnologyReview.com/globalpanel. Questo programma è disponibile ovunque tu abbia i tuoi podcast. Se ti è piaciuto questo episodio, speriamo che ti prenderai un momento per valutarci e recensirci su Apple Podcasts. Business Lab è una produzione di MIT Technology Review. Il produttore è Wade Roush con l'aiuto editoriale di Mindy Blodgett. Un ringraziamento speciale al nostro ospite Gabi Zijderveld. Grazie per l'attenzione. Torneremo presto con un nuovo episodio.