WEBVTT 00:00:00.000 --> 00:00:02.640 align:middle line:90% [SIGLA LIVEWORX] 00:00:02.640 --> 00:00:05.100 align:middle line:90% Benvenuti a LiveWorx 2020. 00:00:05.100 --> 00:00:07.200 align:middle line:90% Sono Andia Winslow e ospiterò 00:00:07.200 --> 00:00:09.420 align:middle line:90% l'evento in diretta di oggi. 00:00:09.420 --> 00:00:10.920 align:middle line:90% Sono già intervenuti alcuni 00:00:10.920 --> 00:00:12.810 align:middle line:84% dei leader più influenti del settore tecnologico 00:00:12.810 --> 00:00:14.580 align:middle line:90% provenienti dall'ambito aziendale. 00:00:14.580 --> 00:00:17.730 align:middle line:84% Se non avete assistito alle sessioni precedenti 00:00:17.730 --> 00:00:21.090 align:middle line:84% vi consiglio di consultarle sul catalogo on-demand di LiveWorx 00:00:21.090 --> 00:00:24.180 align:middle line:90% a vostra disposizione fino al 19 giugno. 00:00:24.180 --> 00:00:27.810 align:middle line:84% Il catalogo online ha oltre 100 sessioni aggiuntive 00:00:27.810 --> 00:00:29.340 align:middle line:90% di ottimi contenuti. 00:00:29.340 --> 00:00:31.800 align:middle line:90% Vi arriverà a breve un'e-mail 00:00:31.800 --> 00:00:35.800 align:middle line:84% con la quale potete accedere ai contenuti per tutto l'anno. 00:00:35.800 --> 00:00:38.220 align:middle line:84% E adesso passiamo alla prossima sessione 00:00:38.220 --> 00:00:40.770 align:middle line:84% sull'intelligenza artificiale emotiva, detta anche 00:00:40.770 --> 00:00:44.100 align:middle line:84% IA delle emozioni. Vedremo di cosa si tratta e perché è importante. 00:00:44.100 --> 00:00:48.810 align:middle line:84% La dott.ssa Rana el Kaliouby è CEO e co-fondatrice di Affectiva. 00:00:48.810 --> 00:00:52.890 align:middle line:84% Affectiva, spin-off del MIT Media Lab ha creato e definito 00:00:52.890 --> 00:00:54.750 align:middle line:90% la categoria dell'IA emotiva. 00:00:54.750 --> 00:00:57.630 align:middle line:84% Un software che rileva le sfumature delle emozioni umane 00:00:57.630 --> 00:01:01.740 align:middle line:84% e gli stati cognitivi complessi tramite il volto e la voce. 00:01:01.740 --> 00:01:05.099 align:middle line:84% La dott.ssa el Kaliouby è una pioniera nell'ambito dell'IA nonché autrice 00:01:05.099 --> 00:01:07.680 align:middle line:90% del libro "Girl Decoded: A Scientist's Quest 00:01:07.680 --> 00:01:10.080 align:middle line:90% to Reclaim Our Humanity by Bringing 00:01:10.080 --> 00:01:12.240 align:middle line:90% Emotional Intelligence to Technology". 00:01:12.240 --> 00:01:17.690 align:middle line:84% Ho il piacere di presentarvi la dott.ssa Rana el Kaliouby. 00:01:17.690 --> 00:01:18.740 align:middle line:90% Grazie Andia. 00:01:18.740 --> 00:01:22.020 align:middle line:90% È un piacere essere qui con voi. 00:01:22.020 --> 00:01:24.770 align:middle line:84% La mia missione è quella di umanizzare la tecnologia 00:01:24.770 --> 00:01:29.180 align:middle line:84% prima che questa ci deumanizzi, introducendo l'intelligenza emotiva 00:01:29.180 --> 00:01:32.900 align:middle line:84% e l'empatia nei nostri dispositivi e nelle nostre tecnologie. 00:01:32.900 --> 00:01:35.420 align:middle line:84% Nel farlo, il mio obiettivo è di reimmaginare 00:01:35.420 --> 00:01:38.690 align:middle line:84% le interfacce di interazione tra individuo e computer 00:01:38.690 --> 00:01:42.100 align:middle line:84% nonché la connessione tra un individuo e un altro. 00:01:42.100 --> 00:01:45.250 align:middle line:84% Siamo stati catapultati in un mondo in cui 00:01:45.250 --> 00:01:46.479 align:middle line:90% si lavora in modo virtuale. 00:01:46.479 --> 00:01:49.210 align:middle line:84% È così che entriamo in contatto con i membri del nostro team. 00:01:49.210 --> 00:01:50.800 align:middle line:90% Impariamo online, 00:01:50.800 --> 00:01:52.420 align:middle line:90% è quello che fanno i miei figli. 00:01:52.420 --> 00:01:55.870 align:middle line:84% E comunichiamo con amici e parenti in modo virtuale. 00:01:55.870 --> 00:01:57.680 align:middle line:90% Tuttavia manca qualcosa. 00:01:57.680 --> 00:01:59.410 align:middle line:90% Non è la stessa cosa. 00:01:59.410 --> 00:02:03.610 align:middle line:84% Tutto ciò che riguarda i segnali non verbali 00:02:03.610 --> 00:02:07.180 align:middle line:90% manca in questo tipo di interazioni. 00:02:07.180 --> 00:02:11.570 align:middle line:84% L'IA sta ricoprendo ruoli che di solito sono prerogativa degli individui, 00:02:11.570 --> 00:02:13.990 align:middle line:84% ad esempio assiste nella guida delle automobili, 00:02:13.990 --> 00:02:17.620 align:middle line:84% in alcuni servizi sanitari, ci consente di essere più produttivi 00:02:17.620 --> 00:02:21.310 align:middle line:84% e persino di assumere nuovi membri dello staff. 00:02:21.310 --> 00:02:25.240 align:middle line:84% Il problema è che serve un nuovo contratto tra individui 00:02:25.240 --> 00:02:26.380 align:middle line:90% e IA. 00:02:26.380 --> 00:02:30.130 align:middle line:84% E deve essere basato sulla fiducia reciproca. 00:02:30.130 --> 00:02:32.200 align:middle line:90% È chiaro che dobbiamo fidarci dell'IA, 00:02:32.200 --> 00:02:34.450 align:middle line:84% è un argomento di cui si parla molto. 00:02:34.450 --> 00:02:40.030 align:middle line:84% Ma la cosa ancora più importante è che l'IA deve fidarsi di noi umani. 00:02:40.030 --> 00:02:43.060 align:middle line:84% D'altra parte, non sempre siamo stati perfetti 00:02:43.060 --> 00:02:46.420 align:middle line:90% nel prendere le decisioni giuste. 00:02:46.420 --> 00:02:49.480 align:middle line:90% Purtroppo ci sono tanti esempi 00:02:49.480 --> 00:02:51.650 align:middle line:84% di casi in cui la fiducia non è stata ripagata. 00:02:51.650 --> 00:02:56.500 align:middle line:84% Un chatbot di Twitter divenuto razzista da un giorno all'altro, 00:02:56.500 --> 00:02:59.470 align:middle line:84% automobili senza conducente che hanno causato incidenti mortali 00:02:59.470 --> 00:03:03.040 align:middle line:84% e tecnologia di riconoscimento facciale che fa discriminazioni nei confronti 00:03:03.040 --> 00:03:05.230 align:middle line:90% di certi di tipi di persone, 00:03:05.230 --> 00:03:08.740 align:middle line:90% soprattutto donne di colore. 00:03:08.740 --> 00:03:13.090 align:middle line:84% Vediamo come gli umani possono ripristinare questa fiducia. 00:03:13.090 --> 00:03:15.160 align:middle line:84% Ogni giorno prendiamo migliaia di decisioni 00:03:15.160 --> 00:03:17.150 align:middle line:90% che implicano la fiducia reciproca, 00:03:17.150 --> 00:03:21.329 align:middle line:84% sia nei rapporti personali che in quelli professionali. 00:03:21.329 --> 00:03:24.060 align:middle line:84% A volte la fiducia si basa su aspetti legali 00:03:24.060 --> 00:03:25.890 align:middle line:90% e termini e condizioni. 00:03:25.890 --> 00:03:30.360 align:middle line:84% Ma nella maggior parte dei casi si tratta di segnali impliciti, discreti, 00:03:30.360 --> 00:03:33.930 align:middle line:84% non verbali che ci si scambia l'uno con l'altro. L'empatia 00:03:33.930 --> 00:03:36.450 align:middle line:84% è il nucleo centrale per costruire questa fiducia. 00:03:36.450 --> 00:03:38.970 align:middle line:84% La tecnologia oggi possiede molto QI, 00:03:38.970 --> 00:03:42.690 align:middle line:84% molta intelligenza cognitiva ma non prevede QE, 00:03:42.690 --> 00:03:44.410 align:middle line:90% non vi è intelligenza emotiva. 00:03:44.410 --> 00:03:47.340 align:middle line:90% È l'aspetto mancante. 00:03:47.340 --> 00:03:50.950 align:middle line:84% Per tutta la mia carriera mi sono chiesta cosa succederebbe 00:03:50.950 --> 00:03:54.990 align:middle line:84% se la tecnologia potesse identificare le emozioni umane 00:03:54.990 --> 00:03:56.942 align:middle line:90% così come lo facciamo noi? 00:03:56.942 --> 00:03:58.900 align:middle line:84% Se, ad esempio, un computer potesse distinguere 00:03:58.900 --> 00:04:01.750 align:middle line:90% tra un sorriso e un sogghigno? 00:04:01.750 --> 00:04:03.890 align:middle line:84% Entrambi utilizzano la parte inferiore del volto 00:04:03.890 --> 00:04:06.770 align:middle line:90% ma hanno significati molto diversi. 00:04:06.770 --> 00:04:11.690 align:middle line:84% Come possiamo realizzare un'IA che comprenda l'uomo? 00:04:11.690 --> 00:04:14.570 align:middle line:90% Osservando cosa fanno gli umani. 00:04:14.570 --> 00:04:18.320 align:middle line:84% Soltanto il 7% del modo in cui comunichiamo i nostri stati mentali 00:04:18.320 --> 00:04:21.760 align:middle line:84% viene espresso tramite l'utilizzo di parole. 00:04:21.760 --> 00:04:26.960 align:middle line:84% Il 93% della comunicazione è non verbale, riguarda espressioni 00:04:26.960 --> 00:04:27.950 align:middle line:90% del volto e gesti, 00:04:27.950 --> 00:04:30.420 align:middle line:90% io lo faccio spessissimo. 00:04:30.420 --> 00:04:34.040 align:middle line:84% Il 38% dipende dell'intonazione della voce, dalla velocità 00:04:34.040 --> 00:04:37.640 align:middle line:84% con cui si parla e dall'energia della propria voce. 00:04:37.640 --> 00:04:40.080 align:middle line:84% Per tanto tempo mi sono focalizzata sul volto. 00:04:40.080 --> 00:04:44.240 align:middle line:84% È davvero uno specchio potente della comunicazione emotiva umana. 00:04:44.240 --> 00:04:49.740 align:middle line:84% La scienza delle espressioni facciali esiste da oltre 200 anni. 00:04:49.740 --> 00:04:52.700 align:middle line:84% Un tale Duchenne ha provato a stimolare tramite impulsi elettrici 00:04:52.700 --> 00:04:57.740 align:middle line:84% i muscoli del volto per tracciare il modo in cui si muovono. 00:04:57.740 --> 00:05:00.790 align:middle line:90% Per fortuna non lo facciamo più. 00:05:00.790 --> 00:05:04.740 align:middle line:84% Poi a fine anni '70 Paul Ekman e il suo team 00:05:04.740 --> 00:05:07.770 align:middle line:84% hanno pubblicato il Sistema di codifica delle espressioni facciali, 00:05:07.770 --> 00:05:11.760 align:middle line:84% un metodo per mappare il movimento di ciascun muscolo del volto 00:05:11.760 --> 00:05:13.960 align:middle line:84% e renderlo un un'unità d'azione, un codice. 00:05:13.960 --> 00:05:16.650 align:middle line:84% Ad esempio, se sorridiamo, provate insieme a me. 00:05:16.650 --> 00:05:19.800 align:middle line:84% se sorridiamo solleviamo il muscolo dello zigomo, 00:05:19.800 --> 00:05:24.180 align:middle line:84% l'angolo della bocca esegue l'azione numero 12. 00:05:24.180 --> 00:05:28.210 align:middle line:84% Il volto corrucciato rappresenta l'azione numero 4. 00:05:28.210 --> 00:05:29.910 align:middle line:90% L'espressione accigliata. 00:05:29.910 --> 00:05:32.310 align:middle line:90% Di solito indica un'emozione negativa 00:05:32.310 --> 00:05:36.080 align:middle line:90% ad esempio confusione o rabbia. 00:05:36.080 --> 00:05:39.530 align:middle line:90% Esistono circa 45 muscoli facciali 00:05:39.530 --> 00:05:42.290 align:middle line:84% e ci vogliono circa 100 ore di formazione 00:05:42.290 --> 00:05:47.090 align:middle line:84% per ottenere la qualifica di "interprete del volto". 00:05:47.090 --> 00:05:49.790 align:middle line:84% è molto impegnativo, richiede tanto tempo. 00:05:49.790 --> 00:05:51.650 align:middle line:84% Riuscire a decodificare un minuto di video 00:05:51.650 --> 00:05:54.140 align:middle line:90% richiede circa 5 minuti di lavoro 00:05:54.140 --> 00:05:56.890 align:middle line:84% per osservare al rallentatore e notare i dettagli, ad esempio 00:05:56.890 --> 00:05:59.570 align:middle line:84% un sopracciglio che si solleva o uno sguardo di traverso. 00:05:59.570 --> 00:06:01.040 align:middle line:90% Tutto ciò non è più necessario. 00:06:01.040 --> 00:06:04.370 align:middle line:84% Possiamo usare la visione artificiale, l'apprendimento automatico, quello 00:06:04.370 --> 00:06:07.670 align:middle line:84% approfondito per insegnare in modo automatico agli algoritmi a rilevare 00:06:07.670 --> 00:06:10.720 align:middle line:90% le espressioni del volto. 00:06:10.720 --> 00:06:13.450 align:middle line:84% Utilizziamo centinaia di migliaia di esempi 00:06:13.450 --> 00:06:17.140 align:middle line:84% di sorrisi, sogghigni ed espressioni accigliate 00:06:17.140 --> 00:06:18.670 align:middle line:90% per perfezionare gli algoritmi. 00:06:18.670 --> 00:06:23.290 align:middle line:84% La rete di apprendimento approfondito è in grado di sintetizzare 00:06:23.290 --> 00:06:25.480 align:middle line:90% cosa hanno in comune i sorrisi, 00:06:25.480 --> 00:06:29.710 align:middle line:84% cosa hanno in comune gli accigliamenti ed è così che impara a distinguere. 00:06:29.710 --> 00:06:32.320 align:middle line:84% Quindi riassumendo, il primo passaggio del processo 00:06:32.320 --> 00:06:34.930 align:middle line:90% è individuare il triangolo del volto, 00:06:34.930 --> 00:06:39.130 align:middle line:84% i punti di riferimento quali sopracciglia, bocca 00:06:39.130 --> 00:06:40.240 align:middle line:90% o naso. 00:06:40.240 --> 00:06:43.750 align:middle line:84% Poi quell'area passa in una rete di connessioni neuronali profonde 00:06:43.750 --> 00:06:46.300 align:middle line:84% in grado di sintetizzare quali espressioni si stanno verificando 00:06:46.300 --> 00:06:49.450 align:middle line:90% sul volto e assegnare loro un numero 00:06:49.450 --> 00:06:51.760 align:middle line:90% riferito a stati emotivi e cognitivi. 00:06:51.760 --> 00:06:55.090 align:middle line:84% A partire da gioia, sorpresa, rabbia, disgusto 00:06:55.090 --> 00:06:58.720 align:middle line:84% fino a stati più complessi quali stanchezza, attenzione, 00:06:58.720 --> 00:07:02.470 align:middle line:84% sovraccarico emotivo, confusione e molto altro. 00:07:02.470 --> 00:07:04.540 align:middle line:90% Il nostro lavoro degli ultimi anni 00:07:04.540 --> 00:07:08.260 align:middle line:84% ha generato il più grande magazzino al mondo riferito alle emozioni. 00:07:08.260 --> 00:07:11.680 align:middle line:84% Abbiamo raccolto 9,5 milioni di video con diversi volti, 00:07:11.680 --> 00:07:13.930 align:middle line:84% naturalmente con il consenso da parte dei partecipanti, 00:07:13.930 --> 00:07:16.280 align:middle line:90% in 90 Paesi del mondo. 00:07:16.280 --> 00:07:19.900 align:middle line:84% Si tratta di circa 5 miliardi di categorie facciali. 00:07:19.900 --> 00:07:22.450 align:middle line:90% È di gran lunga il magazzino più grande 00:07:22.450 --> 00:07:25.090 align:middle line:84% delle risposte emotive in situazioni di vita reale. 00:07:25.090 --> 00:07:27.280 align:middle line:84% Utilizziamo questi dati a scopo di perfezionamento 00:07:27.280 --> 00:07:30.690 align:middle line:90% ma anche di validazione degli algoritmi. 00:07:30.690 --> 00:07:33.800 align:middle line:84% Questa tecnologia ha moltissime applicazioni 00:07:33.800 --> 00:07:37.340 align:middle line:90% in grado di trasformare interi settori. 00:07:37.340 --> 00:07:39.980 align:middle line:84% Dal mio punto di vista nei prossimi anni 00:07:39.980 --> 00:07:43.159 align:middle line:84% l'intelligenza artificiale emotiva diventerà 00:07:43.159 --> 00:07:44.900 align:middle line:90% l'interfaccia reale tra uomo e macchina. 00:07:44.900 --> 00:07:47.810 align:middle line:84% Praticamente interagiremo con i nostri dispositivi nello stesso modo 00:07:47.810 --> 00:07:50.150 align:middle line:90% in cui interagiamo tra di noi. 00:07:50.150 --> 00:07:51.260 align:middle line:90% Tramite una conversazione. 00:07:51.260 --> 00:07:53.600 align:middle line:84% Esistono già dispositivi basati su conversazione 00:07:53.600 --> 00:07:55.550 align:middle line:90% come Alexa e Siri. 00:07:55.550 --> 00:07:56.540 align:middle line:90% Tramite le percezioni. 00:07:56.540 --> 00:07:58.520 align:middle line:90% Vediamo già dei dispositivi 00:07:58.520 --> 00:08:00.530 align:middle line:90% con delle videocamere integrate. 00:08:00.530 --> 00:08:04.070 align:middle line:90% Ma soprattutto, tramite empatia 00:08:04.070 --> 00:08:05.550 align:middle line:90% e intelligenza emotiva. 00:08:05.550 --> 00:08:06.800 align:middle line:90% Ci sono moltissime applicazioni. 00:08:06.800 --> 00:08:09.120 align:middle line:90% Ne vedremo alcune. 00:08:09.120 --> 00:08:11.420 align:middle line:90% La prima riguarda il quantificare 00:08:11.420 --> 00:08:14.960 align:middle line:84% la misura in cui i consumatori si interessano a prodotti e brand 00:08:14.960 --> 00:08:16.730 align:middle line:90% con cui vengono a contatto. 00:08:16.730 --> 00:08:20.240 align:middle line:84% Ciò funziona tramite l'invio di sondaggi ad alcune persone 00:08:20.240 --> 00:08:22.710 align:middle line:84% a cui chiediamo di visualizzare un certo tipo di contenuto. 00:08:22.710 --> 00:08:26.120 align:middle line:84% Può trattarsi di un video pubblicitario, il trailer di un film, 00:08:26.120 --> 00:08:30.380 align:middle line:84% un programma TV già esistente o contenuti per l'apprendimento. 00:08:30.380 --> 00:08:32.299 align:middle line:90% L'idea è quella di catturare 00:08:32.299 --> 00:08:35.510 align:middle line:84% il coinvolgimento emotivo e la risposta emotiva di coloro 00:08:35.510 --> 00:08:37.789 align:middle line:90% che osservano un determinato contenuto. 00:08:37.789 --> 00:08:39.990 align:middle line:84% Chiediamo ai partecipanti di accendere la webcam-- 00:08:39.990 --> 00:08:42.182 align:middle line:84% il consenso alla partecipazione è estremamente importante, 00:08:42.182 --> 00:08:44.390 align:middle line:84% così siamo in grado di catturare tutte le reazioni, 00:08:44.390 --> 00:08:46.710 align:middle line:90% in ogni momento. 00:08:46.710 --> 00:08:52.170 align:middle line:84% La nostra tecnologia viene usata dal 25% delle aziende Fortune Global 500 00:08:52.170 --> 00:08:55.080 align:middle line:90% e dalle aziende leader del mercato 00:08:55.080 --> 00:08:59.400 align:middle line:84% che vi si affidano per quantificare la risposta emotiva 00:08:59.400 --> 00:09:02.898 align:middle line:84% di consumatori e visualizzatori ai loro contenuti. 00:09:02.898 --> 00:09:04.440 align:middle line:84% Ho pensato potesse essere interessante 00:09:04.440 --> 00:09:08.580 align:middle line:84% mostrarvi uno dei video pubblicitari che abbiamo testato 00:09:08.580 --> 00:09:11.200 align:middle line:84% e che siamo autorizzati a condividere pubblicamente. 00:09:11.200 --> 00:09:12.250 align:middle line:90% Guardiamolo insieme. 00:09:12.250 --> 00:09:15.666 align:middle line:84% [MUSICA - TONY DALLARA, "COME PRIMA"] 00:09:18.106 --> 00:09:21.522 align:middle line:90% [CANZONE IN ITALIANO] 00:10:13.124 --> 00:10:16.390 align:middle line:90% La mamma è arrivata prima. 00:10:16.390 --> 00:10:21.380 align:middle line:84% Ad oggi abbiamo testato oltre 50.000 persone in tutto il mondo. 00:10:21.380 --> 00:10:27.520 align:middle line:90% Questo video fa parte del 10% 00:10:27.520 --> 00:10:30.760 align:middle line:84% dei migliori video del diciannovesimo percentile. 00:10:30.760 --> 00:10:34.060 align:middle line:84% Ottiene un elevato coinvolgimento emotivo 00:10:34.060 --> 00:10:36.040 align:middle line:84% ossia il nostro punteggio di espressività. 00:10:36.040 --> 00:10:37.570 align:middle line:90% Ottiene molti sorrisi. 00:10:37.570 --> 00:10:40.960 align:middle line:84% È possibile seguire l'andamento dei sorrisi in ogni momento 00:10:40.960 --> 00:10:43.660 align:middle line:84% per ogni persona che ha guardato quel video e per la quale 00:10:43.660 --> 00:10:46.400 align:middle line:90% siamo stati in grado di registrare i dati. 00:10:46.400 --> 00:10:48.710 align:middle line:84% La cosa straordinaria di questo video particolare 00:10:48.710 --> 00:10:51.410 align:middle line:84% è che rispetto alla prima volta che viene visualizzato, 00:10:51.410 --> 00:10:53.300 align:middle line:90% rappresentato dalla linea verde, 00:10:53.300 --> 00:10:55.130 align:middle line:90% la seconda volta le persone, 00:10:55.130 --> 00:10:57.050 align:middle line:90% come mostra la linea verde tratteggiata, 00:10:57.050 --> 00:11:00.140 align:middle line:84% sembrano ricordarsi di quella pubblicità. 00:11:00.140 --> 00:11:02.420 align:middle line:90% Sanno già che è divertente 00:11:02.420 --> 00:11:05.420 align:middle line:84% e iniziano a ridere prima che inizi la scena, 00:11:05.420 --> 00:11:07.640 align:middle line:90% esattamente il risultato da ottenere. 00:11:07.640 --> 00:11:09.920 align:middle line:84% Ma l'aspetto più importante è che guidiamo le persone 00:11:09.920 --> 00:11:12.050 align:middle line:90% verso un percorso emotivo che culmina 00:11:12.050 --> 00:11:15.650 align:middle line:84% con una risposta finale molto positiva che coincide 00:11:15.650 --> 00:11:16.700 align:middle line:90% col momento in cui si svela il brand. 00:11:16.700 --> 00:11:19.280 align:middle line:90% Grazie alle nostre ricerche sappiamo 00:11:19.280 --> 00:11:22.990 align:middle line:90% che si tratta di metriche molto positive. 00:11:22.990 --> 00:11:25.020 align:middle line:84% Adoro particolarmente questo esempio perché 00:11:25.020 --> 00:11:29.130 align:middle line:84% è l'esempio di come Coca Cola e Unilever 00:11:29.130 --> 00:11:32.820 align:middle line:84% stiano utilizzando questa tecnologia per incrementare l'uso dei video 00:11:32.820 --> 00:11:36.720 align:middle line:84% pubblicitari e diventare più inclusivi e progressisti. 00:11:36.720 --> 00:11:39.780 align:middle line:84% Ma devono farlo in modo molto ponderato. 00:11:39.780 --> 00:11:42.750 align:middle line:84% Sono in grado di catturare quelle risposte inconsce e viscerali 00:11:42.750 --> 00:11:45.830 align:middle line:90% relative alle loro pubblicità. 00:11:45.830 --> 00:11:48.800 align:middle line:84% Sappiamo inoltre, a seguito del lavoro svolto con questi brand, 00:11:48.800 --> 00:11:51.650 align:middle line:84% in cui abbiamo associato le risposte emotive 00:11:51.650 --> 00:11:54.860 align:middle line:84% al comportamento effettivo del consumatore, 00:11:54.860 --> 00:11:58.460 align:middle line:84% che questo percorso emotivo e queste risposte emotive positive 00:11:58.460 --> 00:12:00.620 align:middle line:90% sono strettamente collegate ad aspetti 00:12:00.620 --> 00:12:03.800 align:middle line:84% quali incremento delle vendite, intenzione di acquisto e viralità. 00:12:06.790 --> 00:12:09.910 align:middle line:84% Poiché abbiamo testato 50.000 pubblicità in tutto il mondo 00:12:09.910 --> 00:12:12.280 align:middle line:84% siamo in grado di creare degli standard di riferimento. 00:12:12.280 --> 00:12:14.680 align:middle line:90% Ad esempio sappiamo che negli USA 00:12:14.680 --> 00:12:19.070 align:middle line:84% le pubblicità su animali e bambini sono quelle più amate. 00:12:19.070 --> 00:12:22.400 align:middle line:84% Curiosamente in Canada sono le pubblicità dei cereali 00:12:22.400 --> 00:12:24.980 align:middle line:90% ad avere il gradimento più elevato. 00:12:24.980 --> 00:12:28.950 align:middle line:84% E purtroppo le pubblicità delle telecomunicazioni non hanno 00:12:28.950 --> 00:12:29.450 align:middle line:90% pressoché alcun gradimento. 00:12:29.450 --> 00:12:32.010 align:middle line:90% Sono noiose da guardare. 00:12:32.010 --> 00:12:34.470 align:middle line:84% Questi dati sono quindi molto interessanti 00:12:34.470 --> 00:12:36.510 align:middle line:84% e offrono agli esperti di marketing e ai brand 00:12:36.510 --> 00:12:39.120 align:middle line:90% punti di vista nuovi che li aiutano 00:12:39.120 --> 00:12:41.400 align:middle line:90% e decidere come investire sui vari media 00:12:41.400 --> 00:12:44.510 align:middle line:84% e come ottimizzare i loro contenuti pubblicitari. 00:12:44.510 --> 00:12:46.140 align:middle line:90% Ciò non riguarda solo le pubblicità, 00:12:46.140 --> 00:12:50.803 align:middle line:84% lo stesso tipo di dati si può generare a partire dai programmi televisivi. 00:12:50.803 --> 00:12:52.470 align:middle line:90% Ecco uno dei miei esempi preferiti. 00:12:52.470 --> 00:12:56.430 align:middle line:84% Una sitcom che abbiamo testato tempo fa per CBS. 00:12:56.430 --> 00:12:58.260 align:middle line:90% Si chiamava Friends with better lives. 00:12:58.260 --> 00:12:59.610 align:middle line:84% Non credo sia andata in onda molto a lungo. 00:12:59.610 --> 00:13:01.120 align:middle line:90% Non ha avuto molto successo. 00:13:01.120 --> 00:13:03.810 align:middle line:84% Ma anche qui vediamo la curva dei sorrisi. 00:13:03.810 --> 00:13:06.690 align:middle line:90% Sovrapponiamo i personaggi 00:13:06.690 --> 00:13:08.850 align:middle line:90% della scena a quella curva. 00:13:08.850 --> 00:13:11.490 align:middle line:84% Vedete che ci sono due personaggi in particolare 00:13:11.490 --> 00:13:14.770 align:middle line:84% che quando compaiono non risultano divertenti. 00:13:14.770 --> 00:13:19.120 align:middle line:84% Sono il punto più basso della curva del sorriso. 00:13:19.120 --> 00:13:21.210 align:middle line:84% Anche qui si è trattato di dati molto interessanti 00:13:21.210 --> 00:13:23.730 align:middle line:90% che i produttori hanno potuto utilizzare 00:13:23.730 --> 00:13:27.780 align:middle line:84% per decidere di eliminare questi personaggi. 00:13:27.780 --> 00:13:32.240 align:middle line:90% Procedendo nel percorso di comprensione 00:13:32.240 --> 00:13:33.840 align:middle line:90% del coinvolgimento emotivo delle persone 00:13:33.840 --> 00:13:36.240 align:middle line:84% con i contenuti presentati, c'è un altro aspetto 00:13:36.240 --> 00:13:37.830 align:middle line:90% su cui puntiamo molto. 00:13:37.830 --> 00:13:41.430 align:middle line:84% Il futuro della mobilità e del trasporto. 00:13:41.430 --> 00:13:43.320 align:middle line:84% Quando abbiamo iniziato a lavorare in questo ambito 00:13:43.320 --> 00:13:45.780 align:middle line:84% siamo stati contattati da produttori di automobili 00:13:45.780 --> 00:13:49.710 align:middle line:84% di tutto il mondo che volevano riprogrammare la tecnologia di percezione 00:13:49.710 --> 00:13:51.780 align:middle line:90% delle emozioni nelle loro auto. 00:13:51.780 --> 00:13:54.360 align:middle line:90% Per farlo dovevamo osservare 00:13:54.360 --> 00:13:57.640 align:middle line:84% come si comportano le persone in auto, soprattutto i conducenti. 00:13:57.640 --> 00:14:00.330 align:middle line:84% Abbiamo quindi iniziato a raccogliere dei dati. 00:14:00.330 --> 00:14:03.683 align:middle line:84% Molti di noi erano piuttosto scettici per via del fatto che 00:14:03.683 --> 00:14:05.100 align:middle line:90% sapere di avere 00:14:05.100 --> 00:14:06.725 align:middle line:90% una telecamera sul cruscotto 00:14:06.725 --> 00:14:09.990 align:middle line:84% avrebbe potuto escludere risposte emotive 00:14:09.990 --> 00:14:12.210 align:middle line:90% o cognitive interessanti. 00:14:12.210 --> 00:14:13.060 align:middle line:90% Ma ci sbagliavamo. 00:14:13.060 --> 00:14:16.920 align:middle line:84% Vi faccio vedere gli esempi di alcuni video. 00:14:16.920 --> 00:14:19.920 align:middle line:84% Queste persone sapevano di avere una telecamera 00:14:19.920 --> 00:14:22.320 align:middle line:90% in auto, l'avevano installata loro, 00:14:22.320 --> 00:14:27.090 align:middle line:84% avevano accettato di partecipare eppure abbiamo notato dei comportamenti 00:14:27.090 --> 00:14:28.030 align:middle line:90% interessanti alla guida. 00:14:28.030 --> 00:14:32.610 align:middle line:84% In questo caso particolare, vediamo un padre alla guida. 00:14:32.610 --> 00:14:33.920 align:middle line:90% È molto assonnato. 00:14:33.920 --> 00:14:35.700 align:middle line:90% Ci sono 4 livelli di sonnolenza. 00:14:35.700 --> 00:14:38.370 align:middle line:90% Lui è praticamente addormentato. 00:14:38.370 --> 00:14:40.170 align:middle line:90% E vedete anche c'è la figlia 00:14:40.170 --> 00:14:41.460 align:middle line:90% nel seggiolino dietro. 00:14:41.460 --> 00:14:45.330 align:middle line:84% Un comportamento estremamente pericoloso. 00:14:45.330 --> 00:14:48.480 align:middle line:90% Lo capisco benissimo. 00:14:48.480 --> 00:14:52.200 align:middle line:90% Ci sono stati momenti in passato 00:14:52.200 --> 00:14:56.190 align:middle line:84% in cui tornavo da un viaggio lungo, avevo il jetlag 00:14:56.190 --> 00:14:57.870 align:middle line:84% e anche se stanca guidavo con i miei figli in macchina. 00:14:57.870 --> 00:14:59.940 align:middle line:90% Capisco bene la situazione. 00:14:59.940 --> 00:15:03.597 align:middle line:84% È un esempio semplicissimo che la tecnologia può rilevare. 00:15:03.597 --> 00:15:05.430 align:middle line:90% Vedete come la tecnologia 00:15:05.430 --> 00:15:08.745 align:middle line:84% è stata in grado di rilevare la chiusura degli occhi, l'apertura della bocca 00:15:08.745 --> 00:15:10.650 align:middle line:90% e il livello di sonnolenza. 00:15:10.650 --> 00:15:14.200 align:middle line:84% E immaginate in che modo possa intervenire la macchina. 00:15:14.200 --> 00:15:15.730 align:middle line:90% Ecco un altro esempio. 00:15:15.730 --> 00:15:17.880 align:middle line:90% Questa persona sta guidando 00:15:17.880 --> 00:15:21.960 align:middle line:84% e sta anche scrivendo messaggi, quindi è molto distratta. 00:15:21.960 --> 00:15:24.510 align:middle line:90% Ha in mano due telefoni, 00:15:24.510 --> 00:15:27.330 align:middle line:90% quindi è molto distratta. 00:15:27.330 --> 00:15:28.680 align:middle line:90% Non presta attenzione alla strada. 00:15:28.680 --> 00:15:30.780 align:middle line:90% Non ha le mani sul volante. 00:15:30.780 --> 00:15:33.960 align:middle line:90% Nessuno vorrebbe incrociarla. 00:15:33.960 --> 00:15:37.080 align:middle line:84% Anche questo è un esempio di come la tecnologia può rilevare comportamenti 00:15:37.080 --> 00:15:38.860 align:middle line:90% semplicemente osservando cosa succede 00:15:38.860 --> 00:15:41.670 align:middle line:90% il posizionamento della testa 00:15:41.670 --> 00:15:43.270 align:middle line:90% unito al rilevamento degli oggetti. 00:15:43.270 --> 00:15:45.810 align:middle line:84% Quindi scopriamo che non ha un solo cellulare 00:15:45.810 --> 00:15:47.070 align:middle line:90% ma che ne tiene in mano due. 00:15:47.070 --> 00:15:50.160 align:middle line:84% Possiamo segnalarla come una conducente molto distratta. 00:15:50.160 --> 00:15:52.800 align:middle line:84% E l'automobile interverrà in un modo o nell'altro. 00:15:52.800 --> 00:15:55.740 align:middle line:90% Immaginate se fosse stata una Tesla 00:15:55.740 --> 00:15:58.710 align:middle line:84% che può passare a una modalità semiautomatica, 00:15:58.710 --> 00:16:00.360 align:middle line:90% l'auto potrebbe capire 00:16:00.360 --> 00:16:02.610 align:middle line:84% di poter guidare in modo più sicuro in quel momento 00:16:02.610 --> 00:16:06.030 align:middle line:90% e assumere quindi il controllo. 00:16:06.030 --> 00:16:08.670 align:middle line:90% Abbiamo svolto molte ricerche insieme 00:16:08.670 --> 00:16:11.970 align:middle line:84% al gruppo di tecnologie avanzate sui veicoli del MIT 00:16:11.970 --> 00:16:15.900 align:middle line:84% durante le quali abbiamo svolto il primo studio su larga scala 00:16:15.900 --> 00:16:17.590 align:middle line:84% per analizzare i comportamenti dei conducenti nel corso del tempo. 00:16:17.590 --> 00:16:19.260 align:middle line:90% In questo caso particolare 00:16:19.260 --> 00:16:22.030 align:middle line:90% vediamo il partecipante numero 66. 00:16:22.030 --> 00:16:23.450 align:middle line:90% Una donna. 00:16:23.450 --> 00:16:24.930 align:middle line:90% Ha 22 anni. 00:16:24.930 --> 00:16:28.950 align:middle line:84% Tutti gli spostamenti del lunedì sono nella fila corrispondente. 00:16:28.950 --> 00:16:31.860 align:middle line:90% Lo stesso vale per quelli del martedì. 00:16:31.860 --> 00:16:33.130 align:middle line:90% E così via. 00:16:33.130 --> 00:16:37.470 align:middle line:84% Come vedete durante la settimana è piuttosto stanca. 00:16:37.470 --> 00:16:39.030 align:middle line:90% Sbadiglia spesso 00:16:39.030 --> 00:16:40.650 align:middle line:90% soprattutto a inizio giornata. 00:16:40.650 --> 00:16:44.020 align:middle line:84% Durante il weekend e a fine giornata 00:16:44.020 --> 00:16:49.650 align:middle line:90% le espressioni sono più positive. 00:16:49.650 --> 00:16:53.040 align:middle line:84% Dicono che un'immagine vale più di mille parole. 00:16:53.040 --> 00:16:55.950 align:middle line:84% Credo che un video sia ancora più potente. 00:16:55.950 --> 00:17:02.220 align:middle line:84% Vediamo degli esempi che riguardano i comportamenti 00:17:02.220 --> 00:17:06.420 align:middle line:90% al volante la mattina o il pomeriggio. 00:17:06.420 --> 00:17:09.990 align:middle line:84% Sono stati rilevati utilizzando i nostri algoritmi. 00:17:09.990 --> 00:17:12.930 align:middle line:84% Abbiamo utilizzato la linea come indicatore 00:17:12.930 --> 00:17:15.060 align:middle line:90% per individuare gli sbadigli 00:17:15.060 --> 00:17:20.000 align:middle line:90% durante i vari spostamenti. 00:17:20.000 --> 00:17:23.618 align:middle line:84% Vedete che spesso la mattina è davvero molto stanca. 00:17:23.618 --> 00:17:25.887 align:middle line:84% Potete immaginare che se si tratta di un fatto ricorrente 00:17:25.887 --> 00:17:27.430 align:middle line:90% l'automobile sa già 00:17:27.430 --> 00:17:30.340 align:middle line:90% che la mattina è esausta. 00:17:30.340 --> 00:17:32.770 align:middle line:84% Potrebbero esserci delle azioni proattive da parte dell'automobile 00:17:32.770 --> 00:17:37.690 align:middle line:90% per adattarsi al suo profilo. 00:17:37.690 --> 00:17:42.720 align:middle line:84% Adesso confrontiamolo coi comportamenti nel pomeriggio. 00:17:42.720 --> 00:17:46.140 align:middle line:90% Vedete che sembra molto più sveglia. 00:17:46.140 --> 00:17:49.110 align:middle line:90% È più attiva, più sorridente, 00:17:49.110 --> 00:17:50.520 align:middle line:90% ha espressioni positive. 00:17:50.520 --> 00:17:54.300 align:middle line:84% Se la macchina avesse il suo profilo conducente 00:17:54.300 --> 00:17:56.940 align:middle line:90% potrebbe adattare e personalizzare 00:17:56.940 --> 00:18:02.170 align:middle line:84% l'esperienza di guida in base alle emozioni riscontrate. 00:18:02.170 --> 00:18:05.310 align:middle line:84% Stiamo collaborando con molti produttori di auto 00:18:05.310 --> 00:18:08.400 align:middle line:90% per rivedere l'esperienza di trasporto. 00:18:08.400 --> 00:18:10.260 align:middle line:90% Non solo nelle auto di oggi 00:18:10.260 --> 00:18:13.890 align:middle line:84% in cui ci possiamo concentrare sull'autista ma anche in quelle future 00:18:13.890 --> 00:18:17.910 align:middle line:84% in cui c'è la visione di una soluzione di percezione incombente 00:18:17.910 --> 00:18:20.670 align:middle line:84% che osserva non solo il conducente ma anche gli altri passeggeri 00:18:20.670 --> 00:18:21.510 align:middle line:90% del veicolo. 00:18:21.510 --> 00:18:23.820 align:middle line:84% Così come gli oggetti all'interno della vettura. 00:18:23.820 --> 00:18:25.680 align:middle line:84% Ci si è dimenticati un bambino in auto? 00:18:25.680 --> 00:18:27.600 align:middle line:90% O il cellulare? 00:18:27.600 --> 00:18:29.557 align:middle line:90% Quanti sono i passeggeri? 00:18:29.557 --> 00:18:30.390 align:middle line:90% In che condizioni sono? 00:18:30.390 --> 00:18:34.300 align:middle line:84% Si può personalizzare la musica, il contenuto, la luce 00:18:34.300 --> 00:18:37.260 align:middle line:90% e così via? 00:18:37.260 --> 00:18:39.110 align:middle line:90% Ma certamente molti di noi 00:18:39.110 --> 00:18:40.610 align:middle line:90% non passano molto tempo in macchina 00:18:40.610 --> 00:18:43.310 align:middle line:90% durante questa pandemia. 00:18:43.310 --> 00:18:47.870 align:middle line:84% Molti di noi trascorrono grande parte del tempo 00:18:47.870 --> 00:18:52.250 align:middle line:90% tra videoconferenze ed eventi virtuali. 00:18:52.250 --> 00:18:55.700 align:middle line:84% Creare un rapporto umano tramite la tecnologia è difficile. 00:18:55.700 --> 00:19:00.140 align:middle line:84% Soprattutto perché il metodo di comunicazione principale 00:19:00.140 --> 00:19:01.430 align:middle line:90% è di tipo non verbale. 00:19:01.430 --> 00:19:05.070 align:middle line:90% A volte durante le conferenze virtuali, 00:19:05.070 --> 00:19:09.140 align:middle line:90% gli eventi virtuali o tramite video, 00:19:09.140 --> 00:19:13.310 align:middle line:84% non si percepisce l'energia o le espressioni 00:19:13.310 --> 00:19:14.000 align:middle line:90% del pubblico. 00:19:14.000 --> 00:19:16.220 align:middle line:90% Lo noto moltissimo su me stessa. 00:19:16.220 --> 00:19:19.220 align:middle line:84% Ho da poco pubblicato il libro Girl Decoded, come accennavo. 00:19:19.220 --> 00:19:21.890 align:middle line:90% E sono dovuta passare da un tour 00:19:21.890 --> 00:19:24.650 align:middle line:84% che mi avrebbe vista viaggiare senza sosta da marzo a maggio 00:19:24.650 --> 00:19:28.220 align:middle line:90% a una serie di tour virtuali 00:19:28.220 --> 00:19:28.910 align:middle line:90% e conversazioni virtuali. 00:19:28.910 --> 00:19:32.840 align:middle line:84% Ed è molto diverso perché in un ambiente reale 00:19:32.840 --> 00:19:34.370 align:middle line:90% posso vedere il pubblico. 00:19:34.370 --> 00:19:36.710 align:middle line:84% Vi vedo e la vostra energia mi serve per elaborare, 00:19:36.710 --> 00:19:38.870 align:middle line:90% per adattare e personalizzare 00:19:38.870 --> 00:19:43.010 align:middle line:84% i miei contenuti sulla base dell'interazione con voi. 00:19:43.010 --> 00:19:46.190 align:middle line:84% Gli incontri virtuali rappresentano una comunicazione unidirezionale 00:19:46.190 --> 00:19:49.010 align:middle line:90% o almeno è così che la percepisco io. 00:19:49.010 --> 00:19:51.750 align:middle line:90% Lo trovo spiacevole e destabilizzante. 00:19:51.750 --> 00:19:55.820 align:middle line:84% Ma credo ci sia l'opportunità di cambiare. 00:19:55.820 --> 00:19:59.390 align:middle line:90% Potremmo integrare l'IA emotiva 00:19:59.390 --> 00:20:02.300 align:middle line:90% per raccogliere le risposte del pubblico 00:20:02.300 --> 00:20:05.360 align:middle line:84% e catturare le vostre espressioni in modo anonimo. 00:20:05.360 --> 00:20:08.070 align:middle line:90% Non c'è bisogno di vedere tutti i volti. 00:20:08.070 --> 00:20:11.120 align:middle line:84% Sarebbe una distrazione, visto che sto parlando. 00:20:11.120 --> 00:20:14.510 align:middle line:90% Ma se potessi monitorare in ogni momento 00:20:14.510 --> 00:20:17.042 align:middle line:84% il tipo di coinvolgimento, positivo o negativo, 00:20:17.042 --> 00:20:18.500 align:middle line:84% da parte vostra riguardo ai miei contenuti, 00:20:18.500 --> 00:20:20.420 align:middle line:90% sarebbe un'informazione preziosa 00:20:20.420 --> 00:20:22.670 align:middle line:84% che mi consentirebbe di personalizzare e rendermi conto 00:20:22.670 --> 00:20:27.030 align:middle line:84% del livello di coinvolgimento del pubblico. 00:20:27.030 --> 00:20:28.900 align:middle line:90% Voglio mostrarvi un esempio. 00:20:28.900 --> 00:20:31.390 align:middle line:84% Riguarda una riunione interna svoltasi su Zoom in cui 00:20:31.390 --> 00:20:34.240 align:middle line:84% abbiamo registrato le risposte del team. 00:20:34.240 --> 00:20:37.360 align:middle line:90% Vedete qui il riassunto delle risposte. 00:20:37.360 --> 00:20:40.180 align:middle line:84% Ci sono diversi modi di interpretare questi dati 00:20:40.180 --> 00:20:42.070 align:middle line:90% ma siamo in grado di monitorare tutti 00:20:42.070 --> 00:20:44.405 align:middle line:84% e raccogliere i sorrisi e le risposte delle persone. 00:20:44.405 --> 00:20:46.030 align:middle line:90% Si stava parlando di... 00:20:46.030 --> 00:20:49.960 align:middle line:84% Eravamo a inizio marzo, prima dello scoppio della pandemia. 00:20:49.960 --> 00:20:51.970 align:middle line:90% E si parlava di cosa sarebbe successo 00:20:51.970 --> 00:20:54.287 align:middle line:90% e del lavoro da remoto. 00:20:54.287 --> 00:20:55.870 align:middle line:90% Ognuno raccontava la sua testimonianza. 00:20:55.870 --> 00:20:58.190 align:middle line:84% C'era molta empatia e parecchi sorrisi. 00:20:58.190 --> 00:21:00.190 align:middle line:90% E siamo stati in grado di rilevarlo. 00:21:00.190 --> 00:21:02.890 align:middle line:84% Adesso confrontiamolo a una riunione piatta e noiosa 00:21:02.890 --> 00:21:04.600 align:middle line:90% a cui nessuno si interessa. 00:21:04.600 --> 00:21:06.230 align:middle line:90% La differenza è notevole. 00:21:06.230 --> 00:21:09.790 align:middle line:84% Possiamo quantificare quei dati sul coinvolgimento in tempo reale 00:21:09.790 --> 00:21:16.050 align:middle line:84% ma anche a posteriori, come processo di analisi. 00:21:16.050 --> 00:21:18.800 align:middle line:84% Allo stesso modo, in un contesto di apprendimento, 00:21:18.800 --> 00:21:21.650 align:middle line:84% sarebbe bello se un insegnante potesse valutare il coinvolgimento emotivo 00:21:21.650 --> 00:21:24.920 align:middle line:90% dei propri studenti così come farebbe 00:21:24.920 --> 00:21:26.150 align:middle line:90% in classe. 00:21:26.150 --> 00:21:28.070 align:middle line:84% È ciò che dovrebbe fare un buon insegnante, no? 00:21:28.070 --> 00:21:30.710 align:middle line:84% Valutare e sfruttare il coinvolgimento degli studenti 00:21:30.710 --> 00:21:33.710 align:middle line:84% per personalizzare l'esperienza di apprendimento 00:21:33.710 --> 00:21:37.620 align:middle line:90% e massimizzare i risultati. 00:21:37.620 --> 00:21:41.390 align:middle line:84% Ci sono delle applicazioni anche riguardo alla salute mentale. 00:21:41.390 --> 00:21:44.090 align:middle line:90% Quando andiamo in uno studio medico 00:21:44.090 --> 00:21:46.403 align:middle line:90% non ci viene chiesto di misurarci la febbre 00:21:46.403 --> 00:21:48.320 align:middle line:90% o la pressione del sangue da soli, 00:21:48.320 --> 00:21:49.970 align:middle line:90% lo fanno e basta. 00:21:49.970 --> 00:21:51.890 align:middle line:84% Sarebbe bello se il medico potesse valutare 00:21:51.890 --> 00:21:53.930 align:middle line:84% in modo oggettivo il nostro stato d'animo 00:21:53.930 --> 00:21:56.090 align:middle line:84% così come si misurano altri parametri vitali? 00:21:56.090 --> 00:21:58.430 align:middle line:84% Purtroppo lo standard di riferimento riguardo alle malattie mentali 00:21:58.430 --> 00:22:01.230 align:middle line:90% è una scala da 1 a 10. 00:22:01.230 --> 00:22:02.840 align:middle line:90% Quanto ti senti depresso? 00:22:02.840 --> 00:22:04.160 align:middle line:90% Quante volte fai pensieri suicidi? 00:22:04.160 --> 00:22:05.810 align:middle line:90% Quanto dolore provi? 00:22:05.810 --> 00:22:08.780 align:middle line:84% Potremmo utilizzare l'IA emotiva e applicarla 00:22:08.780 --> 00:22:12.620 align:middle line:84% per misurare in modo oggettivo le condizioni di salute mentale 00:22:12.620 --> 00:22:15.190 align:middle line:90% di ciascuno. 00:22:15.190 --> 00:22:17.760 align:middle line:90% Un altro ambito a cui tengo molto 00:22:17.760 --> 00:22:21.010 align:middle line:84% è la prima applicazione di IA emotiva a cui mi sono dedicata 00:22:21.010 --> 00:22:22.300 align:middle line:90% ossia l'autismo. 00:22:22.300 --> 00:22:24.760 align:middle line:84% Gli individui che soffrono di disturbi legati all'autismo hanno difficoltà 00:22:24.760 --> 00:22:28.780 align:middle line:84% a leggere e comprendere i messaggi non verbali. 00:22:28.780 --> 00:22:32.620 align:middle line:84% Trovano il volto, in modo particolare, molto destabilizzante. 00:22:32.620 --> 00:22:34.300 align:middle line:90% A volte lo evitano completamente. 00:22:34.300 --> 00:22:37.390 align:middle line:84% Evitano il contatto visivo e di osservare il volto. 00:22:37.390 --> 00:22:40.690 align:middle line:84% Collaboriamo con un'azienda chiamata Brain Power 00:22:40.690 --> 00:22:45.910 align:middle line:84% che utilizza Google Glass e la nostra tecnologia per aiutare gli individui 00:22:45.910 --> 00:22:49.180 align:middle line:84% con problemi di autismo a imparare i segni non verbali 00:22:49.180 --> 00:22:51.550 align:middle line:90% in modo divertente e giocoso. 00:22:51.550 --> 00:22:56.200 align:middle line:84% Vi mostro un breve video che lo dimostra. 00:22:56.200 --> 00:22:57.850 align:middle line:90% Cosa vedi sullo schermo? 00:22:57.850 --> 00:22:59.090 align:middle line:90% Mamma. 00:22:59.090 --> 00:23:02.128 align:middle line:84% A Matthew Krieger, di 8 anni è stato diagnosticato l'autismo. 00:23:02.128 --> 00:23:04.170 align:middle line:84% Uno dei problemi per cui non riesce a interagire con gli altri 00:23:04.170 --> 00:23:05.820 align:middle line:90% è che pensa di essere divertente. 00:23:05.820 --> 00:23:07.950 align:middle line:84% Non si rende conto di non esserlo affatto 00:23:07.950 --> 00:23:10.020 align:middle line:84% o che gli altri siano infastiditi o arrabbiati. 00:23:10.020 --> 00:23:11.550 align:middle line:84% La madre di Matthew, Laura, lo ha arruolato 00:23:11.550 --> 00:23:15.570 align:middle line:84% in uno studio clinico condotto da Ned Sahin. 00:23:15.570 --> 00:23:20.010 align:middle line:84% Voglio sapere cosa avviene dentro il cervello di chi soffre 00:23:20.010 --> 00:23:21.270 align:middle line:90% di autismo. 00:23:21.270 --> 00:23:24.600 align:middle line:84% E a quanto pare anche i genitori vogliono scoprirlo. 00:23:24.600 --> 00:23:26.700 align:middle line:84% Vinci dei punti se osservi per un po', 00:23:26.700 --> 00:23:29.660 align:middle line:84% poi distogli lo sguardo, e poi guardi di nuovo. 00:23:29.660 --> 00:23:32.910 align:middle line:84% L'azienda di Sahin, Brain Power, utilizza il software Affectiva 00:23:32.910 --> 00:23:35.940 align:middle line:84% per i programmi che Matthew vede con Google Glass. 00:23:35.940 --> 00:23:37.950 align:middle line:84% Questi giochi cercano di aiutarlo a capire 00:23:37.950 --> 00:23:40.860 align:middle line:84% in che modo le espressioni del volto corrispondono alle emozioni 00:23:40.860 --> 00:23:42.840 align:middle line:90% e imparare questi messaggi sociali. 00:23:42.840 --> 00:23:45.300 align:middle line:84% Una delle competenze fondamentali nella vita 00:23:45.300 --> 00:23:47.000 align:middle line:90% è comprendere le emozioni degli altri. 00:23:47.000 --> 00:23:50.190 align:middle line:90% Un'altra è osservarli 00:23:50.190 --> 00:23:51.510 align:middle line:90% mentre parlano. 00:23:51.510 --> 00:23:54.750 align:middle line:84% Guarda tua mamma, se è verde ottieni i punti, se diventa arancione o rosso 00:23:54.750 --> 00:23:58.020 align:middle line:90% i punti diminuiscono. 00:23:58.020 --> 00:24:00.660 align:middle line:90% i punti diminuiscono. 00:24:00.660 --> 00:24:01.698 align:middle line:90% Ti osservo. 00:24:01.698 --> 00:24:02.490 align:middle line:90% Tu osservi me. 00:24:02.490 --> 00:24:05.250 align:middle line:84% Dopo pochi minuti la differenza nello sguardo di Matthew 00:24:05.250 --> 00:24:06.780 align:middle line:90% ha stupito la madre. 00:24:06.780 --> 00:24:09.200 align:middle line:90% Mi viene da piangere. 00:24:09.200 --> 00:24:09.700 align:middle line:90% Perché? 00:24:13.540 --> 00:24:19.340 align:middle line:90% Perché quando mi guardi penso 00:24:19.340 --> 00:24:22.020 align:middle line:90% che forse non lo hai mai fatto prima 00:24:22.020 --> 00:24:25.230 align:middle line:90% perché ora mi guardi in modo diverso. 00:24:25.230 --> 00:24:29.260 align:middle line:84% Brain Power ha circa 400 sistemi Google Glass 00:24:29.260 --> 00:24:33.400 align:middle line:84% distribuiti ad alcune famiglie in USA. 00:24:33.400 --> 00:24:35.650 align:middle line:90% La questione fondamentale è: 00:24:35.650 --> 00:24:38.290 align:middle line:90% vediamo già dei miglioramenti riguardo 00:24:38.290 --> 00:24:41.763 align:middle line:84% alla comprensione dei comportamenti sociali e non verbali dei bambini, 00:24:41.763 --> 00:24:43.180 align:middle line:90% mentre indossano gli occhiali. 00:24:43.180 --> 00:24:47.410 align:middle line:84% Bisogna capire cosa succede quando tolgono gli occhiali. 00:24:47.410 --> 00:24:50.580 align:middle line:90% Si tratta di un apprendimento generale? 00:24:50.580 --> 00:24:53.592 align:middle line:84% C'è anche un'altra applicazione per questa tecnologia 00:24:53.592 --> 00:24:54.300 align:middle line:90% nell'ambito della salute mentale. 00:24:54.300 --> 00:24:58.050 align:middle line:84% Un sistema per il rilevamento precoce del morbo di Parkinson. 00:24:58.050 --> 00:25:02.070 align:middle line:84% Erin Smith è una studentessa a Stanford. 00:25:02.070 --> 00:25:05.370 align:middle line:84% Un tempo quando studiava alle scuole superiori 00:25:05.370 --> 00:25:08.550 align:middle line:90% ci ha scritto per dirci 00:25:08.550 --> 00:25:12.240 align:middle line:84% che aveva visto un documentario sul Parkinson, 00:25:12.240 --> 00:25:14.320 align:middle line:90% voleva utilizzare la nostra tecnologia 00:25:14.320 --> 00:25:15.450 align:middle line:90% e sapere il costo. 00:25:15.450 --> 00:25:20.187 align:middle line:84% Il direttore delle vendite mi chiese cosa avrebbe dovuto rispondere. 00:25:20.187 --> 00:25:21.520 align:middle line:84% Non si poteva permettere la nostra tecnologia. 00:25:21.520 --> 00:25:24.390 align:middle line:84% Allora dissi di offrirgliela gratuitamente. 00:25:24.390 --> 00:25:26.250 align:middle line:84% Che tanto non avrebbe fatto nulla di particolare. 00:25:26.250 --> 00:25:29.808 align:middle line:90% Dopo qualche mese tornò a contattarci. 00:25:29.808 --> 00:25:31.350 align:middle line:84% Aveva realizzato una partnership con la fondazione 00:25:31.350 --> 00:25:36.120 align:middle line:84% Michael J. Fox e realizzato un sistema per identificare 00:25:36.120 --> 00:25:38.250 align:middle line:90% i biomarcatori del Parkinson. 00:25:38.250 --> 00:25:40.590 align:middle line:90% Ha continuato a lavorare su questa ricerca. 00:25:40.590 --> 00:25:43.060 align:middle line:84% Una donna giovane, grande fonte d'ispirazione. 00:25:43.060 --> 00:25:45.090 align:middle line:84% Sono orgogliosa di avere partecipato in parte 00:25:45.090 --> 00:25:47.190 align:middle line:90% al suo percorso. 00:25:47.190 --> 00:25:50.490 align:middle line:84% Sappiamo anche che esistono biomarcatori facciali e vocali 00:25:50.490 --> 00:25:51.780 align:middle line:90% per la depressione. 00:25:51.780 --> 00:25:56.040 align:middle line:84% Riuscire a segnalare il pericolo di suicidio in base a quei segnali 00:25:56.040 --> 00:25:57.630 align:middle line:90% richiede tanto lavoro. 00:25:57.630 --> 00:26:00.570 align:middle line:90% È un lavoro che stiamo svolgendo 00:26:00.570 --> 00:26:05.960 align:middle line:90% col Prof. Steven Benoit e altri. 00:26:05.960 --> 00:26:08.260 align:middle line:90% Ciò ci conduce a una riflessione, 00:26:08.260 --> 00:26:10.410 align:middle line:90% ossia che esistono molte applicazioni 00:26:10.410 --> 00:26:13.320 align:middle line:84% per questa tecnologia ma qual è il limite? 00:26:13.320 --> 00:26:16.470 align:middle line:90% Mi appassiona molto l'idea 00:26:16.470 --> 00:26:20.460 align:middle line:84% dello sviluppo etico e la distribuzione dell'IA. 00:26:20.460 --> 00:26:24.990 align:middle line:90% Non si tratta solo di riconoscere 00:26:24.990 --> 00:26:27.630 align:middle line:90% che esiste molto potenziale positivo 00:26:27.630 --> 00:26:29.940 align:middle line:84% ma anche di individuare i possibili abusi 00:26:29.940 --> 00:26:33.560 align:middle line:84% e le conseguenze non intenzionali relative a questa tecnologia. 00:26:33.560 --> 00:26:35.310 align:middle line:90% Diversi anni fa, mentre raccoglievamo 00:26:35.310 --> 00:26:37.380 align:middle line:84% il denaro per l'azienda, siamo stati contattati 00:26:37.380 --> 00:26:41.670 align:middle line:84% da un'azienda che ci offriva moltissimo denaro, 00:26:41.670 --> 00:26:44.700 align:middle line:84% 40 milioni di dollari ai tempi, tantissimi 00:26:44.700 --> 00:26:47.150 align:middle line:84% per una piccola startup come la nostra, 00:26:47.150 --> 00:26:49.680 align:middle line:84% a condizione che potessero usare la tecnologia per rilevare 00:26:49.680 --> 00:26:52.500 align:middle line:90% falsità e per spiare. 00:26:52.500 --> 00:26:54.690 align:middle line:84% Non era una richiesta in linea con i nostri valori di rispetto 00:26:54.690 --> 00:26:58.020 align:middle line:84% della privacy e del consenso delle persone. 00:26:58.020 --> 00:27:02.020 align:middle line:90% E nell'accettare ciò, come utente, 00:27:02.020 --> 00:27:03.730 align:middle line:90% i dati sono molto personali. 00:27:03.730 --> 00:27:05.940 align:middle line:90% E se li condivido 00:27:05.940 --> 00:27:07.890 align:middle line:84% voglio sapere esattamente chi li sta utilizzando, 00:27:07.890 --> 00:27:12.370 align:middle line:90% in che modo e quale vantaggio ne traggo. 00:27:12.370 --> 00:27:14.040 align:middle line:90% Abbiamo riflettuto a lungo 00:27:14.040 --> 00:27:15.780 align:middle line:90% su questa asimmetria di potere, 00:27:15.780 --> 00:27:17.580 align:middle line:90% che valore ottengo in cambio 00:27:17.580 --> 00:27:20.307 align:middle line:84% della condivisione dei miei dati personali. 00:27:20.307 --> 00:27:22.390 align:middle line:90% La cosa fantastica è che l'azienda 00:27:22.390 --> 00:27:25.440 align:middle line:90% sta prendendo posizione nel definire 00:27:25.440 --> 00:27:26.820 align:middle line:90% linee guida e prassi migliori. 00:27:26.820 --> 00:27:30.600 align:middle line:84% Siamo parte di un consorzio chiamato Partnership on AI. 00:27:30.600 --> 00:27:32.460 align:middle line:84% È stato creato dai giganti della tecnologia: 00:27:32.460 --> 00:27:35.430 align:middle line:90% Amazon, Google, Facebook, Microsoft. 00:27:35.430 --> 00:27:39.120 align:middle line:84% E da allora hanno invitato una serie di startup 00:27:39.120 --> 00:27:40.440 align:middle line:90% come Affectiva. 00:27:40.440 --> 00:27:44.880 align:middle line:84% Ne fanno parte anche investitori quali ACLU e Amnesty International. 00:27:44.880 --> 00:27:47.760 align:middle line:90% Io faccio parte del comitato FATE 00:27:47.760 --> 00:27:51.090 align:middle line:84% che promuove l'IA imparziale, responsabile, trasparente ed equa. 00:27:51.090 --> 00:27:55.290 align:middle line:90% L'obiettivo è creare delle linee guida 00:27:55.290 --> 00:27:57.227 align:middle line:90% riguardo a regolamenti ponderati. 00:27:57.227 --> 00:27:59.310 align:middle line:84% Servono delle regole e devono essere ben ponderate. 00:27:59.310 --> 00:28:02.100 align:middle line:84% Non vogliamo dissipare del tutto l'innovazione 00:28:02.100 --> 00:28:03.600 align:middle line:90% ma allo stesso tempo è importante 00:28:03.600 --> 00:28:06.030 align:middle line:90% capire qual è il limite da non superare 00:28:06.030 --> 00:28:11.910 align:middle line:84% e quali potrebbero essere i regolamenti ponderati più adatti. 00:28:11.910 --> 00:28:14.240 align:middle line:90% In ultima analisi la mia missione 00:28:14.240 --> 00:28:17.570 align:middle line:84% è quella di umanizzare la tecnologia prima che questa deumanizzi noi. 00:28:17.570 --> 00:28:21.080 align:middle line:84% Voglio che l'attenzione ritorni sull'essere umano, 00:28:21.080 --> 00:28:23.200 align:middle line:90% non sugli oggetti artificiali. 00:28:23.200 --> 00:28:27.290 align:middle line:90% Per concludere, se vi siete incuriositi 00:28:27.290 --> 00:28:29.750 align:middle line:84% all'intelligenza artificiale emotiva e alle sue applicazioni 00:28:29.750 --> 00:28:34.280 align:middle line:84% nonché alle sue implicazioni, regalerò un libro autografato 00:28:34.280 --> 00:28:37.520 align:middle line:84% alle prime tre persone che lasciano un post sui miei sociali media, 00:28:37.520 --> 00:28:41.350 align:middle line:84% LinkedIn, Facebook, Twitter, Instagram, usando gli hashtag 00:28:41.350 --> 00:28:45.860 align:middle line:84% #LIVEWORX e #GIRLDECODED con un commento o una domanda 00:28:45.860 --> 00:28:47.970 align:middle line:90% su questa presentazione. 00:28:47.970 --> 00:28:50.970 align:middle line:90% Grazie. 00:28:50.970 --> 00:28:52.470 align:middle line:90% [ARGOMENTO LIVEWORX] 00:28:52.470 --> 00:28:54.500 align:middle line:84% Grazie alla Dott.ssa el Kaliouby per essere stata con noi. 00:28:54.500 --> 00:28:56.690 align:middle line:90% Una presentazione incredibile. 00:28:56.690 --> 00:29:00.000 align:middle line:84% E con questo concludiamo la terza sessione della giornata. 00:29:00.000 --> 00:29:01.460 align:middle line:90% A seguire, all'inizio dell'ora 00:29:01.460 --> 00:29:05.240 align:middle line:84% scopriremo come le aziende stanno sfruttando CAD basati su SAAS, PLM 00:29:05.240 --> 00:29:07.550 align:middle line:84% e realtà aumentata come strumenti chiave non solo 00:29:07.550 --> 00:29:11.270 align:middle line:84% per sopravvivere alla situazione attuale ma per accogliere la nuova normalità. 00:29:11.270 --> 00:29:13.160 align:middle line:90% Torneremo dopo una breve pausa. 00:29:13.160 --> 00:29:16.510 align:middle line:90% [ARGOMENTO LIVEWORX]