TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow et Sean Gourley: Cartographier des idées qui méritent d'être partagées
Filmed:
Readability: 4.3
1,131,373 views
À quoi ressemblent 24 000 idées ? L'écologiste Eric Berlow et le physicien Sean Gourley utilisent des algorithmes pour analyser la totalité des archives des conférences TEDx. Ils nous offrent une intéressante visite visuelle pour illustrer comment les idées se connectent mondialement.
Eric Berlow - Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
Double-click the English transcript below to play the video.
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
562
3061
Eric Berlow : Je suis écologiste,
Sean est physicien,
Sean est physicien,
00:15
and we both study complex networks.
1
3623
2108
et nous étudions les réseaux complexes.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Nous nous sommes rencontrés
il y a quelques années, après avoir découvert
il y a quelques années, après avoir découvert
00:19
that we had both given a short TED Talk
3
7566
2000
que nous avions tous deux
indépendamment parlé
indépendamment parlé
00:21
about the ecology of war,
4
9566
2303
de l'écologie de guerre
dans des conférences TED,
dans des conférences TED,
00:23
and we realized that we were connected
5
11869
1447
et nous avons réalisé
que nous étions reliés
que nous étions reliés
00:25
by the ideas we shared before we ever met.
6
13316
2818
par les idées que nous partagions
avant même de nous rencontrer.
avant même de nous rencontrer.
00:28
And then we thought, you know, there are thousands
7
16134
1556
Nous nous sommes dit :
il y a des milliers
il y a des milliers
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
d'autres conférences,
notamment les TEDx,
notamment les TEDx,
00:31
that are popping up all over the world.
9
19804
2211
qui pullulent partout dans le monde.
00:34
How are they connected,
10
22015
923
Comment sont-elles liées ?
00:34
and what does that global conversation look like?
11
22938
2010
À quoi ressemble
cette conversation mondiale ?
cette conversation mondiale ?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Sean va donc vous décrire comment
nous avons répondu à ces interrogations.
nous avons répondu à ces interrogations.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley : Nous avons pris
24 000 conférences TEDx
24 000 conférences TEDx
00:43
from around the world, 147 different countries,
14
31525
3046
venant du monde entier : 147 pays.
00:46
and we took these talks and we wanted to find
15
34571
2123
Nous avons pris ces conférences
00:48
the mathematical structures that underly
16
36694
2040
et nous voulions trouver
les structures mathématiques
les structures mathématiques
00:50
the ideas behind them.
17
38734
1722
qui exprimaient les idées
qu'elles contenaient.
qu'elles contenaient.
00:52
And we wanted to do that so we could see how
18
40456
1370
Nous voulions voir
de quelle manière ces idées
de quelle manière ces idées
00:53
they connected with each other.
19
41826
2053
étaient connectées entre elles.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
Bien sûr, pour pouvoir réaliser
ce genre de chose,
ce genre de chose,
00:57
you need a lot of data.
21
45555
956
il faut beaucoup de données.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
Les données, on les trouve sur un engin génial
qui s'appelle YouTube,
qui s'appelle YouTube,
01:02
and we can go down and basically pull
23
50197
1768
et on peut exploiter
toutes les informations qui s'y trouvent :
toutes les informations qui s'y trouvent :
01:03
all the open information from YouTube,
24
51965
2267
tous les commentaires,
le nombre de vues,
le nombre de vues,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
savoir qui regarde les vidéos
d'où elles sont regardées,
d'où elles sont regardées,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
et ce qu'il est dit
dans les commentaires.
dans les commentaires.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Mais on peut aussi analyser
tous les textes de conférences
tous les textes de conférences
01:14
we can pull the entire transcript,
28
62652
2128
en utilisant les transcriptions,
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
et ça marche aussi pour les gens
qui ont un accent bizarre comme moi !
qui ont un accent bizarre comme moi !
01:19
So we can take their transcript
30
67460
2106
Ainsi, on peut prendre le texte
01:21
and actually do some pretty cool things.
31
69566
2098
et faire des trucs plutôt chouette.
01:23
We can take natural language processing algorithms
32
71664
2160
On peut utiliser des algorithmes
de traitement du langage naturel
de traitement du langage naturel
01:25
to kind of read through with a computer, line by line,
33
73824
2629
pour qu'un ordinateur « lise » les données,
ligne par ligne,
ligne par ligne,
01:28
extracting key concepts from this.
34
76453
2359
pour en extraire les concepts-clés.
01:30
And we take those key concepts and they sort of form
35
78812
2525
Puis on prend ces concepts-clés,
qui en fait representent
qui en fait representent
01:33
this mathematical structure of an idea.
36
81337
3565
une idée sous forme
de structure mathématique.
de structure mathématique.
01:36
And we call that the meme-ome.
37
84902
1757
On appelle ça un « mème-ome ».
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
Ce « mème-ome »,
pour faire simple,
pour faire simple,
01:40
is the mathematics that underlies an idea,
39
88810
2426
désigne l'interprétation
mathématique d'une idée,
mathématique d'une idée,
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
et on peut faire des analyses
très intéressantes avec ça,
très intéressantes avec ça,
01:45
which I want to share with you now.
41
93168
1981
et j'aimerais les partager
avec vous aujourd'hui.
avec vous aujourd'hui.
01:47
So each idea has its own meme-ome,
42
95149
2190
Donc chaque idée
a son propre « mème-ome »,
a son propre « mème-ome »,
01:49
and each idea is unique with that,
43
97339
1951
chaque idée est unique,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
mais bien sûr, les idées,
s'inspirent les unes des autres
s'inspirent les unes des autres
01:53
they kind of steal sometimes,
45
101778
1184
parfois même elles puisent
les unes des autres,
les unes des autres,
01:54
and they certainly build on each other,
46
102962
1827
et puis elles s'appuient évidement
les unes sur les autres.
les unes sur les autres.
01:56
and we can go through mathematically
47
104789
1616
Ainsi, on peut faire
une analyse mathématique,
une analyse mathématique,
01:58
and take the meme-ome from one talk
48
106405
1840
prendre le « mème-ome »
d'une conférence
d'une conférence
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
et le comparer aux « mème-ome »
de toutes les autres conférences,
de toutes les autres conférences,
02:02
and if there's a similarity between the two of them,
50
110699
1973
et s'il y a une similarité
avec une autre conférence,
avec une autre conférence,
02:04
we can create a link and represent that as a graph,
51
112672
3250
on peut créer un lien
et illustrer ça sur un graphique,
et illustrer ça sur un graphique,
02:07
just like Eric and I are connected.
52
115922
2394
et c'est sur ce même principe
qu'Eric et moi sommes reliés.
qu'Eric et moi sommes reliés.
02:10
So that's theory, that's great.
53
118316
1394
C'est la théorie, c'est formidable.
02:11
Let's see how it works in actual practice.
54
119710
2526
Voyons comment ça marche en pratique.
02:14
So what we've got here now is the global footprint
55
122236
2788
Donc ici, nous avons l'empreinte mondiale
02:17
of all the TEDx Talks over the last four years
56
125024
2293
de toutes les conférences TEDx
02:19
exploding out around the world
57
127317
1550
des 4 dernières années
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
de New York jusqu'à la Nouvelle-Zélande
en bas à droite.
en bas à droite.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
Nous avons donc analysé
le top de 25 % des conférences,
le top de 25 % des conférences,
02:28
and we started to see where the connections occurred,
60
136031
2534
et nous avons commencé
à chercher où étaient les connections,
à chercher où étaient les connections,
02:30
where they connected with each other.
61
138565
1537
où elles se connectaient entre elles.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
Cameron Russell
qui parle d'image et de beauté
qui parle d'image et de beauté
02:33
connected over into Europe.
63
141976
1575
est connecté à l'Europe.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Nous avons une conversation plus étendue
sur l'Israël et la Palestine
sur l'Israël et la Palestine
02:37
radiating outwards from the Middle East.
65
145963
2255
rayonnant vers l'extérieur
à partir du Moyen-Orient.
à partir du Moyen-Orient.
02:40
And we've got something a little broader
66
148218
1298
Et nous avons quelque chose
d'un peu plus large
d'un peu plus large
02:41
like big data with a truly global footprint
67
149516
2156
comme les données volumineuses
avec une empreinte véritablement mondiale
avec une empreinte véritablement mondiale
02:43
reminiscent of a conversation
68
151672
2179
qui évoque une conversation
02:45
that is happening everywhere.
69
153851
2016
qui se passe partout dans le monde.
02:47
So from this, we kind of run up against the limits
70
155867
2173
Donc sur cette base,
on se heurte un peu aux limites
on se heurte un peu aux limites
02:50
of what we can actually do with a geographic projection,
71
158040
2530
de ce qu'on peut faire
avec une projection géographique,
avec une projection géographique,
02:52
but luckily, computer technology allows us to go out
72
160570
2052
mais heureusement,
la technologie informatique permet
la technologie informatique permet
02:54
into multidimensional space.
73
162622
1546
d'utiliser un espace multidimensionnel.
02:56
So we can take in our network projection
74
164168
1875
Ainsi nous pouvons prendre
notre projection de réseau
notre projection de réseau
02:58
and apply a physics engine to this,
75
166043
1750
et trier les conférences par l’intermédiaire
d'un moteur physique,
d'un moteur physique,
02:59
and the similar talks kind of smash together,
76
167793
1885
qui fait en sorte de regrouper
les conférences qui sont similaires
les conférences qui sont similaires
03:01
and the different ones fly apart,
77
169678
2004
et d’écarter celles qui diffèrent,
03:03
and what we're left with is something quite beautiful.
78
171682
2072
et on obtient quelque chose d'assez beau.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB : Alors, je veux juste souligner ici
que chaque nœud est une conférence,
que chaque nœud est une conférence,
03:08
they're linked if they share similar ideas,
80
176711
2589
et qu'elles sont reliées si elles partagent
des idées similaires.
des idées similaires.
03:11
and that comes from a machine reading
81
179300
2084
Ceci est déterminé
par une lecture informatique
par une lecture informatique
03:13
of entire talk transcripts,
82
181384
2067
des transcriptions des conférences,
03:15
and then all these topics that pop out,
83
183451
2231
et toutes ces thématiques
qui apparaissent
qui apparaissent
03:17
they're not from tags and keywords.
84
185682
1790
ne surgissent pas des mots-clés.
03:19
They come from the network structure
85
187472
1725
Elle proviennent
de la structure du réseau
de la structure du réseau
03:21
of interconnected ideas. Keep going.
86
189197
2168
des idées interconnectées.
Continue.
Continue.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Absolument. J'ai survolé ce point
un peu trop rapidement
un peu trop rapidement
03:25
but he's going to slow me down.
88
193387
1475
mais il est là pour me ralentir.
03:26
We've got education connected to storytelling
89
194862
2034
On voit que l'éducation est connectée
à la narration d'histoires
à la narration d'histoires
03:28
triangulated next to social media.
90
196896
1643
triangulées avec les médias sociaux.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
On a, bien sûr, le cerveau humain,
juste à côté de la santé,
juste à côté de la santé,
03:33
which you might expect,
92
201014
1386
ce dont on aurait pu se douter,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
mais on a aussi les jeux vidéo,
qui sont à côté,
qui sont à côté,
03:36
as those two spaces interface with each other.
94
204795
2740
car ces deux espaces
communiquent entre eux.
communiquent entre eux.
03:39
But I want to take you into one cluster
95
207535
1535
Mais je veux vous emmener
dans une grappe
dans une grappe
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
qui m'importe particulièrement
qui est l'environnement.
qui est l'environnement.
03:43
And I want to kind of zoom in on that
97
211938
1493
Et je veux zoomer là-dessus
03:45
and see if we can get a little more resolution.
98
213431
2363
et voir si on peut obtenir
une plus grande résolution.
une plus grande résolution.
03:47
So as we go in here, what we start to see,
99
215794
2347
En fait, ce dont on s'aperçoit,
03:50
apply the physics engine again,
100
218141
1504
en appliquant ce moteur physique,
03:51
we see what's one conversation
101
219645
1676
c'est qu'une conversation
03:53
is actually composed of many smaller ones.
102
221321
2560
se compose en réalité
de plusieurs petites conversations.
de plusieurs petites conversations.
03:55
The structure starts to emerge
103
223881
1929
La structure commence à émerger,
03:57
where we see a kind of fractal behavior
104
225810
2070
et on voit un comportement fractal
03:59
of the words and the language that we use
105
227880
1619
des mots et du langage que l'on utilise
04:01
to describe the things that are important to us
106
229499
1702
pour décrire les choses
qui sont importantes pour nous
qui sont importantes pour nous
04:03
all around this world.
107
231201
1433
tout autour du monde.
04:04
So you've got food economy and local food at the top,
108
232634
2332
On a l'économie alimentaire
et la nourriture locale en haut,
et la nourriture locale en haut,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
les gaz à effet de serre, le solaire
et les déchets nucléaires.
et les déchets nucléaires.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
Ce qu'on obtient est une gamme
de petites conversations,
de petites conversations,
04:12
each connected to each other through the ideas
111
240316
2301
chacune reliées aux autres
à travers les idées
à travers les idées
04:14
and the language they share,
112
242617
1301
et la langue qu'elles partagent,
04:15
creating a broader concept of the environment.
113
243918
2450
créant un concept
plus large de l'environnement.
plus large de l'environnement.
04:18
And of course, from here, we can go
114
246368
1532
Et bien sûr, à partir d'ici
on peut zoomer
on peut zoomer
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
et voir, et bien,
que regardent les jeunes ?
que regardent les jeunes ?
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
Ils s'intéressent aux technologies de l'énergie
et à la fusion nucléaire.
et à la fusion nucléaire.
04:25
This is their kind of resonance
117
253779
1674
C'est ce à quoi ils s'intéressent
04:27
for the conversation around the environment.
118
255453
2406
dans les conversations qui tournent
autour de la thématique de l'environnement.
autour de la thématique de l'environnement.
04:29
If we split along gender lines,
119
257859
1899
Si nous séparons selon le sexe,
04:31
we can see females resonating heavily
120
259758
1987
nous pouvons voir que les femmes
s'intéressent fortement
s'intéressent fortement
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
à l'économie alimentaire,
mais aussi à l'espoir et à l'optimisme.
mais aussi à l'espoir et à l'optimisme.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Et donc on peut faire
des tas de choses passionnantes,
des tas de choses passionnantes,
04:39
and I'll throw to Eric for the next part.
123
267872
1762
et je vais laisser la parole à Eric
pour la prochaine partie.
pour la prochaine partie.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB : Oui, je voudrais d'abord souligner
04:43
you cannot get this kind of perspective
125
271236
1538
qu'on ne peut pas obtenir
ce genre de perspective
ce genre de perspective
04:44
from a simple tag search on YouTube.
126
272774
3360
par une simple recherche
de mots-clés sur YouTube.
de mots-clés sur YouTube.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
Faisons maintenant un zoom arrière
sur la totalité des conversations
sur la totalité des conversations
04:52
out of environment, and look at all the talks together.
128
280322
2534
et regardons l'ensemble
des conférences.
des conférences.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Souvent, lorsqu'on est confronté
à cette quantité de contenu,
à cette quantité de contenu,
04:57
we do a couple of things to simplify it.
130
285783
2431
on fait quelques opérations
pour simplifier.
pour simplifier.
05:00
We might just say, well,
131
288214
1314
Nous pourrions dire,
et bien,
et bien,
05:01
what are the most popular talks out there?
132
289528
2829
quelles sont les conférences
les plus populaires ?
les plus populaires ?
05:04
And a few rise to the surface.
133
292357
1397
Et quelques-unes remontent à la surface.
05:05
There's a talk about gratitude.
134
293754
1828
Il y a une conférence
à propos de la gratitude.
à propos de la gratitude.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Il y en a une autre
sur la santé et la nutrition.
sur la santé et la nutrition.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
Et bien sûr,
il y en a une sur le porno !
il y en a une sur le porno !
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
Et alors, nous pourrions dire :
la gratitude, c'était l'an dernier.
la gratitude, c'était l'an dernier.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
Qu'est-ce qui est en vogue ?
Qu'est-ce qui est populaire en ce moment ?
Qu'est-ce qui est populaire en ce moment ?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
Et nous pouvons voir que
le nouveau thème le plus en vogue
le nouveau thème le plus en vogue
05:22
is about digital privacy.
140
310932
2666
est celui de l'intimité numérique.
05:25
So this is great. It simplifies things.
141
313598
1693
Donc c'est très bien.
Ça simplifie les choses.
Ça simplifie les choses.
05:27
But there's so much creative content
142
315291
1827
Mais en même temps,
il y a tellement de contenu créatif
il y a tellement de contenu créatif
05:29
that's just buried at the bottom.
143
317118
1921
que l'on néglige
quand on procède de cette manière.
quand on procède de cette manière.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
Et je déteste ça.
Comment faire émerger les choses
Comment faire émerger les choses
05:34
that's maybe really creative and interesting?
145
322357
2458
qui sont peut-être
vraiment créatives et intéressantes ?
vraiment créatives et intéressantes ?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
Eh bien, nous pouvons revenir
à la structure du réseau d'idées
à la structure du réseau d'idées
05:39
to do that.
147
327746
1430
pour faire ça.
05:41
Remember, it's that network structure
148
329176
2114
N'oubliez pas :
c'est cette structure en réseau
c'est cette structure en réseau
05:43
that is creating these emergent topics,
149
331290
2268
qui crée ces thématiques émergentes.
05:45
and let's say we could take two of them,
150
333558
1515
Supposant qu'on souhaite
choisir deux d'entre elles,
choisir deux d'entre elles,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
comme les villes et la génétique
et voir s'il existe des conférences
et voir s'il existe des conférences
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
qui combinent ces deux disciplines
très différentes, de façon créative ?
très différentes, de façon créative ?
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
Et c'est ce genre de mélange créatif
05:54
is one of the hallmarks of innovation.
154
342964
1840
qui est l'une des marques de fabrique
de l'innovation.
de l'innovation.
05:56
Well here's one by Jessica Green
155
344804
1606
Et bien en voici une presentée
par Jessica Green
par Jessica Green
05:58
about the microbial ecology of buildings.
156
346410
2379
sur l'écologie microbienne des bâtiments.
06:00
It's literally defining a new field.
157
348789
2010
Elle traite littéralement
d'un nouveau domaine.
d'un nouveau domaine.
06:02
And we could go back to those topics and say, well,
158
350799
2103
Et nous pourrions revenir
à ces thématiques et se demander :
à ces thématiques et se demander :
06:04
what talks are central to those conversations?
159
352902
2768
quelles sont les conférences centrales
de ces conversations ?
de ces conversations ?
06:07
In the cities cluster, one of the most central
160
355670
1690
Dans la grappe sur les villes,
une des plus centrales
une des plus centrales
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
est celle de Mitch Joachim
sur les villes écologiques,
sur les villes écologiques,
06:13
and in the genetics cluster,
162
361312
1720
et dans la grappe sur la génétique,
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
on a une conférence sur la biologie synthétique
présentée par Craig Venter.
présentée par Craig Venter.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Ce sont des conférences qui lient
de nombreuses autres au sein de leur discipline.
de nombreuses autres au sein de leur discipline.
06:21
We could go the other direction and say, well,
165
369578
1843
On pourrait à l'opposé se demander
06:23
what are talks that are broadly synthesizing
166
371421
2272
quelles sont les conférences
qui font la synthèse
qui font la synthèse
06:25
a lot of different kinds of fields.
167
373693
1448
de nombreux types de domaines différents.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Nous avons utilisé une mesure
de la diversité écologique pour obtenir cela.
de la diversité écologique pour obtenir cela.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
Par exemple, une conférence présentée par
Steven Pinker sur l'histoire de la violence,
Steven Pinker sur l'histoire de la violence,
06:32
very synthetic.
170
380410
1180
est très synthétique.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
Et puis, bien sûr, il y a des conférences
qui sont si uniques, qu'on a l'impression
qui sont si uniques, qu'on a l'impression
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
qu'elles se trouvent dans la stratosphère,
dans leur propre endroit spécial,
dans leur propre endroit spécial,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
et on appelle ça
l'index Colleen Flanagan.
l'index Colleen Flanagan.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
Et si vous ne connaissez pas Colleen,
et bien c'est une artiste,
et bien c'est une artiste,
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
à qui j'ai d'ailleurs demandé,
« C'est comment là-bas
« C'est comment là-bas
06:45
in the stratosphere of our idea space?"
176
393849
1672
dans la stratosphère
de notre espace d'idée ? »
de notre espace d'idée ? »
06:47
And apparently it smells like bacon.
177
395521
3255
Et apparemment, ça sent le bacon.
06:50
I wouldn't know.
178
398776
1791
Apparemment.
06:52
So we're using these network motifs
179
400567
2248
Ainsi, nous utilisons
ces motifs de réseau
ces motifs de réseau
06:54
to find talks that are unique,
180
402815
1186
pour trouver des conférences
qui sont uniques,
qui sont uniques,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
celles qui sont une synthèse créative
de nombreux domaines différents,
de nombreux domaines différents,
06:58
ones that are central to their topic,
182
406711
1659
celles qui sont centrales
pour leur thématique,
pour leur thématique,
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
et celles qui combinent
des domaines disparates de façon créative.
des domaines disparates de façon créative.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Nous ne les aurions jamais trouvé
avec notre obsession
avec notre obsession
07:05
with what's trending now.
185
413846
2313
de la nouveauté.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
Et tout cela vient
de l'architecture de la complexité,
de l'architecture de la complexité,
07:11
or the patterns of how things are connected.
187
419045
2960
ou de la façon dont les choses sont liées.
07:14
SG: So that's exactly right.
188
422005
1625
SG : Donc, c'est exactement ça.
07:15
We've got ourselves in a world
189
423630
2479
Nous sommes dans un monde
07:18
that's massively complex,
190
426109
2044
qui est extrêmement complexe,
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
et nous avons utilisé des algorithmes
pour le simplifier
pour le simplifier
07:23
so we can navigate through it.
192
431020
1786
pour pouvoir y naviguer.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
Ces algorithmes, tout en étant utile,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
sont également très, très limités,
et nous pouvons faire mieux que cela,
et nous pouvons faire mieux que cela,
07:30
because we can realize that their complexity is not random.
195
438620
2566
parce qu'on peut se rendre compte
que cette complexité n'est pas aléatoire.
que cette complexité n'est pas aléatoire.
07:33
It has mathematical structure,
196
441186
1954
Elle a une structure mathématique,
07:35
and we can use that mathematical structure
197
443140
1803
et nous pouvons utiliser
cette structure mathématique
cette structure mathématique
07:36
to go and explore things like the world of ideas
198
444943
2214
pour explorer des choses
comme le monde des idées
comme le monde des idées
07:39
to see what's being said, to see what's not being said,
199
447157
3000
pour voir ce qui est dit,
ce qui n'est pas dit,
ce qui n'est pas dit,
07:42
and to be a little bit more human
200
450157
1407
et pour être un peu plus humain
07:43
and, hopefully, a little smarter.
201
451564
1867
et, je l'espère,
un peu plus intelligent.
un peu plus intelligent.
07:45
Thank you.
202
453431
966
Merci.
07:46
(Applause)
203
454397
4220
(Applaudissements)
Translated by laurent chabanne
ABOUT THE SPEAKERS
Eric Berlow - EcologistTED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more.
Why you should listen
Eric Berlow is an ecologist and network scientist who specializes in not specializing. A TED Senior Fellow, Berlow is recognized for his research on food webs and ecological networks and for creative approaches to complex problems. He was the founding director of the University of California's first environmental science center inside Yosemite National Park, where he continues to develop data-driven approaches to managing natural ecosystems.
In 2012 Berlow founded Vibrant Data Labs, which builds tools to use data for social good. Berlow's current projects range from helping spark an egalitarian personal data economy to protecting endangered amphibians in Yosemite to crowd-sourcing novel insights about human creativity. Berlow holds a Ph.D. from Oregon State University in marine ecology.
Eric Berlow | Speaker | TED.com
Sean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow.
Why you should listen
Sean Gourley's twin passions are physics (working on nanoscale blue-light lasers and self-assembled quantum nanowires) and politics (he once ran for a national elected office back home in New Zealand).
A Rhodes scholar, he's spent the past five years working at Oxford on complex adaptive systems and collective intelligent systems -- basically, using data to understand the nature of human conflict. As he puts it, "This research has taken me all over the world from the Pentagon, to the House of Lords, the United Nations and most recently to Iraq". Originally from New Zealand, he now lives in San Francisco, where he is the co-founder and CTO of Quid which is building a global intelligence platform. He's a 2009 TED Fellow.
In December 2009, Gourley and his team's research was published in the scientific journal Nature. He is co-founder and CTO of Quid.
Sean Gourley | Speaker | TED.com