TEDGlobal 2012
Shyam Sankar: The rise of human-computer cooperation
Shyam Sankar: Az ember és a számítógép együttműködésének elterjedése
Filmed:
Readability: 6.3
947,418 views
Önmagában a nyers számítási erő nem tudja megoldani a világ problémáit. Shyam Sankar, az adatbányászat megújítója elmagyarázza, hogy a nagy problémák (mint a terroristák elfogása vagy a nagy rejtett trendek azonosítása) megoldása miért nem azon múlik, hogy megtaláljuk-e a megfelelő algoritmust, hanem a számítás és az emberi kreativitás közötti megfelelő szimbiotikus kapcsolaton.
Shyam Sankar - Data Intelligence Agent
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets. Full bio
An advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets. Full bio
Double-click the English transcript below to play the video.
00:16
I'd like to tell you about two games of chess.
0
512
2556
Két sakkversenyről szeretnék mesélni.
00:18
The first happened in 1997, in which Garry Kasparov,
1
3068
3864
Az első páros mérkőzést 1997-ben
játszották, abban Garri Kaszparov,
játszották, abban Garri Kaszparov,
00:22
a human, lost to Deep Blue, a machine.
2
6932
3716
egy ember, veszített a Deep Blue
nevű géppel szemben.
nevű géppel szemben.
00:26
To many, this was the dawn of a new era,
3
10648
2240
Sokak számára ez egy új kor hajnala volt,
00:28
one where man would be dominated by machine.
4
12888
2779
amelyben gép uralkodik az ember felett.
00:31
But here we are, 20 years on, and the greatest change
5
15667
3334
De eltelt 20 év, és a legnagyobb változás
00:34
in how we relate to computers is the iPad,
6
19001
2690
a számítógépekhez való
viszonyulásunkban az iPad,
viszonyulásunkban az iPad,
00:37
not HAL.
7
21691
2045
nem pedig a HAL 9000.
00:39
The second game was a freestyle chess tournament
8
23736
2648
A másik szabad stílusú
sakkverseny volt 2005-ben,
sakkverseny volt 2005-ben,
00:42
in 2005, in which man and machine could enter together
9
26384
2969
amelyben a játékos gépet is
használhatott partnerként,
használhatott partnerként,
00:45
as partners, rather than adversaries, if they so chose.
10
29353
4666
nem pedig ellenfélként, ha úgy akarta.
00:49
At first, the results were predictable.
11
34019
1851
Az első eredmények előreláthatók voltak.
00:51
Even a supercomputer was beaten by a grandmaster
12
35870
2497
Még a szuperszámítógép is kikapott
a nagymestertől,
a nagymestertől,
00:54
with a relatively weak laptop.
13
38367
2312
ha annak volt egy gyengécske laptopja.
00:56
The surprise came at the end. Who won?
14
40679
2985
A meglepetés a végén jött. Ki nyert?
00:59
Not a grandmaster with a supercomputer,
15
43664
2776
Nem egy nagymester
egy szuperszámítógéppel,
egy szuperszámítógéppel,
01:02
but actually two American amateurs
16
46440
1493
hanem két amerikai amatőr
01:03
using three relatively weak laptops.
17
47933
3822
három gyengécske laptoppal.
01:07
Their ability to coach and manipulate their computers
18
51755
2596
Képesek voltak úgy betanítani
és kezelni a gépeiket,
és kezelni a gépeiket,
01:10
to deeply explore specific positions
19
54351
2435
hogy mélyrehatóan elemezzenek
egyes állásokat,
egyes állásokat,
01:12
effectively counteracted the superior chess knowledge
20
56786
2390
és ez hatékonyan ellensúlyozta
01:15
of the grandmasters and the superior computational power
21
59176
2609
a nagymesterek nagyobb sakktudását
és más ellenfelek
nagyobb számítási erejét.
nagyobb számítási erejét.
01:17
of other adversaries.
22
61785
1909
01:19
This is an astonishing result: average men,
23
63694
2905
Ez az eredmény elképesztő: átlagemberek
01:22
average machines beating the best man, the best machine.
24
66599
4081
átlagos gépekkel legyőzték
a legjobb játékost és a legjobb gépet.
a legjobb játékost és a legjobb gépet.
01:26
And anyways, isn't it supposed to be man versus machine?
25
70680
3199
Különben is, nem arról volt szó,
hogy ember a gép ellen?
hogy ember a gép ellen?
01:29
Instead, it's about cooperation, and the right type of cooperation.
26
73879
4152
Ez azonban az együttműködésről szól,
a megfelelő típusú együttműködésről.
a megfelelő típusú együttműködésről.
01:33
We've been paying a lot of attention to Marvin Minsky's
27
78031
2857
Az utóbbi 50 évben sok figyelmet
fordítottunk Marvin Minsky
fordítottunk Marvin Minsky
01:36
vision for artificial intelligence over the last 50 years.
28
80888
3242
mesterséges intelligenciáról
szóló víziójára.
szóló víziójára.
01:40
It's a sexy vision, for sure. Many have embraced it.
29
84130
2262
Vonzó vízió, az biztos. Sokan felkarolták.
01:42
It's become the dominant school of thought in computer science.
30
86392
2753
A számítógép-tudományokban
ez vált uralkodó felfogássá.
ez vált uralkodó felfogássá.
01:45
But as we enter the era of big data, of network systems,
31
89145
3072
De ahogy belépünk a „big data”,
a hálózati rendszerek,
a hálózati rendszerek,
a nyílt környezetek és beágyazott
technológiák korszakába,
technológiák korszakába,
01:48
of open platforms, and embedded technology,
32
92217
2698
01:50
I'd like to suggest it's time to reevaluate an alternative vision
33
94915
3392
itt az ideje újraértékelni
egy alternatív víziót,
egy alternatív víziót,
01:54
that was actually developed around the same time.
34
98307
3070
amelyet kb. ugyanakkor dolgoztak ki.
01:57
I'm talking about J.C.R. Licklider's human-computer symbiosis,
35
101377
3332
J.C.R. Licklider ember–gép
szimbiózisáról beszélek,
szimbiózisáról beszélek,
02:00
perhaps better termed "intelligence augmentation," I.A.
36
104709
3808
amire lehet, hogy jobb kifejezés
az „intelligencia fokozása”.
az „intelligencia fokozása”.
02:04
Licklider was a computer science titan who had a profound
37
108517
2640
Licklider a számítógép-tudományok
titánja volt,
titánja volt,
és nagy hatása volt a technológia
és az internet fejlődésére.
és az internet fejlődésére.
02:07
effect on the development of technology and the Internet.
38
111157
3006
02:10
His vision was to enable man and machine to cooperate
39
114163
2868
Az volt a víziója, hogy lehetővé kell
tenni ember s gép együttműködését
tenni ember s gép együttműködését
02:12
in making decisions, controlling complex situations
40
117031
3590
döntéshozatalban,
összetett helyzetek kezelésében,
összetett helyzetek kezelésében,
02:16
without the inflexible dependence
41
120621
1770
előre megírt programoktól való
02:18
on predetermined programs.
42
122391
2533
rugalmatlan függés nélkül.
02:20
Note that word "cooperate."
43
124924
2498
Figyeljenek oda az „együttműködés” szóra.
02:23
Licklider encourages us not to take a toaster
44
127422
2747
Licklider bátorít bennünket,
hogy ne kenyérpirítót
hogy ne kenyérpirítót
02:26
and make it Data from "Star Trek,"
45
130169
2284
próbáljunk a Star Trek-beli
Datává változtatni,
Datává változtatni,
02:28
but to take a human and make her more capable.
46
132453
3535
hanem az embert ruházzuk fel
több képességgel.
több képességgel.
02:31
Humans are so amazing -- how we think,
47
135988
1911
Az emberek bámulatosak: a gondolkodásunk,
02:33
our non-linear approaches, our creativity,
48
137899
2618
a nem-lineáris megközelítéseink,
a kreativitásunk,
a kreativitásunk,
02:36
iterative hypotheses, all very difficult if possible at all
49
140517
2131
az iteratív feltevéseink;
ezeket gépnek szinte lehetetlen követnie.
02:38
for computers to do.
50
142648
1345
02:39
Licklider intuitively realized this, contemplating humans
51
143993
2452
Licklider intuitív módon rájött erre,
megfigyelve, hogyan fogalmazunk
meg célokat, feltevéseket,
meg célokat, feltevéseket,
02:42
setting the goals, formulating the hypotheses,
52
146445
2327
02:44
determining the criteria, and performing the evaluation.
53
148772
3376
határozunk meg feltételeket,
és végzünk értékelést.
és végzünk értékelést.
Más tekintetben viszont
az emberek elég korlátozottak.
az emberek elég korlátozottak.
02:48
Of course, in other ways, humans are so limited.
54
152148
1775
02:49
We're terrible at scale, computation and volume.
55
153923
3235
Borzasztóan nehezen bírjuk
a nagy terjedelmű számításokat.
a nagy terjedelmű számításokat.
02:53
We require high-end talent management
56
157158
1836
Csúcsminőségű tehetséggondozás kell,
hogy a banda együtt maradjon s játsszon.
02:54
to keep the rock band together and playing.
57
158994
2064
Licklider megjósolta,
hogy gépek végzik majd
hogy gépek végzik majd
02:56
Licklider foresaw computers doing all the routinizable work
58
161058
2204
a felismerés és döntéshozatal
előkészítéséhez szükséges rutinmunkát.
előkészítéséhez szükséges rutinmunkát.
02:59
that was required to prepare the way for insights and decision making.
59
163262
3276
03:02
Silently, without much fanfare,
60
166538
2224
Csendben, nagy hírverés nélkül,
03:04
this approach has been compiling victories beyond chess.
61
168762
3354
e megközelítés a sakkon kívül is
aratja a győzelmeket.
aratja a győzelmeket.
03:08
Protein folding, a topic that shares the incredible expansiveness of chess —
62
172116
3356
A fehérjék feltekeredése terjedelmes
téma, mint a sakk, egy fehérje
téma, mint a sakk, egy fehérje
több módon tekeredhet fel,
mint ahány atom van az univerzumban.
mint ahány atom van az univerzumban.
03:11
there are more ways of folding a protein than there are atoms in the universe.
63
175472
3042
03:14
This is a world-changing problem with huge implications
64
178514
2353
Ez világot megváltoztató probléma,
és kihat a betegségek
megértésére s gyógyítására.
megértésére s gyógyítására.
03:16
for our ability to understand and treat disease.
65
180867
2308
03:19
And for this task, supercomputer field brute force simply isn't enough.
66
183175
4248
E feladatra a szuperszámítógépek
nyers ereje egyszerűen nem elegendő.
nyers ereje egyszerűen nem elegendő.
03:23
Foldit, a game created by computer scientists,
67
187423
2384
A Foldit nevű,
számítástechnikusok készítette játék
számítástechnikusok készítette játék
03:25
illustrates the value of the approach.
68
189807
2502
szemlélteti a megközelítés értékét.
03:28
Non-technical, non-biologist amateurs play a video game
69
192309
3041
Nem műszaki és nem biológus
amatőrök játsszák a videojátékot,
amatőrök játsszák a videojátékot,
amelyben vizuálisan újrarendezik
egy fehérje szerkezetét,
egy fehérje szerkezetét,
03:31
in which they visually rearrange the structure of the protein,
70
195350
3073
a gép kezeli az atomi erőket
03:34
allowing the computer to manage the atomic forces
71
198423
1499
s kölcsönhatásokat, azonosítja
a szerkezeti elemeket.
a szerkezeti elemeket.
03:35
and interactions and identify structural issues.
72
199922
2957
03:38
This approach beat supercomputers 50 percent of the time
73
202879
3023
A megközelítés az esetek felében
legyőzte a szuperszámítógépeket,
legyőzte a szuperszámítógépeket,
03:41
and tied 30 percent of the time.
74
205902
2584
az esetek 30%-ában pedig
döntetlent ért el.
döntetlent ért el.
03:44
Foldit recently made a notable and major scientific discovery
75
208486
3137
Nemrég a Foldit jelentős
tudományos felfedezést tett
tudományos felfedezést tett
03:47
by deciphering the structure of the Mason-Pfizer monkey virus.
76
211623
3160
a Mason-Pfizer majomvírus
szerkezetének megfejtésével.
szerkezetének megfejtésével.
03:50
A protease that had eluded determination for over 10 years
77
214783
3015
Egy proteázt, amit több mint 10 évig
nem sikerült meghatározni,
nem sikerült meghatározni,
03:53
was solved was by three players in a matter of days,
78
217798
2626
három játékos oldott meg néhány nap alatt.
03:56
perhaps the first major scientific advance
79
220424
2025
Talán ez volt az első tudományos eredmény,
03:58
to come from playing a video game.
80
222449
2323
amely videojátékok játszásából származott.
04:00
Last year, on the site of the Twin Towers,
81
224772
2181
Tavaly megnyílt az ikertornyok helyén
04:02
the 9/11 memorial opened.
82
226953
1473
a szeptember 11-e emlékhely.
04:04
It displays the names of the thousands of victims
83
228426
2721
Az áldozatok ezreinek nevét sorolja fel
04:07
using a beautiful concept called "meaningful adjacency."
84
231147
3063
egy csodálatos „jelentőségteljes
közelség” nevű elv alapján.
közelség” nevű elv alapján.
04:10
It places the names next to each other based on their
85
234210
2166
Az egymáshoz fűződő kapcsolataik alapján
04:12
relationships to one another: friends, families, coworkers.
86
236376
2213
helyezi a neveket: barát,
családtag, munkatárs.
családtag, munkatárs.
04:14
When you put it all together, it's quite a computational
87
238589
3028
Mindent összevéve elég nagy
számítási kihívást kapunk:
számítási kihívást kapunk:
04:17
challenge: 3,500 victims, 1,800 adjacency requests,
88
241617
4223
3 500 áldozat, 1 800 közelségi kérés,
04:21
the importance of the overall physical specifications
89
245840
3092
az átfogó fizikai specifikációk fontossága
04:24
and the final aesthetics.
90
248932
2137
és a végső esztétika.
A média első beszámolói a bravúrt
teljes mértékben
teljes mértékben
04:26
When first reported by the media, full credit for such a feat
91
251069
2615
04:29
was given to an algorithm from the New York City
92
253684
1892
a New York-i Local Projects dizájncég
algoritmusának tulajdonították.
algoritmusának tulajdonították.
04:31
design firm Local Projects. The truth is a bit more nuanced.
93
255576
4001
Az igazság kissé árnyaltabb.
04:35
While an algorithm was used to develop the underlying framework,
94
259577
2871
Algoritmust használtak az alap
keretrendszer kidolgozására,
keretrendszer kidolgozására,
04:38
humans used that framework to design the final result.
95
262448
3008
de a végső eredményt már ember tervezte.
04:41
So in this case, a computer had evaluated millions
96
265456
2225
Ez esetben tehát gép értékelt
több millió lehetséges elrendezést,
kezelte a bonyolult relációs rendszert,
kezelte a bonyolult relációs rendszert,
04:43
of possible layouts, managed a complex relational system,
97
267681
3335
04:46
and kept track of a very large set of measurements
98
271016
2414
nyilvántartotta a méretek
és változók óriási készletét,
és változók óriási készletét,
04:49
and variables, allowing the humans to focus
99
273430
2410
lehetővé téve, hogy az ember a dizájnra,
04:51
on design and compositional choices.
100
275840
2802
a kompozíciós lehetőségekre
összpontosítson.
összpontosítson.
Ahogy körülnéznek,
04:54
So the more you look around you,
101
278642
1036
04:55
the more you see Licklider's vision everywhere.
102
279678
1962
egyre többfelé látják Licklider vízióját.
04:57
Whether it's augmented reality in your iPhone or GPS in your car,
103
281640
3304
Akár a kiterjesztett valóság
az iPhone-ban vagy GPS az autóban,
az iPhone-ban vagy GPS az autóban,
az ember–gép szimbiózis új
képességekkel ruház fel bennünket.
képességekkel ruház fel bennünket.
05:00
human-computer symbiosis is making us more capable.
104
284944
2970
Ha javítani akarják
az ember–gép szimbiózist,
az ember–gép szimbiózist,
05:03
So if you want to improve human-computer symbiosis,
105
287914
1655
05:05
what can you do?
106
289569
1429
mi a teendő?
05:06
You can start by designing the human into the process.
107
290998
2452
Kezdésként beletervezzük
az embert a folyamatba.
az embert a folyamatba.
Ne arra gondoljunk, mit tehet
a gép a problémamegoldásért,
a gép a problémamegoldásért,
05:09
Instead of thinking about what a computer will do to solve the problem,
108
293450
2204
05:11
design the solution around what the human will do as well.
109
295654
3869
tervezzük a megoldást
aköré is, hogy mit tesz az ember.
aköré is, hogy mit tesz az ember.
05:15
When you do this, you'll quickly realize that you spent
110
299523
1937
Így hamar rájövünk, hogy minden időnket
05:17
all of your time on the interface between man and machine,
111
301460
2879
az ember és gép közötti
interfészre fordítottuk,
interfészre fordítottuk,
05:20
specifically on designing away the friction in the interaction.
112
304339
3099
konkrétan arra, hogy az interakció
súrlódásait kiszűrjük.
súrlódásait kiszűrjük.
05:23
In fact, this friction is more important than the power
113
307438
2766
Tulajdonképpen a súrlódás fontosabb,
mint az ember ereje vagy a gép ereje
05:26
of the man or the power of the machine
114
310204
2052
a képességek átfogó megállapításakor.
05:28
in determining overall capability.
115
312256
1931
Ezért van, hogy két amatőr
néhány laptoppal
néhány laptoppal
05:30
That's why two amateurs with a few laptops
116
314187
1977
05:32
handily beat a supercomputer and a grandmaster.
117
316164
2456
legyőz egy szuperszámítógépet
és egy nagymestert.
és egy nagymestert.
05:34
What Kasparov calls process is a byproduct of friction.
118
318620
3005
Amit Kaszparov folyamatnak nevez,
az a súrlódás mellékterméke.
az a súrlódás mellékterméke.
Minél jobb a folyamat,
annál kisebb a súrlódás.
annál kisebb a súrlódás.
05:37
The better the process, the less the friction.
119
321625
2401
05:39
And minimizing friction turns out to be the decisive variable.
120
324026
4256
Kiderült, hogy a súrlódás
minimalizálása a döntő változónk.
minimalizálása a döntő változónk.
05:44
Or take another example: big data.
121
328282
2243
Tekintsünk egy másik példát: big data.
05:46
Every interaction we have in the world is recorded
122
330525
1906
Minden interakciónkat a világgal rögzíti
05:48
by an ever growing array of sensors: your phone,
123
332431
3059
a szenzorok folyton növekvő tárháza:
telefonunk, hitelkártyánk, számítógépünk.
05:51
your credit card, your computer. The result is big data,
124
335490
2373
Az eredmény a big data,
amely lehetőséget ad
amely lehetőséget ad
05:53
and it actually presents us with an opportunity
125
337863
1742
az emberi természet alaposabb megértésére.
05:55
to more deeply understand the human condition.
126
339605
2662
A big data megközelítései
erre összpontosítanak:
erre összpontosítanak:
05:58
The major emphasis of most approaches to big data
127
342267
2305
06:00
focus on, "How do I store this data? How do I search
128
344572
2215
„Hogyan tároljam az adatokat?
Hogyan keressek?
Hogyan dolgozzam fel őket?”
Hogyan dolgozzam fel őket?”
06:02
this data? How do I process this data?"
129
346787
2276
Ezek szükséges, de nem elégséges kérdések.
06:04
These are necessary but insufficient questions.
130
349063
2204
Nem azt a legfontosabb kitalálni,
hogyan számítsuk ki,
hogyan számítsuk ki,
06:07
The imperative is not to figure out how to compute,
131
351267
2471
hanem hogy mit számítsunk ki.
06:09
but what to compute. How do you impose human intuition
132
353738
2184
Hogy vigyük át az intuíciónkat
ennyi adatra?
ennyi adatra?
06:11
on data at this scale?
133
355922
1791
06:13
Again, we start by designing the human into the process.
134
357713
3499
Ismétlem: úgy kezdjük, hogy beletervezzük
az embert a folyamatba.
az embert a folyamatba.
06:17
When PayPal was first starting as a business, their biggest
135
361212
2812
A PayPal indulásakor
a legnagyobb kihívás nem az volt:
a legnagyobb kihívás nem az volt:
06:19
challenge was not, "How do I send money back and forth online?"
136
364024
2804
„Hogyan küldjünk pénzt online ide-oda?”
Hanem: „Hogyan tegyem ezt anélkül,
hogy a szervezett bűnözés rászedne?”
hogy a szervezett bűnözés rászedne?”
06:22
It was, "How do I do that without being defrauded by organized crime?"
137
366828
3872
06:26
Why so challenging? Because while computers can learn
138
370700
2088
Miért kihívás ez?
Mert bár a gépek minták alapján
megtanulhatják észlelni
megtanulhatják észlelni
06:28
to detect and identify fraud based on patterns,
139
372788
3144
és azonosítani a csalásokat,
06:31
they can't learn to do that based on patterns
140
375932
1479
sosem látott mintákkal azonban
nem tudják ezt megtenni.
nem tudják ezt megtenni.
06:33
they've never seen before, and organized crime
141
377411
2116
A bűnözőknek pedig sok közös
vonásuk van e közönséggel:
vonásuk van e közönséggel:
06:35
has a lot in common with this audience: brilliant people,
142
379527
2709
briliáns elme, hajthatatlan
leleményesség, vállalkozó szellem,
leleményesség, vállalkozó szellem,
06:38
relentlessly resourceful, entrepreneurial spirit — (Laughter) —
143
382236
3640
(Nevetés)
de van egy nagy, fontos különbség: a cél.
de van egy nagy, fontos különbség: a cél.
06:41
and one huge and important difference: purpose.
144
385876
2712
06:44
And so while computers alone can catch all but the cleverest
145
388588
2832
A számítógépek ugyan elkapják a csalókat,
kivéve a legokosabbat,
kivéve a legokosabbat,
06:47
fraudsters, catching the cleverest is the difference
146
391420
2253
de éppen a legokosabb elkapása
06:49
between success and failure.
147
393673
2545
választja el a kudarcot a sikertől.
Rengeteg a hasonló ügy,
alkalmazkodó ellenfelekkel,
alkalmazkodó ellenfelekkel,
06:52
There's a whole class of problems like this, ones with
148
396218
2221
06:54
adaptive adversaries. They rarely if ever present with a
149
398439
2575
akik ritkán vagy sohasem
ismétlik a mintákat,
ismétlik a mintákat,
06:56
repeatable pattern that's discernable to computers.
150
401014
2736
amiket számítógépek felismerhetnének.
06:59
Instead, there's some inherent component of innovation or disruption,
151
403750
3993
Ezzel szemben rejlik bennük
innovatív vagy romboló összetevő,
innovatív vagy romboló összetevő,
és e problémákat egyre inkább
maga alá temeti a big data.
maga alá temeti a big data.
07:03
and increasingly these problems are buried in big data.
152
407743
2735
Tekintsük pl. a terrorizmust.
07:06
For example, terrorism. Terrorists are always adapting
153
410478
2500
A terroristák mindig igazodnak
úgy-ahogy az új körülményekhez,
úgy-ahogy az új körülményekhez,
07:08
in minor and major ways to new circumstances, and despite
154
412978
2052
07:10
what you might see on TV, these adaptations,
155
415030
3094
és a tévében látottak ellenére
ezek az igazodások
ezek az igazodások
07:14
and the detection of them, are fundamentally human.
156
418124
2293
és észlelésük alapvetően emberiek.
07:16
Computers don't detect novel patterns and new behaviors,
157
420417
3117
A számítógépek nem észlelnek
újszerű mintákat és viselkedést,
újszerű mintákat és viselkedést,
07:19
but humans do. Humans, using technology, testing hypotheses,
158
423534
3235
de az emberek igen: ők a technológiával
feltevéseket tesztelnek,
feltevéseket tesztelnek,
07:22
searching for insight by asking machines to do things for them.
159
426769
4620
és meglátásokat keresnek azáltal,
hogy gépekkel csináltatnak dolgokat.
hogy gépekkel csináltatnak dolgokat.
07:27
Osama bin Laden was not caught by artificial intelligence.
160
431389
2320
Bin Ladent nem a gépi
intelligencia kapta el.
intelligencia kapta el.
07:29
He was caught by dedicated, resourceful, brilliant people
161
433709
2553
Elszánt, találékony,
briliáns emberek kapták el,
briliáns emberek kapták el,
07:32
in partnerships with various technologies.
162
436262
4269
különböző technológiákkal együttműködve.
07:36
As appealing as it might sound, you cannot algorithmically
163
440531
2818
Bármilyen vonzónak hangzik,
nem lehet algoritmus-alapon
nem lehet algoritmus-alapon
07:39
data mine your way to the answer.
164
443349
1601
adatbányászni a választ.
07:40
There is no "Find Terrorist" button, and the more data
165
444950
2855
Nincs „Találj terroristát” gomb,
s minél több adatot integrálunk
s minél több adatot integrálunk
07:43
we integrate from a vast variety of sources
166
447805
2302
nagyon különböző forrásokból
számos különböző adatformátumban,
07:46
across a wide variety of data formats from very
167
450107
2133
igen eltérő rendszerekből, annál kevésbé
lesz hatékony az adatbányászat.
lesz hatékony az adatbányászat.
07:48
disparate systems, the less effective data mining can be.
168
452240
3309
Ehelyett emberek kell nézzék az adatokat,
07:51
Instead, people will have to look at data
169
455549
2024
07:53
and search for insight, and as Licklider foresaw long ago,
170
457573
3456
felismeréseket keresve,
és ahogy Licklider rég megjósolta,
és ahogy Licklider rég megjósolta,
07:56
the key to great results here is the right type of cooperation,
171
461029
2685
az eredmény kulcsa itt
a megfelelő típusú együttműködés,
a megfelelő típusú együttműködés,
07:59
and as Kasparov realized,
172
463714
1524
és ahogy Kaszparov rájött,
08:01
that means minimizing friction at the interface.
173
465238
3031
minimalizálnunk kell
a súrlódást az interfészen.
a súrlódást az interfészen.
08:04
Now this approach makes possible things like combing
174
468269
2758
E megközelítés lehetővé teszi
08:06
through all available data from very different sources,
175
471027
3386
pl. az igen különböző forrásokból
származó összes adat átfésülését,
származó összes adat átfésülését,
08:10
identifying key relationships and putting them in one place,
176
474413
2792
főbb kapcsolatok azonosítását
és egybegyűjtését.
és egybegyűjtését.
08:13
something that's been nearly impossible to do before.
177
477205
2928
Ezt korábban szinte
lehetetlen volt megtenni.
lehetetlen volt megtenni.
Egyesek szerint ennek ijesztő a kihatása
a személyi és polgárjogokra.
a személyi és polgárjogokra.
08:16
To some, this has terrifying privacy and civil liberties
178
480133
1942
08:17
implications. To others it foretells of an era of greater
179
482075
3410
Másoknak a nagyobb titoktartás
08:21
privacy and civil liberties protections,
180
485485
1909
és polgárjogvédelem korszakát jövendöli,
08:23
but privacy and civil liberties are of fundamental importance.
181
487394
2936
de a titoktartás és a polgárjogok
alapvető fontosságúak.
alapvető fontosságúak.
08:26
That must be acknowledged, and they can't be swept aside,
182
490330
2193
Ezt tudomásul kell venni,
08:28
even with the best of intents.
183
492523
2530
És félresöpörni
a legjobb szándékkal sem lehet.
a legjobb szándékkal sem lehet.
08:30
So let's explore, through a couple of examples, the impact
184
495053
2518
Nézzük meg néhány példán,
milyen hatása volt az utóbbi időben
08:33
that technologies built to drive human-computer symbiosis
185
497571
2406
az ember–számítógép szimbiózis
ösztönzésére kidolgozott technológiáknak.
ösztönzésére kidolgozott technológiáknak.
08:35
have had in recent time.
186
499977
2919
08:38
In October, 2007, U.S. and coalition forces raided
187
502896
3416
2007 októberében az amerikai
és szövetséges erők lerohantak
és szövetséges erők lerohantak
08:42
an al Qaeda safe house in the city of Sinjar
188
506312
2416
egy al-Káida rejtekhelyet
Szindzsár városában,
Szindzsár városában,
08:44
on the Syrian border of Iraq.
189
508728
1934
Irak szíriai határánál.
08:46
They found a treasure trove of documents:
190
510662
2376
Találtak egy iratokkal teli kincsesládát:
08:48
700 biographical sketches of foreign fighters.
191
513038
2335
700 külföldi harcos életrajz-vázlatát.
08:51
These foreign fighters had left their families in the Gulf,
192
515373
2584
A harcosok elhagyták családjukat
az Öböl-térségben,
az Öböl-térségben,
Levantéban és Észak-Afrikában,
és beléptek az al-Káidába Irakban.
és beléptek az al-Káidába Irakban.
08:53
the Levant and North Africa to join al Qaeda in Iraq.
193
517957
3146
08:57
These records were human resource forms.
194
521103
1616
A feljegyzések HR-űrlapok voltak.
08:58
The foreign fighters filled them out as they joined the organization.
195
522719
2855
A harcosok a szervezetbe lépéskor
töltötték ki azokat.
töltötték ki azokat.
09:01
It turns out that al Qaeda, too,
196
525574
1211
Kiderült, hogy az al-Káida
09:02
is not without its bureaucracy. (Laughter)
197
526785
2597
sincs híján a bürokráciának. (Nevetés)
09:05
They answered questions like, "Who recruited you?"
198
529382
2098
Példa a kérdésekre: „Ki szervezte be?”
09:07
"What's your hometown?" "What occupation do you seek?"
199
531480
2854
„Mi a szülővárosa?”
„Mivel szeretne foglalkozni?”
„Mivel szeretne foglalkozni?”
09:10
In that last question, a surprising insight was revealed.
200
534334
3169
Az utolsó kérdés meglepő
felismeréshez vezetett.
felismeréshez vezetett.
09:13
The vast majority of foreign fighters
201
537503
2400
A külföldi harcosok nagy többsége
09:15
were seeking to become suicide bombers for martyrdom --
202
539903
2400
öngyilkos merénylő,
mártír szeretett volna lenni.
mártír szeretett volna lenni.
09:18
hugely important, since between 2003 and 2007, Iraq
203
542303
4338
Ez rendkívül fontos,
mert 2003 és 2007 között Irakban
mert 2003 és 2007 között Irakban
09:22
had 1,382 suicide bombings, a major source of instability.
204
546641
4244
1 382 öngyilkos robbantás volt,
ez volt az instabilitás fő forrása.
ez volt az instabilitás fő forrása.
09:26
Analyzing this data was hard. The originals were sheets
205
550885
2058
Nehéz volt az adatelemzés.
Az eredeti arab papírokat be kellett
szkennelni, le kellett fordítani.
szkennelni, le kellett fordítani.
09:28
of paper in Arabic that had to be scanned and translated.
206
552943
2742
09:31
The friction in the process did not allow for meaningful
207
555685
2192
A folyamat súrlódása nem tette lehetővé,
09:33
results in an operational time frame using humans, PDFs
208
557877
3350
hogy értelmes eredményt
érjenek el a hadműveleti időben
érjenek el a hadműveleti időben
csupán emberekkel,
PDF-ekkel és kitartással.
PDF-ekkel és kitartással.
09:37
and tenacity alone.
209
561227
2218
09:39
The researchers had to lever up their human minds
210
563445
1953
A kutatók feljavították az eszüket
a technológia segítségével,
mélyebbre ástak,
mélyebbre ástak,
09:41
with technology to dive deeper, to explore non-obvious
211
565398
2345
nem szokványos feltevéseket vizsgáltak,
és végül voltak meglátásaik.
és végül voltak meglátásaik.
09:43
hypotheses, and in fact, insights emerged.
212
567743
3218
09:46
Twenty percent of the foreign fighters were from Libya,
213
570961
2644
A külföldi harcosok 20%-a
Líbiából érkezett,
Líbiából érkezett,
09:49
50 percent of those from a single town in Libya,
214
573605
2968
azoknak is az 50%-a
egyetlen líbiai városból,
egyetlen líbiai városból,
09:52
hugely important since prior statistics put that figure at
215
576573
2450
ez rendkívül fontos, mert a korábbi
statisztikákban ez 3% volt.
statisztikákban ez 3% volt.
09:54
three percent. It also helped to hone in on a figure
216
579023
2383
Segített rábukkanni egy alakra,
09:57
of rising importance in al Qaeda, Abu Yahya al-Libi,
217
581406
2977
akinek nőtt a fontossága
az al-Káidában: Abu Jahja al-Libi,
az al-Káidában: Abu Jahja al-Libi,
a líbiai iszlám harcosok
csoportjának vezető papja.
csoportjának vezető papja.
10:00
a senior cleric in the Libyan Islamic fighting group.
218
584383
2631
10:02
In March of 2007, he gave a speech, after which there was
219
587014
2664
2007 márciusában mondott egy beszédet,
ami után megugrott
a líbiai harcosok részvétele.
a líbiai harcosok részvétele.
10:05
a surge in participation amongst Libyan foreign fighters.
220
589678
3466
10:09
Perhaps most clever of all, though, and least obvious,
221
593144
3106
De a talán legokosabb és legkevésbé
nyilvánvaló dolog az volt,
nyilvánvaló dolog az volt,
10:12
by flipping the data on its head, the researchers were
222
596250
2073
hogy fejreállítva az adatokat a kutatók
10:14
able to deeply explore the coordination networks in Syria
223
598323
2900
mélységében tudták elemezni
a szíriai összekötő hálózatokat,
a szíriai összekötő hálózatokat,
10:17
that were ultimately responsible for receiving and
224
601223
2517
amelyek végső soron végezték
a harcosok fogadását
és a határra szállítását.
és a határra szállítását.
10:19
transporting the foreign fighters to the border.
225
603740
2464
10:22
These were networks of mercenaries, not ideologues,
226
606204
2633
Ez nem ideológusok,
hanem zsoldosok hálózata volt,
hanem zsoldosok hálózata volt,
10:24
who were in the coordination business for profit.
227
608837
2398
akik profitért vettek részt
a szervezési üzletben.
a szervezési üzletben.
10:27
For example, they charged Saudi foreign fighters
228
611235
1904
A szaúdiaktól pl. jóval többet kértek,
10:29
substantially more than Libyans, money that would have
229
613139
2199
mint a líbiaiaktól,
máskülönben az a pénz is
máskülönben az a pénz is
10:31
otherwise gone to al Qaeda.
230
615338
2320
az al-Káidához jutott volna.
10:33
Perhaps the adversary would disrupt their own network
231
617658
2045
Lehet, hogy az ellenfél
feloszlatta volna a hálózatot,
feloszlatta volna a hálózatot,
10:35
if they knew they cheating would-be jihadists.
232
619703
3035
ha tudja, hogy leendő
dzsihádistákat csap be.
dzsihádistákat csap be.
2010 januárjában egy pusztító,
7,0 erősségű földrengés volt Haitin,
7,0 erősségű földrengés volt Haitin,
10:38
In January, 2010, a devastating 7.0 earthquake struck Haiti,
233
622738
3745
10:42
third deadliest earthquake of all time, left one million people,
234
626483
2916
minden idők 3. leghalálosabb földrengése:
egymillió embert, a lakosság 10%-át
tette hajléktalanná.
tette hajléktalanná.
10:45
10 percent of the population, homeless.
235
629399
2584
10:47
One seemingly small aspect of the overall relief effort
236
631983
3137
A teljes mentési művelet
egy látszólag kis eleme
egy látszólag kis eleme
10:51
became increasingly important as the delivery of food
237
635120
2176
egyre fontosabbá vált,
amikor elkezdődött
az étel és a víz kiszállítása.
az étel és a víz kiszállítása.
10:53
and water started rolling.
238
637296
2160
10:55
January and February are the dry months in Haiti,
239
639456
1458
Január és február száraz hónap Haitin,
10:56
yet many of the camps had developed standing water.
240
640914
2942
mégis sok táborban állt a víz.
10:59
The only institution with detailed knowledge of Haiti's
241
643856
2122
Az egyetlen intézményt,
amely részletesen ismerte Haiti ártereit,
11:01
floodplains had been leveled
242
645978
1297
11:03
in the earthquake, leadership inside.
243
647275
3008
a vezetőkkel együtt
elpusztította a földrengés.
elpusztította a földrengés.
11:06
So the question is, which camps are at risk,
244
650283
2575
A kérdés: mely táborok vannak veszélyben,
11:08
how many people are in these camps, what's the
245
652858
1921
hány ember van e táborokban,
mi az áradás időzítése,
s a korlátozott erőforrásokkal
s a korlátozott erőforrásokkal
11:10
timeline for flooding, and given very limited resources
246
654779
2311
és infrastruktúrával
mi az áttelepítések sorrendje?
mi az áttelepítések sorrendje?
11:12
and infrastructure, how do we prioritize the relocation?
247
657090
3384
11:16
The data was incredibly disparate. The U.S. Army had
248
660474
2344
Az adatok hihetetlenül eltérőek voltak.
Az USA hadserege csak az ország
kis részét ismerte behatóan.
kis részét ismerte behatóan.
11:18
detailed knowledge for only a small section of the country.
249
662818
2929
Voltak adatok egy 2006-os
környezetvédelmi ülésről
környezetvédelmi ülésről
11:21
There was data online from a 2006 environmental risk
250
665747
2511
11:24
conference, other geospatial data, none of it integrated.
251
668258
2664
és integrálatlan térinformatikai adatok.
11:26
The human goal here was to identify camps for relocation
252
670922
2958
Az emberek tudni akarták,
mely táborokba lehet
mely táborokba lehet
11:29
based on priority need.
253
673880
2395
áttelepíteni fontossági sorrendben.
11:32
The computer had to integrate a vast amount of geospacial
254
676275
2440
A számítógépnek óriási mennyiségű
térinformatikai,
térinformatikai,
11:34
information, social media data and relief organization
255
678715
2584
közösségi médiaadatot
és a segélyszervezetek információit
és a segélyszervezetek információit
11:37
information to answer this question.
256
681299
3480
kellett integrálnia
a kérdés megválaszolásához.
a kérdés megválaszolásához.
11:40
By implementing a superior process, what was otherwise
257
684779
2415
Egy fejlett folyamat alkalmazásával
az egyébként
az egyébként
11:43
a task for 40 people over three months became
258
687194
2608
40 fő három havi munkáját jelentő feladat
11:45
a simple job for three people in 40 hours,
259
689802
3176
három ember 40 órai
munkájává egyszerűsödött.
munkájává egyszerűsödött.
11:48
all victories for human-computer symbiosis.
260
692978
2628
Mindezek az ember–gép szimbiózis
győzelmei.
győzelmei.
11:51
We're more than 50 years into Licklider's vision
261
695606
2054
Licklider bő 50 éve dolgozta ki vízióját
11:53
for the future, and the data suggests that we should be
262
697660
2242
a jövőről, és az adatok azt sugallják,
11:55
quite excited about tackling this century's hardest problems,
263
699902
3030
hogy izgalommal tekinthetünk
az évszázad problémáinak megoldása,
az évszázad problémáinak megoldása,
11:58
man and machine in cooperation together.
264
702932
2947
ember és gép együttműködése elé.
Köszönöm.
12:01
Thank you. (Applause)
265
705879
2197
(Taps)
12:03
(Applause)
266
708076
2505
ABOUT THE SPEAKER
Shyam Sankar - Data Intelligence AgentAn advocate of human-computer symbiosis, Shyam Sankar looks for clues in big and disparate data sets.
Why you should listen
Shyam Sankar is a Director at Palantir Technologies, a secretive Silicon Valley company where he oversees deployments of the company's core technology, which helps law enforcement teams and corporations analyze giant, unrelated databases for clues to potential ... anything. Palantir technologies has been used to find missing children, to detect banking fraud, and to uncover the Shadow Network, a cyber-spy ring that stooped so low as to hack the Dalai Lama's email.
As part of his work, Sankar thinks deeply about the place where human and machine intelligence meet. While artificial intelligence (AI) is the dominant paradigm, he is an advocate of JCR Licklider's "intelligence augmentation" (IA) approach, where algorithms and brains work together to solve problems.
Shyam Sankar | Speaker | TED.com