ABOUT THE SPEAKER
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.

Why you should listen

Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.

All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.

He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."

More profile about the speaker
Kevin Slavin | Speaker | TED.com
TEDGlobal 2011

Kevin Slavin: How algorithms shape our world

Kevin Slavin: Como os algoritmos modelam o nosso mundo

Filmed:
4,199,898 views

Kevin Slavin defende que vivemos num mundo construído para os algoritmos — e cada vez mais controlado por eles. Nesta palestra cativante do TEDGlobal, ele mostra como estes complexos programas de computador determinam táticas de espionagem, preços das ações, guiões de filmes e arquitetura. E faz um alerta quanto ao facto de escrevermos códigos que não entendemos, com consequências que não podemos controlar.
- Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio

Double-click the English transcript below to play the video.

00:15
This is a photographfotografia
0
0
2000
Esta é uma fotografia
tirada pelo artista Michael Najjar,
00:17
by the artistartista MichaelMichael NajjarNajjar,
1
2000
2000
00:19
and it's realreal,
2
4000
2000
e é verdadeira,
00:21
in the sensesentido that he wentfoi there to ArgentinaArgentina
3
6000
2000
no sentido em que ele foi à Argentina
00:23
to take the photofoto.
4
8000
2000
para tirar esta foto.
00:25
But it's alsoAlém disso a fictionficção. There's a lot of work that wentfoi into it after that.
5
10000
3000
Mas também é uma ficção.
Houve muito trabalho depois de tirá-la.
00:28
And what he's donefeito
6
13000
2000
Ele remodelou, digitalmente,
00:30
is he's actuallyna realidade reshapedreformulado, digitallydigitalmente,
7
15000
2000
00:32
all of the contourscontornos of the mountainsmontanhas
8
17000
2000
todos os contornos das montanhas
00:34
to followSegue the vicissitudesvicissitudes of the DowDow JonesJones indexíndice.
9
19000
3000
para que seguissem
as vicissitudes do índice Dow Jones.
00:37
So what you see,
10
22000
2000
Então o que aqui veem,
00:39
that precipiceprecipício, that highAlto precipiceprecipício with the valleyvale,
11
24000
2000
este grande precipício com um vale,
00:41
is the 2008 financialfinanceiro crisiscrise.
12
26000
2000
é a crise financeira de 2008.
00:43
The photofoto was madefeito
13
28000
2000
A foto foi tirada quando
estávamos ali em baixo, no vale.
00:45
when we were deepprofundo in the valleyvale over there.
14
30000
2000
00:47
I don't know where we are now.
15
32000
2000
Não sei onde estamos agora.
00:49
This is the HangPendurar SengSeng indexíndice
16
34000
2000
Este é o índice Hang Seng, de Hong Kong.
00:51
for HongHong KongKong.
17
36000
2000
00:53
And similarsemelhante topographytopografia.
18
38000
2000
E uma topografia similar.
00:55
I wondermaravilha why.
19
40000
2000
Pergunto-me porquê.
00:57
And this is artarte. This is metaphormetáfora.
20
42000
3000
Isto é arte. Isto é uma metáfora.
01:00
But I think the pointponto is
21
45000
2000
Mas eu acho que a questão
é que isto é uma metáfora com dentes.
01:02
that this is metaphormetáfora with teethdentes,
22
47000
2000
01:04
and it's with those teethdentes that I want to proposepropor todayhoje
23
49000
3000
É com esses dentes
que eu quero propor, hoje,
01:07
that we rethinkrepensar a little bitpouco
24
52000
2000
que repensemos um pouco
01:09
about the roleFunção of contemporarycontemporâneo mathmatemática --
25
54000
3000
no papel da matemática contemporânea
01:12
not just financialfinanceiro mathmatemática, but mathmatemática in generalgeral.
26
57000
3000
— não só na matemática financeira,
mas na matemática em geral.
01:15
That its transitiontransição
27
60000
2000
Ou seja, na transição duma coisa
01:17
from beingser something that we extractextrair and derivederivar from the worldmundo
28
62000
3000
que extraímos e obtemos do mundo
01:20
to something that actuallyna realidade startscomeça to shapeforma it --
29
65000
3000
para uma coisa que lhe começa a dar forma,
01:23
the worldmundo around us and the worldmundo insidedentro us.
30
68000
3000
ao mundo à nossa volta
e ao mundo dentro de nós.
01:26
And it's specificallyespecificamente algorithmsalgoritmos,
31
71000
2000
São especificamente os algoritmos,
01:28
whichqual are basicallybasicamente the mathmatemática
32
73000
2000
que são basicamente a matemática
01:30
that computerscomputadores use to decidedecidir stuffcoisa.
33
75000
3000
que os computadores usam
para tomar decisões.
01:33
They acquireadquirir the sensibilitysensibilidade of truthverdade
34
78000
2000
Eles adquirem a sensibilidade da verdade,
01:35
because they repeatrepetir over and over again,
35
80000
2000
porque repetem e tornam a repetir,
vezes sem conta.
01:37
and they ossifyossificar and calcifycalcificar,
36
82000
3000
Ossificam-se, calcificam-se
e tornam-se reais.
01:40
and they becometornar-se realreal.
37
85000
2000
01:42
And I was thinkingpensando about this, of all placeslocais,
38
87000
3000
Eu estava a pensar nisto
01:45
on a transatlantictransatlântico flightvoar a couplecasal of yearsanos agoatrás,
39
90000
3000
num voo transatlântico há uns anos,
01:48
because I happenedaconteceu to be seatedsentado
40
93000
2000
porque aconteceu eu ir sentado
01:50
nextPróximo to a HungarianHúngaro physicistfísico about my ageera
41
95000
2000
ao lado de um físico húngaro
da minha idade.
01:52
and we were talkingfalando
42
97000
2000
Falámos em como era a vida
durante a Guerra Fria,
01:54
about what life was like duringdurante the ColdFrio WarGuerra
43
99000
2000
para os físicos na Hungria.
01:56
for physicistsfísicos in HungaryHungria.
44
101000
2000
01:58
And I said, "So what were you doing?"
45
103000
2000
E eu disse: "O que é que vocês faziam?"
02:00
And he said, "Well we were mostlyna maioria das vezes breakingquebra stealthStealth."
46
105000
2000
E ele: "Normalmente
destruíamos os escudos furtivos."
02:02
And I said, "That's a good jobtrabalho. That's interestinginteressante.
47
107000
2000
E eu: "Esse é um bom trabalho.
Interessante.
02:04
How does that work?"
48
109000
2000
"Como é que funciona?"
02:06
And to understandCompreendo that,
49
111000
2000
Para percebermos isto,
02:08
you have to understandCompreendo a little bitpouco about how stealthStealth workstrabalho.
50
113000
3000
temos de perceber um pouco
a tecnologia furtiva.
02:11
And so -- this is an over-simplificationsimplificação excessiva --
51
116000
3000
Assim — esta é uma extrema simplificação —
02:14
but basicallybasicamente, it's not like
52
119000
2000
mas basicamente, não é
como se pudéssemos simplesmente
passar um sinal de radar
02:16
you can just passpassar a radarradar signalsinal
53
121000
2000
02:18
right throughatravés 156 tonstoneladas of steelaço in the skycéu.
54
123000
3000
através de 156 toneladas de aço no céu.
02:21
It's not just going to disappeardesaparecer.
55
126000
3000
Não vai pura e simplesmente desaparecer.
02:24
But if you can take this biggrande, massivemaciço thing,
56
129000
3000
Mas, se pudermos pegar
nessas coisas enormes
02:27
and you could turnvirar it into
57
132000
3000
e transformá-las em milhões
de coisinhas pequenas
02:30
a millionmilhão little things --
58
135000
2000
02:32
something like a flockrebanho of birdspássaros --
59
137000
2000
— como um bando de pássaros —
02:34
well then the radarradar that's looking for that
60
139000
2000
o radar que estiver à procura delas
02:36
has to be ablecapaz to see
61
141000
2000
tem de ser capaz de ver
todos os bandos de pássaros no céu.
02:38
everycada flockrebanho of birdspássaros in the skycéu.
62
143000
2000
02:40
And if you're a radarradar, that's a really badmau jobtrabalho.
63
145000
4000
Para um radar, isso é um trabalho péssimo.
02:44
And he said, "Yeah." He said, "But that's if you're a radarradar.
64
149000
3000
E ele disse:
"Sim. Mas isso é se for um radar.
02:47
So we didn't use a radarradar;
65
152000
2000
"Por isso, não usamos um radar;
02:49
we builtconstruído a blackPreto boxcaixa that was looking for electricalelétrico signalssinais,
66
154000
3000
"construíamos uma caixa negra
que procurava sinais elétricos,
02:52
electroniceletrônico communicationcomunicação.
67
157000
3000
"comunicação eletrónica.
02:55
And wheneversempre que we saw a flockrebanho of birdspássaros that had electroniceletrônico communicationcomunicação,
68
160000
3000
"Sempre que víamos um bando de pássaros
dotado de comunicação eletrónica,
02:58
we thought, 'Probably' Provavelmente has something to do with the AmericansAmericanos.'"
69
163000
3000
"pensávamos que devia ter
alguma coisa a ver com os americanos."
03:01
And I said, "Yeah.
70
166000
2000
Eu disse "Sim. Essa é boa.
03:03
That's good.
71
168000
2000
03:05
So you've effectivelyefetivamente negatednegadas
72
170000
2000
"Então vocês efetivamente negaram
03:07
60 yearsanos of aeronauticaeronáutica researchpesquisa.
73
172000
2000
"60 anos de pesquisa aeronáutica.
03:09
What's your actAja two?
74
174000
2000
"Qual é o segundo ato?
03:11
What do you do when you growcrescer up?"
75
176000
2000
"O que fazem quando crescerem?"
03:13
And he said,
76
178000
2000
E ele disse:
03:15
"Well, financialfinanceiro servicesServiços."
77
180000
2000
"Serviços financeiros."
03:17
And I said, "Oh."
78
182000
2000
E eu disse: "Oh."
03:19
Because those had been in the newsnotícia latelyrecentemente.
79
184000
3000
Porque isso tem estado
ultimamente nas notícias.
03:22
And I said, "How does that work?"
80
187000
2000
E eu disse: "Como é que isso funciona?"
03:24
And he said, "Well there's 2,000 physicistsfísicos on WallParede StreetRua now,
81
189000
2000
E ele disse: "Há 2000 físicos
em Wall Street, agora,
03:26
and I'm one of them."
82
191000
2000
"e eu sou um deles."
03:28
And I said, "What's the blackPreto boxcaixa for WallParede StreetRua?"
83
193000
3000
E eu disse:
"Qual é a caixa preta de Wall Street?"
03:31
And he said, "It's funnyengraçado you askpergunte that,
84
196000
2000
E ele disse:
"Tem piada que me pergunte,
03:33
because it's actuallyna realidade calledchamado blackPreto boxcaixa tradingnegociação.
85
198000
3000
"porque chamam-lhe
comércio de caixa preta.
03:36
And it's alsoAlém disso sometimesas vezes calledchamado algoalgo tradingnegociação,
86
201000
2000
"E às vezes também lhe chamam
comércio algorítmico."
03:38
algorithmicalgorítmica tradingnegociação."
87
203000
3000
03:41
And algorithmicalgorítmica tradingnegociação evolvedevoluiu in partparte
88
206000
3000
O comércio algorítmico evoluiu
03:44
because institutionalinstitucional traderscomerciantes have the samemesmo problemsproblemas
89
209000
3000
porque os investidores institucionais
têm os mesmos problemas
03:47
that the UnitedUnidos StatesEstados-Membros AirAr ForceForça had,
90
212000
3000
que a Força Aérea dos EUA teve,
03:50
whichqual is that they're movingmovendo-se these positionsposições --
91
215000
3000
ou seja, movimentam as suas posições
03:53
whetherse it's ProctorProctor & GambleGamble or AccentureAccenture, whatevertanto faz --
92
218000
2000
— seja Proctor & Gamble
ou Accenture, tanto faz —
03:55
they're movingmovendo-se a millionmilhão sharescompartilha of something
93
220000
2000
movimentam milhões de ações
de qualquer coisa pelo mercado.
03:57
throughatravés the marketmercado.
94
222000
2000
03:59
And if they do that all at onceuma vez,
95
224000
2000
Se fizerem isso tudo de uma vez só,
é como jogar póquer
e apostar tudo na primeira jogada.
04:01
it's like playingjogando pokerpóquer and going all in right away.
96
226000
2000
04:03
You just tipgorjeta your handmão.
97
228000
2000
Revelam o jogo todo.
04:05
And so they have to find a way --
98
230000
2000
Então, precisam de encontrar uma forma
04:07
and they use algorithmsalgoritmos to do this --
99
232000
2000
e usam algoritmos para fazê-lo
04:09
to breakpausa up that biggrande thing
100
234000
2000
— quebrar o todo em milhões
de pequenas transações.
04:11
into a millionmilhão little transactionstransações.
101
236000
2000
04:13
And the magicMagia and the horrorHorror of that
102
238000
2000
A magia e o horror disto
04:15
is that the samemesmo mathmatemática
103
240000
2000
é que a mesma matemática
04:17
that you use to breakpausa up the biggrande thing
104
242000
2000
que é usada para quebrar o todo
em milhões de pequenas coisas
04:19
into a millionmilhão little things
105
244000
2000
04:21
can be used to find a millionmilhão little things
106
246000
2000
pode ser usada para encontrar
milhões de coisas pequenas,
04:23
and sewcosturar them back togetherjuntos
107
248000
2000
uni-las novamente
04:25
and figurefigura out what's actuallyna realidade happeningacontecendo in the marketmercado.
108
250000
2000
e descobrir o que está
a acontecer no mercado.
04:27
So if you need to have some imageimagem
109
252000
2000
Se precisarem de uma imagem
04:29
of what's happeningacontecendo in the stockestoque marketmercado right now,
110
254000
3000
do que está a acontecer agora
no mercado de ações,
04:32
what you can picturecenário is a bunchgrupo of algorithmsalgoritmos
111
257000
2000
o que podem imaginar
um conjunto de algoritmos
04:34
that are basicallybasicamente programmedprogramado to hideocultar,
112
259000
3000
que são basicamente programados
para esconder,
04:37
and a bunchgrupo of algorithmsalgoritmos that are programmedprogramado to go find them and actAja.
113
262000
3000
e um conjunto de algoritmos
programados para encontrá-los e agirem.
04:40
And all of that's great, and it's fine.
114
265000
3000
Tudo isso é ótimo, é porreiro.
04:43
And that's 70 percentpor cento
115
268000
2000
E isso é 70% do mercado
de ações americano,
04:45
of the UnitedUnidos StatesEstados-Membros stockestoque marketmercado,
116
270000
2000
04:47
70 percentpor cento of the operatingoperativo systemsistema
117
272000
2000
70% do sistema operacional,
04:49
formerlyantigamente knownconhecido as your pensionpensão,
118
274000
3000
antigamente conhecido
como as nossas reformas...
04:52
your mortgagehipoteca.
119
277000
3000
(Risos)
...as nossas hipotecas.
04:55
And what could go wrongerrado?
120
280000
2000
O que é que pode correr mal?
04:57
What could go wrongerrado
121
282000
2000
O que pode correr mal
04:59
is that a yearano agoatrás,
122
284000
2000
é que há um ano, 9% de todo o mercado
05:01
ninenove percentpor cento of the entireinteira marketmercado just disappearsdesaparece in fivecinco minutesminutos,
123
286000
3000
desapareceu no espaço de cinco minutos.
05:04
and they calledchamado it the FlashFlash CrashAcidente of 2:45.
124
289000
3000
Chamaram-lhe o "Flash Crash
das 2 horas e 45".
05:07
All of a suddende repente, ninenove percentpor cento just goesvai away,
125
292000
3000
De repente, desapareceram 9%,
05:10
and nobodyninguém to this day
126
295000
2000
e ainda ninguém até hoje
05:12
can even agreeaceita on what happenedaconteceu
127
297000
2000
consegue chegar a acordo
sobre o que aconteceu,
05:14
because nobodyninguém orderedordenado it, nobodyninguém askedperguntei for it.
128
299000
3000
porque ninguém o ordenou,
ninguém o pediu.
05:17
NobodyNinguém had any controlao controle over what was actuallyna realidade happeningacontecendo.
129
302000
3000
Ninguém tinha controlo
sobre o que estava a acontecer.
05:20
All they had
130
305000
2000
Tudo que eles tinham
05:22
was just a monitormonitor in frontfrente of them
131
307000
2000
era um monitor à frente que tinha números
05:24
that had the numbersnúmeros on it
132
309000
2000
05:26
and just a redvermelho buttonbotão
133
311000
2000
e um botão vermelho que dizia: "Parar."
05:28
that said, "Stop."
134
313000
2000
05:30
And that's the thing,
135
315000
2000
A questão é essa.
05:32
is that we're writingescrevendo things,
136
317000
2000
Escrevemos coisas,
05:34
we're writingescrevendo these things that we can no longermais longo readler.
137
319000
3000
escrevemos coisas
que já não conseguimos ler.
05:37
And we'venós temos renderedprocessado something
138
322000
2000
Demos origem a uma coisa ilegível.
05:39
illegibleilegível,
139
324000
2000
05:41
and we'venós temos lostperdido the sensesentido
140
326000
3000
Perdemos a noção
05:44
of what's actuallyna realidade happeningacontecendo
141
329000
2000
do que realmente está a acontecer
05:46
in this worldmundo that we'venós temos madefeito.
142
331000
2000
neste mundo que construímos.
05:48
And we're startinginiciando to make our way.
143
333000
2000
Estamos a começar
a fazer o nosso percurso.
05:50
There's a companyempresa in BostonBoston calledchamado NanexNanex,
144
335000
3000
Há uma empresa em Boston chamada Nanex.
05:53
and they use mathmatemática and magicMagia
145
338000
2000
Usam matemática e magia
e não sei mais o quê.
05:55
and I don't know what,
146
340000
2000
05:57
and they reachalcance into all the marketmercado datadados
147
342000
2000
Têm acesso a todos os dados do mercado
05:59
and they find, actuallyna realidade sometimesas vezes, some of these algorithmsalgoritmos.
148
344000
3000
e encontram, às vezes,
alguns desses algoritmos.
06:02
And when they find them they pullpuxar them out
149
347000
3000
Quando os encontram, extraem-nos
06:05
and they pinPIN them to the wallparede like butterfliesborboletas.
150
350000
3000
e pregam-nos à parede como borboletas.
06:08
And they do what we'venós temos always donefeito
151
353000
2000
Fazem o que sempre fizemos
quando confrontados
06:10
when confrontedconfrontado with hugeenorme amountsvalores of datadados that we don't understandCompreendo --
152
355000
3000
com grandes quantidades
de dados que não entendemos
06:13
whichqual is that they give them a namenome
153
358000
2000
— dão-lhe um nome e uma história.
06:15
and a storyhistória.
154
360000
2000
06:17
So this is one that they foundencontrado,
155
362000
2000
Este é um dos que eles encontraram,
06:19
they calledchamado the KnifeFaca,
156
364000
4000
a que chamaram a Faca,
06:23
the CarnivalCarnaval,
157
368000
2000
o Carnaval,
06:25
the BostonBoston ShufflerEmbaralhador,
158
370000
4000
o Emplastro de Boston,
06:29
TwilightCrepúsculo.
159
374000
2000
o Crepúsculo.
06:31
And the gagmordaça is
160
376000
2000
A piada é que eles
não andam apenas no mercado.
06:33
that, of coursecurso, these aren'tnão são just runningcorrida throughatravés the marketmercado.
161
378000
3000
06:36
You can find these kindstipos of things whereveronde quer que you look,
162
381000
3000
Podemos encontrar este tipo de coisas
para onde quer que olhemos,
06:39
onceuma vez you learnaprender how to look for them.
163
384000
2000
depois de aprendermos a procurá-los.
06:41
You can find it here: this booklivro about fliesmoscas
164
386000
3000
Podemos encontrá-los aqui:
neste livro sobre moscas
06:44
that you maypode have been looking at on AmazonAmazônia.
165
389000
2000
de que andámos à procura no Amazon.
06:46
You maypode have noticednotado it
166
391000
2000
Podemos ter reparado nele
06:48
when its pricepreço startedcomeçado at 1.7 millionmilhão dollarsdólares.
167
393000
2000
quando o preço começou
em 1,7 milhões de dólares.
06:50
It's out of printimpressão -- still ...
168
395000
2000
Está fora de impressão, mas...
06:52
(LaughterRiso)
169
397000
2000
(Risos)
06:54
If you had boughtcomprou it at 1.7, it would have been a bargainpechincha.
170
399000
3000
se o tivéssemos comprado por 1,7 milhões,
teria sido uma pechincha.
06:57
A fewpoucos hourshoras latermais tarde, it had gonefoi up
171
402000
2000
Poucas horas depois, tinha aumentado
06:59
to 23.6 millionmilhão dollarsdólares,
172
404000
2000
para 23,6 milhões de dólares,
07:01
plusmais shippingRemessa and handlingmanipulação.
173
406000
2000
mais os portes de envio.
07:03
And the questionquestão is:
174
408000
2000
A questão é esta:
07:05
NobodyNinguém was buyingcomprando or sellingvendendo anything; what was happeningacontecendo?
175
410000
2000
Ninguém estava a comprar ou a vender;
o que é que aconteceu?
07:07
And you see this behaviorcomportamento on AmazonAmazônia
176
412000
2000
Este comportamento é visível na Amazon
07:09
as surelycertamente as you see it on WallParede StreetRua.
177
414000
2000
tal como se vê em Wall Street.
07:11
And when you see this kindtipo of behaviorcomportamento,
178
416000
2000
Quando vemos este comportamento,
07:13
what you see is the evidenceevidência
179
418000
2000
estamos a ver a prova
de algoritmos em conflito,
07:15
of algorithmsalgoritmos in conflictconflito,
180
420000
2000
07:17
algorithmsalgoritmos lockedtrancado in loopsloops de with eachcada other,
181
422000
2000
algoritmos presos em círculos
com outros algoritmos,
07:19
withoutsem any humanhumano oversightsupervisão,
182
424000
2000
sem vigilância humana,
07:21
withoutsem any adultadulto supervisionsupervisão
183
426000
3000
sem supervisão de um adulto que diga:
07:24
to say, "ActuallyNa verdade, 1.7 millionmilhão is plentyabundância."
184
429000
3000
"Na verdade, 1,7 milhões é muito."
07:27
(LaughterRiso)
185
432000
3000
(Risos)
07:30
And as with AmazonAmazônia, so it is with NetflixNetflix.
186
435000
3000
Assim como acontece na Amazon,
acontece na Netflix.
07:33
And so NetflixNetflix has gonefoi throughatravés
187
438000
2000
A Netflix tem utilizado
vários algoritmos ao longo dos anos.
07:35
severalde várias differentdiferente algorithmsalgoritmos over the yearsanos.
188
440000
2000
07:37
They startedcomeçado with CinematchCinematch, and they'veeles têm triedtentou a bunchgrupo of othersoutras --
189
442000
3000
Começaram com o Cinemath,
e tentaram vários outros
07:40
there's DinosaurDinossauro PlanetPlaneta; there's GravityGravidade.
190
445000
2000
— há o Dinosaur Planet; há o Gravity.
07:42
They're usingusando PragmaticPragmática ChaosCaos now.
191
447000
2000
Agora estão a usar o Pragmatic Chaos.
07:44
PragmaticPragmática ChaosCaos is, like all of NetflixNetflix algorithmsalgoritmos,
192
449000
2000
O Pragmatic Chaos está,
como todos os algoritmos da Netflix,
07:46
tryingtentando to do the samemesmo thing.
193
451000
2000
a tentar fazer a mesma coisa.
07:48
It's tryingtentando to get a graspaperto on you,
194
453000
2000
Está a tentar compreender
07:50
on the firmwarefirmware insidedentro the humanhumano skullcrânio,
195
455000
2000
a programação do" hardware
do crânio humano,
07:52
so that it can recommendrecomendo what moviefilme
196
457000
2000
para poder recomendar que filme
07:54
you mightpoderia want to watch nextPróximo --
197
459000
2000
podemos querer ver em seguida
07:56
whichqual is a very, very difficultdifícil problemproblema.
198
461000
3000
— o que é um problema muito difícil.
07:59
But the difficultydificuldade of the problemproblema
199
464000
2000
Mas a dificuldade do problema
08:01
and the factfacto that we don't really quitebastante have it down,
200
466000
3000
e o facto que ainda não entendemos,
08:04
it doesn't take away
201
469000
2000
não elimina os efeitos
que o Pragmatic Chaos tem.
08:06
from the effectsefeitos PragmaticPragmática ChaosCaos has.
202
471000
2000
08:08
PragmaticPragmática ChaosCaos, like all NetflixNetflix algorithmsalgoritmos,
203
473000
3000
O Pragmatic Chaos, tal como todos
os algoritmos da Netflix,
08:11
determinesdetermina, in the endfim,
204
476000
2000
acaba por determinar
08:13
60 percentpor cento
205
478000
2000
uns 60% dos filmes
que acabam por ser alugados.
08:15
of what moviesfilmes endfim up beingser rentedalugado.
206
480000
2000
08:17
So one piecepeça of codecódigo
207
482000
2000
Assim, um pedaço de código
08:19
with one ideaidéia about you
208
484000
3000
com uma ideia sobre cada um de nós,
08:22
is responsibleresponsável for 60 percentpor cento of those moviesfilmes.
209
487000
3000
é responsável por 60% desses filmes.
08:25
But what if you could ratetaxa those moviesfilmes
210
490000
2000
E se nós pudéssemos avaliar esses filmes
antes de serem feitos?
08:27
before they get madefeito?
211
492000
2000
08:29
Wouldn'tNão that be handyà mão?
212
494000
2000
Não seria útil?
08:31
Well, a fewpoucos datadados scientistscientistas from the U.K. are in HollywoodHollywood,
213
496000
3000
Há alguns cientistas de dados
no Reino Unido, ou em Hollywood
08:34
and they have "storyhistória algorithmsalgoritmos" --
214
499000
2000
que têm "algoritmos de história"
08:36
a companyempresa calledchamado EpagogixEpagogix.
215
501000
2000
— é uma empresa chamada Epagogix.
08:38
And you can runcorre your scriptroteiro throughatravés there,
216
503000
3000
Podemos apresentar-lhes o nosso guião
08:41
and they can tell you, quantifiablyquantificável,
217
506000
2000
e eles podem dizer, quantitativamente,
08:43
that that's a 30 millionmilhão dollardólar moviefilme
218
508000
2000
se é um filme de 30 milhões de dólares
ou de 200 milhões de dólares.
08:45
or a 200 millionmilhão dollardólar moviefilme.
219
510000
2000
08:47
And the thing is, is that this isn't GoogleGoogle.
220
512000
2000
O facto é que isto não é o Google.
08:49
This isn't informationem formação.
221
514000
2000
Isto não são informações.
08:51
These aren'tnão são financialfinanceiro statsEstatísticas; this is culturecultura.
222
516000
2000
Não são estatísticas financeiras;
isto é cultura.
08:53
And what you see here,
223
518000
2000
O que vemos aqui, ou o que
normalmente não vemos,
08:55
or what you don't really see normallynormalmente,
224
520000
2000
08:57
is that these are the physicsfísica of culturecultura.
225
522000
4000
é que isto é a física da cultura.
09:01
And if these algorithmsalgoritmos,
226
526000
2000
Se estes algoritmos
09:03
like the algorithmsalgoritmos on WallParede StreetRua,
227
528000
2000
— como os algoritmos em Wall Street —
09:05
just crashedcaiu one day and wentfoi awryerrado,
228
530000
3000
um dia falhassem e dessem para o torto,
09:08
how would we know?
229
533000
2000
como é que saberíamos?
09:10
What would it look like?
230
535000
2000
Qual seria o aspeto?
09:12
And they're in your housecasa. They're in your housecasa.
231
537000
3000
Eles estão em nossa casa.
Estão na nossa casa.
09:15
These are two algorithmsalgoritmos competingcompetindo for your livingvivo roomquarto.
232
540000
2000
Há dois algoritmos que competem
pela nossa sala de estar.
09:17
These are two differentdiferente cleaninglimpeza robotsrobôs
233
542000
2000
São dois tipos de robôs de limpeza
09:19
that have very differentdiferente ideasidéias about what cleanlimpar \ limpo meanssignifica.
234
544000
3000
que têm ideias distintas
quanto ao significado de limpeza.
09:22
And you can see it
235
547000
2000
E podemos vê-lo
09:24
if you slowlento it down and attachanexar lightsluzes to them,
236
549000
3000
se lhes reduzirmos a velocidade
e os iluminarmos.
09:27
and they're sortordenar of like secretsegredo architectsarquitetos in your bedroomquarto.
237
552000
3000
São como arquitetos secretos
no nosso quarto.
09:30
And the ideaidéia that architecturearquitetura itselfem si
238
555000
3000
A ideia de que a arquitetura em si
09:33
is somehowde alguma forma subjectsujeito to algorithmicalgorítmica optimizationotimização
239
558000
2000
está de certa forma sujeita
à otimização algorítmica
09:35
is not far-fetchedexagerado.
240
560000
2000
não é impossível.
09:37
It's super-realsuper real and it's happeningacontecendo around you.
241
562000
3000
É muito real e está
a acontecer à nossa volta.
09:40
You feel it mosta maioria
242
565000
2000
Sentimos mais isso
09:42
when you're in a sealedselado metalmetal boxcaixa,
243
567000
2000
quando estamos dentro
duma caixa de metal fechada,
09:44
a new-stylenovo estilo elevatorelevador;
244
569000
2000
dum elevador novo
09:46
they're calledchamado destination-controlcontrole de destino elevatorselevadores.
245
571000
2000
— são os elevadores
de destino controlado,
09:48
These are the onesuns where you have to presspressione what floorchão you're going to go to
246
573000
3000
em que temos que escolher
o andar para onde vamos
09:51
before you get in the elevatorelevador.
247
576000
2000
antes de entrar no elevador.
09:53
And it usesusa what's calledchamado a bin-packingbin-embalagem algorithmalgoritmo de.
248
578000
2000
Usam um algoritmo 'bin-packing'.
09:55
So noneNenhum of this mishegasconfusão
249
580000
2000
Portanto, nada daqueles disparates
09:57
of lettingde locação everybodytodo mundo go into whatevertanto faz carcarro they want.
250
582000
2000
de deixar cada um entrar
no elevador que quiser.
09:59
EverybodyToda a gente who wants to go to the 10thº floorchão goesvai into carcarro two,
251
584000
2000
Os que querem ir para o 10º andar
vão para a cabina 2,
10:01
and everybodytodo mundo who wants to go to the thirdterceiro floorchão goesvai into carcarro fivecinco.
252
586000
3000
e os que querem ir para o 3º andar
vão para a cabina 5.
10:04
And the problemproblema with that
253
589000
2000
O problema com isso é que
as pessoas passam-se.
10:06
is that people freakaberração out.
254
591000
2000
10:08
People panicpânico.
255
593000
2000
As pessoas entram em pânico.
10:10
And you see why. You see why.
256
595000
2000
E vemos porquê.
10:12
It's because the elevatorelevador
257
597000
2000
É porque o elevador
10:14
is missingausência de some importantimportante instrumentationInstrumentação, like the buttonsbotões.
258
599000
3000
não tem componentes importantes,
como os botões.
10:17
(LaughterRiso)
259
602000
2000
(Risos)
10:19
Like the things that people use.
260
604000
2000
Como as coisas que as pessoas usam.
10:21
All it has
261
606000
2000
Só tem o número que vai
para cima ou para baixo
10:23
is just the numbernúmero that movesse move up or down
262
608000
3000
10:26
and that redvermelho buttonbotão that saysdiz, "Stop."
263
611000
3000
e o botão vermelho que diz "Parar".
10:29
And this is what we're designingprojetando for.
264
614000
3000
É para isso que estamos a trabalhar.
10:32
We're designingprojetando
265
617000
2000
Estamos a trabalhar
para esse dialeto de máquinas.
10:34
for this machinemáquina dialectdialeto.
266
619000
2000
10:36
And how farlonge can you take that? How farlonge can you take it?
267
621000
3000
Até onde é que isso pode levar? Até onde?
10:39
You can take it really, really farlonge.
268
624000
2000
Podemos levar isso muito longe.
10:41
So let me take it back to WallParede StreetRua.
269
626000
3000
Então, vou voltar a Wall Street,
10:45
Because the algorithmsalgoritmos of WallParede StreetRua
270
630000
2000
porque os algoritmos de Wall Street
10:47
are dependentdependente on one qualityqualidade aboveacima all elseoutro,
271
632000
3000
dependem sobretudo de um atributo,
10:50
whichqual is speedRapidez.
272
635000
2000
que é a velocidade.
10:52
And they operateoperar on millisecondsmilissegundos and microsecondsmicrossegundos.
273
637000
3000
Funcionam em milissegundos
e microssegundos.
10:55
And just to give you a sensesentido of what microsecondsmicrossegundos are,
274
640000
2000
Só para vos dar uma ideia
do que são microssegundos,
10:57
it takes you 500,000 microsecondsmicrossegundos
275
642000
2000
levamos 500 000 microssegundos
só para clicar no rato.
10:59
just to clickclique a mouserato.
276
644000
2000
11:01
But if you're a WallParede StreetRua algorithmalgoritmo de
277
646000
2000
Mas se um algoritmo de Wall Street
11:03
and you're fivecinco microsecondsmicrossegundos behindatrás,
278
648000
2000
estiver atrasado cinco microssegundos,
11:05
you're a loserfracassado.
279
650000
2000
é um perdedor.
11:07
So if you were an algorithmalgoritmo de,
280
652000
2000
Se fôssemos um algoritmo
11:09
you'dvocê gostaria look for an architectarquiteto like the one that I metconheceu in FrankfurtFrankfurt
281
654000
3000
procuraríamos um arquiteto como
aquele que conheci em Frankfurt
11:12
who was hollowingesvaziamento out a skyscraperarranha-céu --
282
657000
2000
que estava a esvaziar um arranha-céus,
11:14
throwingjogando out all the furnituremobília, all the infrastructurea infraestrutura for humanhumano use,
283
659000
3000
a deitar fora toda a mobília,
todas as infraestruturas para uso humano,
11:17
and just runningcorrida steelaço on the floorspisos
284
662000
3000
sobrando apenas aço nos pisos
11:20
to get readypronto for the stackspilhas of serversservidores to go in --
285
665000
3000
preparados para receber
as pilhas de servidores,
11:23
all so an algorithmalgoritmo de
286
668000
2000
tudo para que um algoritmo
11:25
could get closefechar to the InternetInternet.
287
670000
3000
possa estar mais perto da Internet.
11:28
And you think of the InternetInternet as this kindtipo of distributeddistribuído systemsistema.
288
673000
3000
Pensamos na Internet como
um tipo de sistema distribuído.
11:31
And of coursecurso, it is, but it's distributeddistribuído from placeslocais.
289
676000
3000
Claro que é, mas é distribuído
a partir de locais diferentes.
11:34
In NewNovo YorkYork, this is where it's distributeddistribuído from:
290
679000
2000
Em Nova Iorque, é distribuído daqui:
11:36
the CarrierPorta-aviões HotelHotel
291
681000
2000
o Carrier Hotel,
localizado na Hudson Street.
11:38
locatedlocalizado on HudsonHudson StreetRua.
292
683000
2000
11:40
And this is really where the wiresfios come right up into the citycidade.
293
685000
3000
É daqui que saem os cabos pela cidade.
11:43
And the realityrealidade is that the furthermais distante away you are from that,
294
688000
4000
Na verdade, se estivermos
longe deste local,
11:47
you're a fewpoucos microsecondsmicrossegundos behindatrás everycada time.
295
692000
2000
estaremos sempre atrasados
uns microssegundos.
11:49
These guys down on WallParede StreetRua,
296
694000
2000
Aqueles tipos em Wall Street,
11:51
MarcoMarco PoloPolo and CherokeeCherokee NationNação,
297
696000
2000
Marco Polo e Cherokee Nation,
11:53
they're eightoito microsecondsmicrossegundos
298
698000
2000
estão oito microssegundos atrasados
11:55
behindatrás all these guys
299
700000
2000
em relação a estes tipos
11:57
going into the emptyvazio buildingsedifícios beingser hollowedoco out
300
702000
4000
que andam pelos edifícios
que estão a ser esvaziados
12:01
up around the CarrierPorta-aviões HotelHotel.
301
706000
2000
em volta do Carrier Hotel.
12:03
And that's going to keep happeningacontecendo.
302
708000
3000
Isso continuará a acontecer.
12:06
We're going to keep hollowingesvaziamento them out,
303
711000
2000
Vamos continuar a esvaziar edifícios,
12:08
because you, inchpolegada for inchpolegada
304
713000
3000
porque nenhum de nós,
centímetro a centímetro
12:11
and poundlibra for poundlibra and dollardólar for dollardólar,
305
716000
3000
libra a libra, e dólar a dólar,
12:14
noneNenhum of you could squeezeaperto revenuereceita out of that spaceespaço
306
719000
3000
nenhum de nós conseguiria
extrair lucro daquele espaço
12:17
like the BostonBoston ShufflerEmbaralhador could.
307
722000
3000
como o Emplastro de Boston consegue.
12:20
But if you zoomzoom out,
308
725000
2000
Mas se vocês se afastarem
12:22
if you zoomzoom out,
309
727000
2000
12:24
you would see an 825-mile-milha trenchtrincheira
310
729000
4000
veriam um fosso com 1.3 km
12:28
betweenentre NewNovo YorkYork CityCidade and ChicagoChicago
311
733000
2000
entre Nova Iorque e Chicago
12:30
that's been builtconstruído over the last fewpoucos yearsanos
312
735000
2000
que foi construído nos últimos anos
12:32
by a companyempresa calledchamado SpreadPropagação NetworksRedes.
313
737000
3000
por uma empresa chamada "Spread Networks".
12:35
This is a fiberfibra opticótico cablecabo
314
740000
2000
Isto é um cabo de fibra ótica.
12:37
that was laidliderar betweenentre those two citiescidades
315
742000
2000
que foi estendido entre as duas cidades
12:39
to just be ablecapaz to traffictráfego one signalsinal
316
744000
3000
para poder enviar um sinal
12:42
37 timesvezes fasterMais rápido than you can clickclique a mouserato --
317
747000
3000
37 vezes mais rápido
do que clicar no rato,
12:45
just for these algorithmsalgoritmos,
318
750000
3000
só para estes algoritmos,
12:48
just for the CarnivalCarnaval and the KnifeFaca.
319
753000
3000
só para o Carnaval e a Faca.
12:51
And when you think about this,
320
756000
2000
Se pensarem nisto,
12:53
that we're runningcorrida throughatravés the UnitedUnidos StatesEstados-Membros
321
758000
2000
que estamos a percorrer os Estados Unidos
12:55
with dynamitedinamite and rockRocha sawsSerras
322
760000
3000
com dinamite e serras
12:58
so that an algorithmalgoritmo de can closefechar the dealacordo
323
763000
2000
para que um algoritmo
possa fechar um negócio
13:00
threetrês microsecondsmicrossegundos fasterMais rápido,
324
765000
3000
três microssegundos mais depressa,
13:03
all for a communicationscomunicações frameworkestrutura
325
768000
2000
tudo para uma estrutura de comunicações
13:05
that no humanhumano will ever know,
326
770000
4000
que nenhum humano alguma vez conhecerá,
13:09
that's a kindtipo of manifestmanifesto destinydestino;
327
774000
3000
isto é um tipo de destino manifesto;
13:12
and we'llbem always look for a newNovo frontierfronteira.
328
777000
3000
estaremos sempre à procura
duma nova fronteira.
13:15
UnfortunatelyInfelizmente, we have our work cutcortar out for us.
329
780000
3000
Infelizmente, teremos muitas dificuldades.
13:18
This is just theoreticalteórico.
330
783000
2000
Isto é apenas teórico.
13:20
This is some mathematiciansmatemáticos at MITMIT.
331
785000
2000
Isto são alguns matemáticos no MIT.
13:22
And the truthverdade is I don't really understandCompreendo
332
787000
2000
A verdade é que não compreendo bem
13:24
a lot of what they're talkingfalando about.
333
789000
2000
grande parte do que falam.
13:26
It involvesenvolve lightluz conescones and quantumquantum entanglementemaranhamento,
334
791000
3000
Envolve cones de luz
e emaranhamento quântico,
13:29
and I don't really understandCompreendo any of that.
335
794000
2000
e eu não percebo muito sobre isso.
13:31
But I can readler this mapmapa,
336
796000
2000
Mas consigo ler este mapa.
13:33
and what this mapmapa saysdiz
337
798000
2000
Este mapa diz que, se estivermos
a tentar fazer dinheiro no mercado
13:35
is that, if you're tryingtentando to make moneydinheiro on the marketsmercados where the redvermelho dotspontos are,
338
800000
3000
onde estão os pontos vermelhos,
13:38
that's where people are, where the citiescidades are,
339
803000
2000
onde estão as pessoas e as cidades,
13:40
you're going to have to put the serversservidores where the blueazul dotspontos are
340
805000
3000
temos que colocar os servidores
onde estiverem os pontos azuis
13:43
to do that mosta maioria effectivelyefetivamente.
341
808000
2000
para fazer isso de forma mais eficaz.
13:45
And the thing that you mightpoderia have noticednotado about those blueazul dotspontos
342
810000
3000
Podem reparar que muitos dos pontos azuis
13:48
is that a lot of them are in the middlemeio of the oceanoceano.
343
813000
3000
estão no meio do oceano.
13:51
So that's what we'llbem do: we'llbem buildconstruir bubblesbolhas or something,
344
816000
3000
É isso que faremos:
vamos construir bolhas,
13:54
or platformsplataformas.
345
819000
2000
ou plataformas.
13:56
We'llNós vamos actuallyna realidade partparte the wateragua
346
821000
2000
Vamos separar a água
13:58
to pullpuxar moneydinheiro out of the airar,
347
823000
2000
para extrair dinheiro do ar,
14:00
because it's a brightbrilhante futurefuturo
348
825000
2000
porque é um futuro risonho
para um algoritmo.
14:02
if you're an algorithmalgoritmo de.
349
827000
2000
14:04
(LaughterRiso)
350
829000
2000
(Risos)
14:06
And it's not the moneydinheiro that's so interestinginteressante actuallyna realidade.
351
831000
3000
Mas não é o dinheiro que é interessante.
14:09
It's what the moneydinheiro motivatesmotiva,
352
834000
2000
É aquilo que o dinheiro motiva,
14:11
that we're actuallyna realidade terraformingterraformação
353
836000
2000
que nos leva a transformer o planeta Terra
14:13
the EarthTerra itselfem si
354
838000
2000
14:15
with this kindtipo of algorithmicalgorítmica efficiencyeficiência.
355
840000
2000
com este tipo de eficácia algorítmica.
14:17
And in that lightluz,
356
842000
2000
A essa luz, voltamos
14:19
you go back
357
844000
2000
e olhamos para as fotografias
de Michael Najjar.
14:21
and you look at MichaelMichael Najjar'sNajjar photographsfotografias,
358
846000
2000
14:23
and you realizeperceber that they're not metaphormetáfora, they're prophecyprofecia.
359
848000
3000
Percebemos que não são uma metáfora,
são uma profecia.
São uma profecia
14:26
They're prophecyprofecia
360
851000
2000
14:28
for the kindtipo of seismicsísmico, terrestrialterrestre effectsefeitos
361
853000
4000
para o tipo de efeitos
sísmicos e terrestres
14:32
of the mathmatemática that we're makingfazer.
362
857000
2000
da matemática que andamos a fazer.
14:34
And the landscapepanorama was always madefeito
363
859000
3000
A paisagem foi sempre feita
14:37
by this sortordenar of weirdesquisito, uneasyinquieto collaborationcolaboração
364
862000
3000
através desta estranha
e inquietante colaboração
14:40
betweenentre naturenatureza and man.
365
865000
3000
entre a natureza e o homem.
14:43
But now there's this thirdterceiro co-evolutionaryco-evolução forceforça: algorithmsalgoritmos --
366
868000
3000
Mas agora há esta terceira força
co-evolucionária: os algoritmos
14:46
the BostonBoston ShufflerEmbaralhador, the CarnivalCarnaval.
367
871000
3000
— o Emplastro de Boston, o Carnaval.
14:49
And we will have to understandCompreendo those as naturenatureza,
368
874000
3000
Teremos que os compreender como natureza.
14:52
and in a way, they are.
369
877000
2000
De certa forma, é o que eles são.
14:54
Thank you.
370
879000
2000
Obrigado.
14:56
(ApplauseAplausos)
371
881000
20000
(Aplausos)
Translated by Samuel Almeida
Reviewed by Margarida Ferreira

▲Back to top

ABOUT THE SPEAKER
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.

Why you should listen

Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.

All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.

He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."

More profile about the speaker
Kevin Slavin | Speaker | TED.com