TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Hogyan formálják az algoritmusok a világunkat
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin amellett érvel, hogy olyan világban élünk, mely algoritmusokra épül -- és amit egyre inkább ténylegesen ezek irányítanak. Ebben a lenyűgöző TEDGlobal beszédben megmutatja, mennyire meghatározóak ezek a komplex számítógépes programok: a kémkedési taktikák, mozifilm forgatókönyvek, és építészet. Arra figyelmeztet, hogy olyan kódot írunk általuk, amit magunk sem értünk, s így ezek következményeit sem tudjuk ellenőrzésünk alatt tartani!
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
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 photograph
0
0
2000
Ez egy olyan fotó,
00:17
by the artist Michael Najjar,
1
2000
2000
amit a művész, Michael Najjar készített,
00:19
and it's real,
2
4000
2000
és eredeti,
00:21
in the sense that he went there to Argentina
3
6000
2000
abban az értelemben, hogy elment Argentínába ahhoz,
00:23
to take the photo.
4
8000
2000
hogy lefotózza.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Ugyanakkor fikció is. Sok munka lett azért utána még belefektetve.
00:28
And what he's done
6
13000
2000
Amit ő tett,
00:30
is he's actually reshaped, digitally,
7
15000
2000
az gyakorlatilag annyi, hogy digitálisan átformálta
00:32
all of the contours of the mountains
8
17000
2000
a hegyek összes kontúrját,
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
ahhoz, hogy követni tudja a Dow Jones index viszontagságait.
00:37
So what you see,
10
22000
2000
Amit tehát itt láthatunk,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
ez a szakadék, ez a nagy szakadék a völgyben,
00:41
is the 2008 financial crisis.
12
26000
2000
a 2008-as pénzügyi válság.
00:43
The photo was made
13
28000
2000
A fotó akkor készült,
00:45
when we were deep in the valley over there.
14
30000
2000
amikor mélyen a völgyben jártunk, amott.
00:47
I don't know where we are now.
15
32000
2000
Fogalmam sincs, hol tartunk jelenleg.
00:49
This is the Hang Seng index
16
34000
2000
Ez itt a Hang Seng index
00:51
for Hong Kong.
17
36000
2000
Hongkong számára.
00:53
And similar topography.
18
38000
2000
És hasonló topográfia.
00:55
I wonder why.
19
40000
2000
Vajon miért?
00:57
And this is art. This is metaphor.
20
42000
3000
És ilyen a művészet. Ez egy metafora.
01:00
But I think the point is
21
45000
2000
De szerintem a lényeg az,
01:02
that this is metaphor with teeth,
22
47000
2000
hogy ez egy olyan metafora, aminek fogai vannak.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
És ezen fogak miatt javaslom azt,
01:07
that we rethink a little bit
24
52000
2000
hogy gondoljuk át egy kicsit
01:09
about the role of contemporary math --
25
54000
3000
a kortárs matematika szerepét --
01:12
not just financial math, but math in general.
26
57000
3000
nemcsak a pénzügyi matekét, hanem a matekét, általánosságban.
01:15
That its transition
27
60000
2000
Hogy az átmenet abból,
01:17
from being something that we extract and derive from the world
28
62000
3000
hogy valamit kivonunk és elvonatkoztatunk a világtól,
01:20
to something that actually starts to shape it --
29
65000
3000
eljut oda, hogy ez a valami ténylegesen elkezdi formálni --
01:23
the world around us and the world inside us.
30
68000
3000
a körülöttünk és a bennünk lévő világot egyaránt.
01:26
And it's specifically algorithms,
31
71000
2000
És konkrétan az algoritmusok azok,
01:28
which are basically the math
32
73000
2000
amik a matek részét képezik annak,
01:30
that computers use to decide stuff.
33
75000
3000
amit a számítógépek a dolgok eldöntéséhez felhasználnak.
01:33
They acquire the sensibility of truth
34
78000
2000
Rendelkeznek az igazság érzékenységével,
01:35
because they repeat over and over again,
35
80000
2000
mivel újra és újra ismétlődnek.
01:37
and they ossify and calcify,
36
82000
3000
És becsontosodnak és elmeszesednek,
01:40
and they become real.
37
85000
2000
majd valóságossá válnak.
01:42
And I was thinking about this, of all places,
38
87000
3000
Erre először, minden közül, egy Atlanti-óceánt
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
átszelő járaton gondoltam jónéhány évvel ezelőtt,
01:48
because I happened to be seated
40
93000
2000
mivel úgy alakult, hogy egy magyar fizikus mellé ültettek,
01:50
next to a Hungarian physicist about my age
41
95000
2000
aki kb. velem egyidős volt,
01:52
and we were talking
42
97000
2000
és arról beszélgettünk vele,
01:54
about what life was like during the Cold War
43
99000
2000
hogy milyen volt az élet a hidegháború idején,
01:56
for physicists in Hungary.
44
101000
2000
a magyar fizikusok számára.
01:58
And I said, "So what were you doing?"
45
103000
2000
Azt kérdeztem: "Szóval, miket csináltatok akkoriban?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Ezt válaszolta: "Nos, többnyire lopakodókat kerestünk."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
Mire én: "Hát az klassz munka. Nagyon érdekes.
02:04
How does that work?"
48
109000
2000
Hogy működik ez?"
02:06
And to understand that,
49
111000
2000
Ahhoz, hogy ezt megértsük,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
kicsit értenünk kell, hogy a lopakodó repülőgép min alapszik.
02:11
And so -- this is an over-simplification --
51
116000
3000
És persze -- ez egy túlegyszerűsítés, de --
02:14
but basically, it's not like
52
119000
2000
alapvetően nem úgy működik,
02:16
you can just pass a radar signal
53
121000
2000
hogy csak úgy áteresztjük a radarhullámot
02:18
right through 156 tons of steel in the sky.
54
123000
3000
156 tonnányi repülő acélon!
02:21
It's not just going to disappear.
55
126000
3000
Az nem tűnik el olyan egyszerűen.
02:24
But if you can take this big, massive thing,
56
129000
3000
De ha ezt a nagy, tömör valamit
02:27
and you could turn it into
57
132000
3000
sok milliónyi apró
02:30
a million little things --
58
135000
2000
darabbá tudod alakítani --
02:32
something like a flock of birds --
59
137000
2000
mint valami madársereggé --,
02:34
well then the radar that's looking for that
60
139000
2000
akkor a radarnak, ami keresi,
02:36
has to be able to see
61
141000
2000
észre kell tudni venni
02:38
every flock of birds in the sky.
62
143000
2000
minden egyes madársereget az égen!
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
És ha te vagy az a radar, akkor ez marha kemény munka!
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
Mire ő: "Hát igen, de ez akkor van, ha te radar vagy.
02:47
So we didn't use a radar;
65
152000
2000
Ezért mi nem radart használtunk;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
hanem építettünk egy fekete dobozt, ami elektromos jeleket
02:52
electronic communication.
67
157000
3000
keresett, elektronikus kommunikációt.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
És amikor csak megláttunk egy madársereget, akik közt
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
volt elektronikus kommunikáció, tudtuk, hogy ennek valami köze van
03:01
And I said, "Yeah.
70
166000
2000
az amerikaiakhoz!" Mire én: "Hát igen.
03:03
That's good.
71
168000
2000
Ez klassz.
03:05
So you've effectively negated
72
170000
2000
Tehát gyakorlatilag 60 évnyi
03:07
60 years of aeronautic research.
73
172000
2000
repülőgép-fejlesztést tönkrevágtatok ezzel!
03:09
What's your act two?
74
174000
2000
És még mit csináltatok?
03:11
What do you do when you grow up?"
75
176000
2000
Mit csináltok, amikor felnőtök?"
03:13
And he said,
76
178000
2000
Ő ezt válaszolta,
03:15
"Well, financial services."
77
180000
2000
"Hát pénzügyi szolgáltatást nyújtunk."
03:17
And I said, "Oh."
78
182000
2000
Mire én: "Aha."
03:19
Because those had been in the news lately.
79
184000
3000
Mert ilyesmiről volt szó mostanában a hírekben.
03:22
And I said, "How does that work?"
80
187000
2000
Megkérdeztem: "És az hogy működik?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Ezt válaszolta: "Nos, 2000 fizikus dolgozik manapság
03:26
and I'm one of them."
82
191000
2000
a Wall Streeten és én közülük vagyok egy."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Megkérdeztem: "Mi a Wall Street fekete doboza?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
"Érdekes, hogy ezt kérdezi,
03:33
because it's actually called black box trading.
85
198000
3000
mert tényleg fekete doboz kereskedésnek nevezik.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Néha algokereskedésnek is hívják,
03:38
algorithmic trading."
87
203000
3000
algoritmikus kereskedésnek."
03:41
And algorithmic trading evolved in part
88
206000
3000
És az algoritmikus kereskedés részben amiatt fejlődött ki,
03:44
because institutional traders have the same problems
89
209000
3000
hogy az intézményes kereskedőknek ugyanazok a problémái,
03:47
that the United States Air Force had,
90
212000
3000
mint az USA légierejének,
03:50
which is that they're moving these positions --
91
215000
3000
ami pedig abban áll, hogy változtatják a pozícióikat --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
legyen az akár Procter & Gamble vagy Accenture, bármi --
03:55
they're moving a million shares of something
93
220000
2000
valaminek a sok millió részét mozgatják át
03:57
through the market.
94
222000
2000
a piacon keresztül.
03:59
And if they do that all at once,
95
224000
2000
És amennyiben ezt egyszerre teszik,
04:01
it's like playing poker and going all in right away.
96
226000
2000
az olyan lenne, mint amikor pókerben azonnal
04:03
You just tip your hand.
97
228000
2000
'all in'-t mondanál. Kiszórnád a kezedből.
04:05
And so they have to find a way --
98
230000
2000
Ezért olyan módot kell keresniük --
04:07
and they use algorithms to do this --
99
232000
2000
amihez algoritmusokat használnak --
04:09
to break up that big thing
100
234000
2000
hogy ezt a nagy dolgot
04:11
into a million little transactions.
101
236000
2000
millió kis tranzakcióra tördeljék.
04:13
And the magic and the horror of that
102
238000
2000
És ebben a varázslat és borzalom egyben az,
04:15
is that the same math
103
240000
2000
hogy ugyanaz a matek,
04:17
that you use to break up the big thing
104
242000
2000
amit arra használunk,
04:19
into a million little things
105
244000
2000
hogy a nagyot sok millió apró darabkára tördeljük,
04:21
can be used to find a million little things
106
246000
2000
arra is használható, hogy megtaláljunk sok millió apró darabkát,
04:23
and sew them back together
107
248000
2000
és újra összeillesszük őket,
04:25
and figure out what's actually happening in the market.
108
250000
2000
amiből aztán mérthetjük, hogy valójában mi is történik a piacon!
04:27
So if you need to have some image
109
252000
2000
Tehát, ha akarsz egy kis betekintést arról,
04:29
of what's happening in the stock market right now,
110
254000
3000
mi történik az értéktőzsdén ebben a pillanatban,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
akkor észreveheted, hogy van egy csokor algoritmus,
04:34
that are basically programmed to hide,
112
259000
3000
amik gyakorlatilag azt a célt szolgálják, hogy rejtőzködjenek,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
és egy csokor algoritmus, ami arra való, hogy megtalálja ezeket
04:40
And all of that's great, and it's fine.
114
265000
3000
és cselekedjen! És ez mind nagyszerű, és jól is van így.
04:43
And that's 70 percent
115
268000
2000
És ez az USA értéktőzsdéjének
04:45
of the United States stock market,
116
270000
2000
70%-át teszi ki!
04:47
70 percent of the operating system
117
272000
2000
A működő rendszer 70%-a,
04:49
formerly known as your pension,
118
274000
3000
amit azelőtt nyugdíjként, jelzálogként
04:52
your mortgage.
119
277000
3000
tartottunk számon.
04:55
And what could go wrong?
120
280000
2000
Mi romolhatna el?
04:57
What could go wrong
121
282000
2000
Ami elromlott,
04:59
is that a year ago,
122
284000
2000
az az, hogy egy évvel ezelőtt, az egész piac
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
kilenc százaléka egyszerűen eltűnt öt perc leforgása alatt,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
amit úgy neveztek el, hogy a 2:45-ös villámkrach.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Hirtelen, kilenc százalék csak úgy eltűnik,
05:10
and nobody to this day
126
295000
2000
és a mai napig nem ért senki egyet abban,
05:12
can even agree on what happened
127
297000
2000
hogy mi is történhetett,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
mivel senki nem rendelte el, senki sem kérte ezt.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Senkinek nem volt ellenőrzése afölött, ami akkor történt.
05:20
All they had
130
305000
2000
Mindössze
05:22
was just a monitor in front of them
131
307000
2000
egy monitor volt előttük,
05:24
that had the numbers on it
132
309000
2000
rajta a számokkal,
05:26
and just a red button
133
311000
2000
és csak egy piros gomb,
05:28
that said, "Stop."
134
313000
2000
amin ez állt: "Stop."
05:30
And that's the thing,
135
315000
2000
Na hát ez az,
05:32
is that we're writing things,
136
317000
2000
hogy mi írjuk a dolgokat, mi magunk írjuk
05:34
we're writing these things that we can no longer read.
137
319000
3000
azokat a dolgokat, amiket többé nem vagyunk képesek olvasni!
05:37
And we've rendered something
138
322000
2000
Olvashatatlanná tettünk
05:39
illegible,
139
324000
2000
valamit.
05:41
and we've lost the sense
140
326000
3000
És többé már nem értjük,
05:44
of what's actually happening
141
329000
2000
hogy mi is zajlik éppen,
05:46
in this world that we've made.
142
331000
2000
abban a világban, amit magunk teremtettünk!
05:48
And we're starting to make our way.
143
333000
2000
De kezdünk kimászni belőle.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Van Bostonban egy Nanex nevű cég,
05:53
and they use math and magic
145
338000
2000
akik matekot és mágiát,
05:55
and I don't know what,
146
340000
2000
meg ki tudja még mit használnak,
05:57
and they reach into all the market data
147
342000
2000
képesek elérni az összes piaci adatot
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
és néha ténylegesen megtalálják ezen algoritmusok némelyikét.
06:02
And when they find them they pull them out
149
347000
3000
Amikor megtalálják őket, akkor kivonják ezeket,
06:05
and they pin them to the wall like butterflies.
150
350000
3000
és kitűzik őket a falra, mint a pillangókat szokás.
06:08
And they do what we've always done
151
353000
2000
Azt teszik, amit mindig is tettünk,
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
amikor óriási mennyiségű adattal találtuk szembe magunkat,
06:13
which is that they give them a name
153
358000
2000
amiket nem értettünk -- mégpedig, hogy elnevezik őket
06:15
and a story.
154
360000
2000
és történetet szőnek köréjük.
06:17
So this is one that they found,
155
362000
2000
Ez egy azok közül, amiket találtak,
06:19
they called the Knife,
156
364000
4000
Késnek nevezték el,
06:23
the Carnival,
157
368000
2000
ezt Karneválnak,
06:25
the Boston Shuffler,
158
370000
4000
ezt Bostoni Csoszogónak,
06:29
Twilight.
159
374000
2000
ezt Szürkületnek.
06:31
And the gag is
160
376000
2000
A röhejes ebben az,
06:33
that, of course, these aren't just running through the market.
161
378000
3000
hogy persze ezek nemcsak a piacon vannak jelen.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Akárhová nézel beleütközöl az ilyenekbe,
06:39
once you learn how to look for them.
163
384000
2000
ha egyszer megtanultad felismerni őket.
06:41
You can find it here: this book about flies
164
386000
3000
Megtalálhatod itt: van ez a legyekről szóló könyv,
06:44
that you may have been looking at on Amazon.
165
389000
2000
amit az Amazonon már lehet, hogy láttál.
06:46
You may have noticed it
166
391000
2000
Lehet, hogy észrevetted,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
amikor az ára ott magaslott 1,7 millió dolláron!
06:50
It's out of print -- still ...
168
395000
2000
Elfogyott -- mégis...
06:52
(Laughter)
169
397000
2000
(Nevetés)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Ha megvetted volna 1,7-ért, az jó üzlet lett volna!
06:57
A few hours later, it had gone up
171
402000
2000
Néhány órával később,
06:59
to 23.6 million dollars,
172
404000
2000
felment az ára 23,6 millió dollárra,
07:01
plus shipping and handling.
173
406000
2000
plusz szállítási és kezelési költség.
07:03
And the question is:
174
408000
2000
A kérdés itt az:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
senki nem is adott el, vagy vett semmit; akkor mi is zajlott?
07:07
And you see this behavior on Amazon
176
412000
2000
Láthatjuk ezt a viselkedést az Amazonon,
07:09
as surely as you see it on Wall Street.
177
414000
2000
ugyanolyan biztonsággal, mint a Wall Streeten!
07:11
And when you see this kind of behavior,
178
416000
2000
És amikor az ilyen viselkedést észrevesszük,
07:13
what you see is the evidence
179
418000
2000
amit látunk,
07:15
of algorithms in conflict,
180
420000
2000
az a bizonyíték az ellentétes algoritmusok jelenlétére,
07:17
algorithms locked in loops with each other,
181
422000
2000
olyan algoritmusokra, amelyek rövidre zárják egymás köreit,
07:19
without any human oversight,
182
424000
2000
mindenféle emberi beavatkozás nélkül,
07:21
without any adult supervision
183
426000
3000
mindenféle hozzáértő felügyelet nélkül,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
ami azt mondaná: "Nos, az az 1,7 millió azért kicsit túl sok!
07:27
(Laughter)
185
432000
3000
Ki vele!" (Nevetés)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
És ahogy az Amazonon, ugyanúgy van ez a Netfixen is.
07:33
And so Netflix has gone through
187
438000
2000
Tehát a Netfix keresztülment egy csomó
07:35
several different algorithms over the years.
188
440000
2000
különféle algoritmuson az évek során.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
A Cinemathtal kezdték, és kipróbáltak egy csomó másikat is.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Ott van a 'Dinoszaurusz bolygó', ott van a 'Gravitáció'.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Most a 'Pragmatikus káosz'-t használják éppen.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
A 'Pragmatikus káosz' az összes Netfix algoritmushoz hasonlóan
07:46
trying to do the same thing.
193
451000
2000
ugyanezt próbálja véghezvinni.
07:48
It's trying to get a grasp on you,
194
453000
2000
Megpróbál kiismerni téged,
07:50
on the firmware inside the human skull,
195
455000
2000
az emberi koponya belső vezérlőproramján belül,
07:52
so that it can recommend what movie
196
457000
2000
hogy aztán mozifilmeket javasolhasson neked,
07:54
you might want to watch next --
197
459000
2000
amit legközelebb szívesen megnéznél --
07:56
which is a very, very difficult problem.
198
461000
3000
ami egy nagyon-nagyon összetett kérdés.
07:59
But the difficulty of the problem
199
464000
2000
De a kérdés nehézsége,
08:01
and the fact that we don't really quite have it down,
200
466000
3000
és az a tény, hogy nem igazán győztük még le,
08:04
it doesn't take away
201
469000
2000
nem vesz el semmit
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
a 'Pragmatikus káosz' hatékonyságából.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
A 'Pragmatikus káosz', az összes Netflix algoritmushoz hasonlóan
08:11
determines, in the end,
204
476000
2000
végső soron meg fogja mondani,
08:13
60 percent
205
478000
2000
60%-ban, hogy
08:15
of what movies end up being rented.
206
480000
2000
milyen filmeket fognak kikölcsönözni.
08:17
So one piece of code
207
482000
2000
Tehát egyetlen darabka kód arról,
08:19
with one idea about you
208
484000
3000
hogy milyen vagy,
08:22
is responsible for 60 percent of those movies.
209
487000
3000
felelős azoknak a filmeknek a 60 százalékáért.
08:25
But what if you could rate those movies
210
490000
2000
De mi lenne akkor, ha már akkor rangsorba tudnád állítani
08:27
before they get made?
211
492000
2000
azokat a filmeket, mielőtt elkészülnek?
08:29
Wouldn't that be handy?
212
494000
2000
Hát nem lenne klassz?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Nos, néhány angol statisztikus tudós jelenleg
08:34
and they have "story algorithms" --
214
499000
2000
Hollywoodban dolgozik, és vannak történet algoritmusaik
08:36
a company called Epagogix.
215
501000
2000
-- ez az Epagogix nevű cég.
08:38
And you can run your script through there,
216
503000
3000
Végigfuttathatod a kéziratodat náluk,
08:41
and they can tell you, quantifiably,
217
506000
2000
és meg tudják mondani számszerűsítve,
08:43
that that's a 30 million dollar movie
218
508000
2000
hogy ez egy 30 millió dolláros film lesz,
08:45
or a 200 million dollar movie.
219
510000
2000
vagy egy 200 millió dolláros.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
És a helyzet az, hogy ez nem a Google.
08:49
This isn't information.
221
514000
2000
Ez nem egyszerűen információ.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Ezek nem pénzügyi statisztikák; hanem kultúra.
08:53
And what you see here,
223
518000
2000
És amit itt észrevehetünk,
08:55
or what you don't really see normally,
224
520000
2000
ill. amit normál esetben nem veszünk észre,
08:57
is that these are the physics of culture.
225
522000
4000
az az, hogy ez a kultúra fizikája!
09:01
And if these algorithms,
226
526000
2000
És amennyiben ezek az algoritmusok,
09:03
like the algorithms on Wall Street,
227
528000
2000
a Wall Steet-iekhez hasonlóan,
09:05
just crashed one day and went awry,
228
530000
3000
egyszercsak összeomlanak és megmutatják a fonákjukat,
09:08
how would we know?
229
533000
2000
azt hogyan tudjuk meg,
09:10
What would it look like?
230
535000
2000
hogy fog az kinézni?
09:12
And they're in your house. They're in your house.
231
537000
3000
És ott vannak a házainkban! Ott vannak a te házadban!
09:15
These are two algorithms competing for your living room.
232
540000
2000
Két olyan algoritmus, ami a nappalidért versenyez!
09:17
These are two different cleaning robots
233
542000
2000
Két különböző takarítórobot, akiknek nagyon különböző
09:19
that have very different ideas about what clean means.
234
544000
3000
felfogása van arról, hogy mit is jelent a tisztaság!
09:22
And you can see it
235
547000
2000
És láthatjuk ezt,
09:24
if you slow it down and attach lights to them,
236
549000
3000
ha lelassítjuk és fényt kapcsolunk rájuk.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Olyanok, mint valami titokzatos építészek a hálószobádban.
09:30
And the idea that architecture itself
238
555000
3000
És az az elképzelés, hogy maga az építészet
09:33
is somehow subject to algorithmic optimization
239
558000
2000
valamiféleképpen az algoritmikus optimalizációtól függ,
09:35
is not far-fetched.
240
560000
2000
egyáltalán nem egy erőltetett vélemény.
09:37
It's super-real and it's happening around you.
241
562000
3000
Szupervalóságos és körülöttünk történik!
09:40
You feel it most
242
565000
2000
Akkor lehet legjobban érzékelni,
09:42
when you're in a sealed metal box,
243
567000
2000
amikor egy lezárt fémdobozban vagyunk,
09:44
a new-style elevator;
244
569000
2000
egy modern liftben,
09:46
they're called destination-control elevators.
245
571000
2000
amiket célállomás vezérelt lifteknek neveznek.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Ezek azok, amikor meg kell nyomod a gombot, hogy melyik
09:51
before you get in the elevator.
247
576000
2000
emeletre fogsz menni, még mielőtt belépnél a liftbe.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Az úgynevezett 'ládapakoló' algoritmust használja.
09:55
So none of this mishegas
249
580000
2000
Tehát ezen őrületek egyike sem fogja megengedni
09:57
of letting everybody go into whatever car they want.
250
582000
2000
senkinek, hogy abba a liftbe szálljon be, amelyikbe akar!
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Mindenki, aki a tizedikre akar menni, a kettes liftbe,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
és mindenki, aki a harmadikra akar menni az ötösbe kell szálljon!
10:04
And the problem with that
253
589000
2000
A baj ezzel csak az,
10:06
is that people freak out.
254
591000
2000
hogy az emberek ettől
10:08
People panic.
255
593000
2000
kiakadnak! Bepánikolnak!
10:10
And you see why. You see why.
256
595000
2000
És látjuk, hogy miért! Látod!
10:12
It's because the elevator
257
597000
2000
Azért, mert a liftben
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
hiányzik valami alapvető dolog: a gombok!
10:17
(Laughter)
259
602000
2000
(Nevetés)
10:19
Like the things that people use.
260
604000
2000
Ugyanúgy, mint a használati tárgyaknál.
10:21
All it has
261
606000
2000
Mindössze annyi van benne,
10:23
is just the number that moves up or down
262
608000
3000
hogy a számok mozognak fel és le,
10:26
and that red button that says, "Stop."
263
611000
3000
és van a piros gomb, amin ez áll: "Stop!"
10:29
And this is what we're designing for.
264
614000
3000
És ezzel a céllal tervezünk!
10:32
We're designing
265
617000
2000
Erre a gépnyelvjárásra
10:34
for this machine dialect.
266
619000
2000
tervezzük a dolgokat!
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Meddig vezethet ez? Meddig bírjuk elviselni ezt?
10:39
You can take it really, really far.
268
624000
2000
Nagyon sokáig elmehetünk vele.
10:41
So let me take it back to Wall Street.
269
626000
3000
Hadd kanyarodjak most vissza a Wall Streetre.
10:45
Because the algorithms of Wall Street
270
630000
2000
Mert a Wall Street algoritmusai
10:47
are dependent on one quality above all else,
271
632000
3000
egy minőségtől függenek mindenek felett,
10:50
which is speed.
272
635000
2000
mégpedig a sebességtől.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
És ezért milli- és mikroszekundumok alatt végzik el a dolgukat.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Csak hogy megmutassam, mennyi is egy mikroszekundum,
10:57
it takes you 500,000 microseconds
275
642000
2000
500.000 mikroszekundumba telik,
10:59
just to click a mouse.
276
644000
2000
hogy az egérre klikkeljünk.
11:01
But if you're a Wall Street algorithm
277
646000
2000
De ha egy Wall Street-i algoritmus vagy,
11:03
and you're five microseconds behind,
278
648000
2000
és 5 másodperccel lemaradsz,
11:05
you're a loser.
279
650000
2000
akkor veszítettél.
11:07
So if you were an algorithm,
280
652000
2000
Tehát ha algoritmusok lennénk,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
olyan építészt keresnénk, mint akivel Frankfurtban találkoztam,
11:12
who was hollowing out a skyscraper --
282
657000
2000
aki éppen egy felhőkarcolót ürített ki --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
kidobálva az összes bútort, az összes emberi használathoz szükséges infrastruktúrát,
11:17
and just running steel on the floors
284
662000
3000
és kizárólag acélsíneket helyezett el a földön,
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
hogy előkészítse a helyet a beszállítandó szerverkupac számára --
11:23
all so an algorithm
286
668000
2000
mindezt azért, hogy egy algoritmus
11:25
could get close to the Internet.
287
670000
3000
közel kerülhessen az internethez.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Úgy gondolunk az internetre, mint valami elosztott rendszerre.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
És persze az is, de helyekről osztják szét.
11:34
In New York, this is where it's distributed from:
290
679000
2000
New Yorkban például innen szolgáltatják:
11:36
the Carrier Hotel
291
681000
2000
a Carrier Hotelből,
11:38
located on Hudson Street.
292
683000
2000
ami a Hudson Streeten helyezkedik el. És ez az a hely,
11:40
And this is really where the wires come right up into the city.
293
685000
3000
ahol a kábelek ténylegesen belépnek a városba, magába.
11:43
And the reality is that the further away you are from that,
294
688000
4000
És az a helyzet, hogy minél messzebb vagy ettől a helytől,
11:47
you're a few microseconds behind every time.
295
692000
2000
annál több mikroszekundummal le vagy maradva, minden egyes
11:49
These guys down on Wall Street,
296
694000
2000
esetben! Ezek a fickók ott a Wall Streeten
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo és Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
8 mikorszekundummal
11:55
behind all these guys
299
700000
2000
ezek mögött a srácok mögött kullognak,
11:57
going into the empty buildings being hollowed out
300
702000
4000
akik éppen a a Carrier Hotel körüli
12:01
up around the Carrier Hotel.
301
706000
2000
kiürített épületekbe tartanak.
12:03
And that's going to keep happening.
302
708000
3000
És ilyesmik ezentúl is lesznek!
12:06
We're going to keep hollowing them out,
303
711000
2000
Továbbra is ki kell, hogy ürítsük őket,
12:08
because you, inch for inch
304
713000
3000
mert mi, centiről centire,
12:11
and pound for pound and dollar for dollar,
305
716000
3000
fontról fontra, dollárról dollárra,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
egyikünk sem képes olyan bevételt kisajtolni abból a térből,
12:17
like the Boston Shuffler could.
307
722000
3000
mint amennyit a Bostoni Csoszogó tudott.
12:20
But if you zoom out,
308
725000
2000
De ha kijjebb lépünk
12:22
if you zoom out,
309
727000
2000
ebből a körből, egyre kijjebb,
12:24
you would see an 825-mile trench
310
729000
4000
láthatunk egy 1300 kilométer hosszú árkot
12:28
between New York City and Chicago
311
733000
2000
New York és Chicago között,
12:30
that's been built over the last few years
312
735000
2000
ami az elmúlt években épült,
12:32
by a company called Spread Networks.
313
737000
3000
a Spread Networks cég által.
12:35
This is a fiber optic cable
314
740000
2000
Ez egy optikai kábel,
12:37
that was laid between those two cities
315
742000
2000
amit azért fektettek le a két város közé,
12:39
to just be able to traffic one signal
316
744000
3000
hogy képesek legyenek 37-szer gyorsabban
12:42
37 times faster than you can click a mouse --
317
747000
3000
venni a jeleket, mint ahogy az egereden klikkelsz egyet,
12:45
just for these algorithms,
318
750000
3000
kizárólag ezeknek az algoritmusoknak,
12:48
just for the Carnival and the Knife.
319
753000
3000
csak a Karneválnak és a Késnek.
12:51
And when you think about this,
320
756000
2000
És ha ebbe belegondolunk,
12:53
that we're running through the United States
321
758000
2000
hogy járunk körbe az USA-ban
12:55
with dynamite and rock saws
322
760000
3000
dinamitokkal és sziklavágókkal,
12:58
so that an algorithm can close the deal
323
763000
2000
hogy az algoritmusok az üzletet
13:00
three microseconds faster,
324
765000
3000
3 mikroszekundummal gyorsabban meg tudják kötni,
13:03
all for a communications framework
325
768000
2000
mindezt egy olyan kommunikációs keretben,
13:05
that no human will ever know,
326
770000
4000
amit ember soha fel nem fog fogni,
13:09
that's a kind of manifest destiny;
327
774000
3000
ez valamiféleképpen előrevetíti a sorsot,
13:12
and we'll always look for a new frontier.
328
777000
3000
és mindig előrefele fog húzni.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Sajnos mindannyiunknak megvan a kijelölt munkája.
13:18
This is just theoretical.
330
783000
2000
Ez csak elmélet.
13:20
This is some mathematicians at MIT.
331
785000
2000
Ezt néhány MIT-s matematikus találta ki.
13:22
And the truth is I don't really understand
332
787000
2000
És az igazság az, hogy nem igazán értem
13:24
a lot of what they're talking about.
333
789000
2000
a nagy részét annak, amiről beszélnek.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Tartoznak ide fénykúpok, meg kvantumbonyodalmak,
13:29
and I don't really understand any of that.
335
794000
2000
és ezek egyikét sem igazán értem.
13:31
But I can read this map,
336
796000
2000
Viszont tudom olvasni ezt a térképet.
13:33
and what this map says
337
798000
2000
És amit ez a térkép mond,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
az az, hogy ha ott akarsz pénzt csinálni a piacon, ahol a piros pöttyök vannak,
13:38
that's where people are, where the cities are,
339
803000
2000
ahol az emberek, a városok vannak,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
akkor a szervereket oda kell helyezned, ahol a kék pöttyök vannak,
13:43
to do that most effectively.
341
808000
2000
hogy a leghatékonyabban hajthasd ezt végre.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
És az a helyzet, és lehet, hogy ti is észrevettétek,
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
hogy a kék pöttyök nagy része az óceánok közepére esik!
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Tehát valami ilyesmit kell majd tennünk, buborékokat létrehozni,
13:54
or platforms.
345
819000
2000
vagy miket, vagy állványokat.
13:56
We'll actually part the water
346
821000
2000
Szó szerint részekre fogjuk osztani a vizeket ahhoz,
13:58
to pull money out of the air,
347
823000
2000
hogy pénzt hozzunk ki a levegőből,
14:00
because it's a bright future
348
825000
2000
mivel ez egy kecsegtető lehetőség,
14:02
if you're an algorithm.
349
827000
2000
ha mi vagyunk az algoritmus.
14:04
(Laughter)
350
829000
2000
(Nevetés)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
És valójában nem is a pénz az érdekes ebben.
14:09
It's what the money motivates,
352
834000
2000
Hanem az, amire a pénz motivál.
14:11
that we're actually terraforming
353
836000
2000
Hogy tulajdonképpen átalakítjuk a földet,
14:13
the Earth itself
354
838000
2000
magát a Föld bolygót
14:15
with this kind of algorithmic efficiency.
355
840000
2000
ezzel a fajta algoritmikus hatékonysággal.
14:17
And in that light,
356
842000
2000
És ennek fényében
14:19
you go back
357
844000
2000
térjünk vissza
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
és nézzük meg Michael Najjar fotóit,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
és akkor észrevesszük, hogy nem is metaforák, hanem próféciák!
14:26
They're prophecy
360
851000
2000
Próféciái azoknak a szeizmikus
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
földön zajló hatásoknak,
14:32
of the math that we're making.
362
857000
2000
amiket a matematikánkkal művelünk.
14:34
And the landscape was always made
363
859000
3000
És a tájkép mindig is ennek a fura,
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
nem igazán könnyed, természet és ember közti
14:40
between nature and man.
365
865000
3000
együttműködésnek a következtében formálódott.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
De most itt van ez az evolúció következtében megjelenő erő:
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
az algoritmusok -- a Bostoni Csoszogó, a Karnevál.
14:49
And we will have to understand those as nature,
368
874000
3000
És ugyanúgy meg kell értenünk ezeket, mint a természetet!
14:52
and in a way, they are.
369
877000
2000
Mert bizonyos értelemben ők is annak a részei.
14:54
Thank you.
370
879000
2000
Köszönöm.
14:56
(Applause)
371
881000
20000
(Taps)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin 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."
Kevin Slavin | Speaker | TED.com