TEDxUCL
Hannah Fry: Is life really that complex?
Filmed:
Readability: 4.5
819,007 views
Can an algorithm forecast the site of the next riot? In this accessible talk, mathematician Hannah Fry shows how complex social behavior can be analyzed and perhaps predicted through analogies to natural phenomena, like the patterns of a leopard's spots or the distribution of predators and prey in the wild.
Hannah Fry - Complexity theorist
Hannah Fry researches the trends in our civilization and ways we can forecast its future. Full bio
Hannah Fry researches the trends in our civilization and ways we can forecast its future. Full bio
Double-click the English transcript below to play the video.
00:10
Thanks very much.
0
24
1157
Köszönöm szépen.
Hannah Fry vagyok, a fenegyerek.
00:11
I am Hannah Fry, the badass.
1
1205
1848
00:13
And today I'm asking the question:
2
3077
1680
Mai kérdésem pedig:
00:14
Is life really that complex?
3
4781
1756
az élet tényleg olyan bonyolult?
00:16
Now, I've only got nine minutes
to try and provide you with an answer,
to try and provide you with an answer,
4
6561
3325
Van kilenc percem
valamiféle válasszal előállni.
valamiféle válasszal előállni.
00:19
so what I've done
is split this neatly into two parts:
is split this neatly into two parts:
5
9910
2716
Ezt ügyesen két részre
bontva fogom megtenni:
bontva fogom megtenni:
00:22
part one: yes;
6
12650
2353
az első: igen, az;
00:25
and later on, part two: no.
7
15027
2528
a másik: nem, nem bonyolult.
00:27
Or, to be more accurate: no?
8
17579
2544
Vagy precízebben: Nem az-e?
00:30
(Laughter)
9
20147
1204
(Nevetés)
Először is hadd definiáljam,
mit értek "bonyolult" alatt.
mit értek "bonyolult" alatt.
00:31
So first of all, let me try and define
what I mean by "complex."
what I mean by "complex."
10
21375
3006
00:34
Now, I could give you
a host of formal definitions,
a host of formal definitions,
11
24405
2441
Megadhatnék ezernyi hivatalos definíciót,
de a fogalom pusztán
olyan problémát jelent,
olyan problémát jelent,
00:36
but in the simplest terms,
12
26870
1253
00:38
any problem in complexity is something
that Einstein and his peers can't do.
that Einstein and his peers can't do.
13
28147
4899
amit Einstein és társai
nem tudnak megoldani.
nem tudnak megoldani.
00:43
So, let's imagine --
if the clicker works ... there we go.
if the clicker works ... there we go.
14
33070
3240
Képzeljük el – ha a kattintás
működne... tessék.
működne... tessék.
00:46
Einstein is playing a game of snooker.
15
36334
2103
Einstein sznúkert játszik.
00:48
He's a clever chap, so he knows
that when he hits the cue ball,
that when he hits the cue ball,
16
38461
3479
Okos fickó, tudja,
ha a dákóval elüti a golyót,
ha a dákóval elüti a golyót,
00:51
he could write you an equation
17
41964
1441
felírhatná annak egyenletét,
00:53
and tell you exactly where the red ball
is going to hit the sides,
is going to hit the sides,
18
43429
3128
hogy pontosan melyik oldalt
találja el a piros golyó,
találja el a piros golyó,
milyen gyorsan megy, hol áll meg.
00:56
how fast it's going
and where it's going to end up.
and where it's going to end up.
19
46581
2439
Ha pedig a sznúkergolyókat
naprendszer nagyságúra növeljük,
naprendszer nagyságúra növeljük,
00:59
Now, if you scale these snooker balls
up to the size of the solar system,
up to the size of the solar system,
20
49044
3469
01:02
Einstein can still help you.
21
52537
1959
Einstein ezt is megmondja.
01:04
Sure, the physics changes,
22
54520
1245
A fizika megváltozik,
01:05
but if you wanted to know about
the path of the Earth around the Sun,
the path of the Earth around the Sun,
23
55789
3282
de ha tudni akarjuk a Föld
Nap körüli pályáját,
Nap körüli pályáját,
Einstein felírná azt is,
01:09
Einstein could write you an equation
24
59095
1733
01:10
telling you where both objects are
at any point in time.
at any point in time.
25
60852
2643
hogy a dolgok mikor hol vannak épp.
01:13
Now, with a surprising
increase in difficulty,
increase in difficulty,
26
63519
2204
Nem várt nehezítések árán pedig,
01:15
Einstein could include
the Moon in his calculations.
the Moon in his calculations.
27
65747
2452
Einstein még a Holdat is
bevehetné számításaiba.
bevehetné számításaiba.
01:18
But as you add more and more planets,
Mars and Jupiter, say,
Mars and Jupiter, say,
28
68223
3067
De amint egyre több bolygó
kerül bele, pl. Mars, Jupiter,
kerül bele, pl. Mars, Jupiter,
01:21
the problem gets too tough for Einstein
to solve with a pen and paper.
to solve with a pen and paper.
29
71314
3764
Einstein már nehezebben oldaná meg
pusztán tollal és papírral.
pusztán tollal és papírral.
01:25
Now, strangely, if instead of having
a handful of planets,
a handful of planets,
30
75102
2843
Érdekes mód,
ha maroknyi bolygó helyett
millió vagy milliárd dologról van szó,
millió vagy milliárd dologról van szó,
01:27
you had millions of objects
or even billions,
or even billions,
31
77969
2672
01:30
the problem actually becomes much simpler,
32
80665
2271
a probléma inkább leegyszerűsödik,
01:32
and Einstein is back in the game.
33
82960
1922
és Einstein újra játékban van.
01:34
Let me explain what I mean by this,
34
84906
1846
Hogy tisztázzam, mit értek ezalatt,
01:36
by scaling these objects back down
to a molecular level.
to a molecular level.
35
86776
3294
molekuláris szintre csökkentem le
ezeket a dolgokat.
ezeket a dolgokat.
01:40
If you wanted to trace the erratic path
of an individual air molecule,
of an individual air molecule,
36
90094
3747
Ha egyetlen levegőmolekula
szeszélyes útját akarjuk lekövetni,
szeszélyes útját akarjuk lekövetni,
01:43
you'd have absolutely no hope.
37
93865
1842
semmi esélyünk nincs rá.
01:45
But when you have millions
of air molecules all together,
of air molecules all together,
38
95731
2711
De millió levegőmolekula együttesen
01:48
they start to act in a way
which is quantifiable, predictable
which is quantifiable, predictable
39
98466
3877
mérhető, megjósolható, rendezett módon
01:52
and well-behaved.
40
102367
1170
kezd el mozogni.
01:53
And thank goodness air is well-behaved,
41
103561
1885
A levegő pedig, hála istennek, rendezett.
01:55
because if it wasn't,
planes would fall out of the sky.
planes would fall out of the sky.
42
105470
2910
Ha nem volna az, a repülő leesne az égből.
01:58
Now, on an even bigger scale,
across the whole of the world,
across the whole of the world,
43
108404
3064
Szélesebb körben pedig,
szerte az egész világon,
szerte az egész világon,
02:01
the idea is exactly the same
with all of these air molecules.
with all of these air molecules.
44
111492
3122
ugyanaz az elgondolás igaz
az összes levegőmolekulára.
az összes levegőmolekulára.
02:04
It's true that you can't take
an individual rain droplet
an individual rain droplet
45
114638
2918
Nem lehet egyetlen
különálló esőcseppet vizsgálni,
különálló esőcseppet vizsgálni,
02:07
and say where it's come from
or where it's going to end up.
or where it's going to end up.
46
117580
2785
megmondani, honnan jött, hol ér földet.
De igen nagy valószínűséggel tudni lehet,
02:10
But you can say with pretty good certainty
47
120389
2034
felhős lesz-e az ég holnap.
02:12
whether it will be cloudy tomorrow.
48
122447
1813
02:14
So that's it.
49
124284
1158
Szóval ennyi.
02:15
In Einstein's time,
this is how far science had got.
this is how far science had got.
50
125466
2683
Einstein idejében
ennyire futotta a tudomány.
ennyire futotta a tudomány.
02:18
We could do really small problems
with a few objects
with a few objects
51
128173
3613
Kis problémák mennének – egy-két dolog,
02:21
with simple interactions,
52
131810
1275
szimpla kölcsönhatások.
02:23
or we could do huge problems
with millions of objects
with millions of objects
53
133109
2602
Óriási problémák szintén – millió dolog,
02:25
and simple interactions.
54
135735
1323
szimpla kölcsönhatások.
02:27
But what about everything in the middle?
55
137082
1937
De mi van a középmezőnnyel?
02:29
Well, just seven years
before Einstein's death,
before Einstein's death,
56
139043
2693
Csak hét évvel Einstein halála előtt
02:31
an American scientist called
Warren Weaver made exactly this point.
Warren Weaver made exactly this point.
57
141760
3658
Warren Weaver amerikai kutató
pont ugyanezt állította.
pont ugyanezt állította.
02:35
He said that scientific methodology
has gone from one extreme to another,
has gone from one extreme to another,
58
145442
3624
Szerinte a kutatási módszertan
egyik végletből a másikba esik,
egyik végletből a másikba esik,
02:39
leaving out an untouched
great middle region.
great middle region.
59
149090
3071
megfeledkezve az érintetlen
középtájék nagyszerűségéről.
középtájék nagyszerűségéről.
02:42
Now, this middle region
is where complexity science lies,
is where complexity science lies,
60
152185
2699
A bonyolult tudomány pedig erre van,
02:44
and this is what I mean by complex.
61
154908
2259
és bonyolult alatt ezt értem.
02:47
Now, unfortunately, almost
every single problem you can think of
every single problem you can think of
62
157191
3525
Sajnos, az emberi viselkedéssel
kapcsolatos minden egyes probléma
02:50
to do with human behavior
63
160740
1222
02:51
lies in this middle region.
64
161986
2069
e középtájékon található.
02:54
Einstein's got absolutely no idea
how to model the movement of a crowd.
how to model the movement of a crowd.
65
164079
4290
Einsteinnek fogalma sem volt,
hogyan modellezze a tömeg mozgását.
hogyan modellezze a tömeg mozgását.
02:58
There are too many people
to look at them all individually
to look at them all individually
66
168393
2801
Ha egyenként tekintünk rájuk,
túl kevesen vannak,
túl kevesen vannak,
03:01
and too few to treat them as a gas.
67
171218
1872
ha gázként kezeljük őket, túl sokan.
03:03
Similarly, people are prone
to annoying things like decisions
to annoying things like decisions
68
173114
3356
Ugyanígy pl. könnyen
feszélyezik őket a döntések,
feszélyezik őket a döntések,
03:06
and not wanting to walk into each other,
69
176494
2014
és nem akarnak egymásba botlani,
mely még bonyolultabbá teszi a problémát.
03:08
which makes the problem
all the more complicated.
all the more complicated.
70
178532
2613
03:11
Einstein also couldn't tell you
71
181169
1703
Einstein azt sem tudta volna,
03:12
when the next stock market crash
is going to be.
is going to be.
72
182896
2349
mikor üt be a következő tőzsdekrach.
03:15
Einstein couldn't tell you
how to improve unemployment.
how to improve unemployment.
73
185269
2764
Azt sem, hogy csökkentsük
a munkanélküliséget.
a munkanélküliséget.
03:18
Einstein can't even tell you
74
188057
1401
Még azt sem tudná,
03:19
whether the next iPhone
is going to be a hit or a flop.
is going to be a hit or a flop.
75
189482
3382
az új iPhone siker lesz-e vagy bukás.
03:22
So to conclude part one:
we're completely screwed.
we're completely screwed.
76
192888
2606
Az első rész tanulsága tehát:
rendesen betettek nekünk.
rendesen betettek nekünk.
03:25
We've got no tools to deal with this,
and life is way too complex.
and life is way too complex.
77
195518
4500
Gyógyír erre nincs,
az élet túlontúl bonyolult.
az élet túlontúl bonyolult.
03:30
But maybe there's hope,
78
200042
1796
De talán van remény,
03:31
because in the last few years,
79
201862
1534
mert az elmúlt néhány évben,
03:33
we've begun to see the beginnings
of a new area of science
of a new area of science
80
203420
3837
új tudományterület születését
vehettük szemügyre:
vehettük szemügyre:
03:37
using mathematics
to model our social systems.
to model our social systems.
81
207281
3027
társadalmi rendszereink
matematikai modellezését.
matematikai modellezését.
03:40
And I'm not just talking here
about statistics and computer simulations.
about statistics and computer simulations.
82
210332
3484
Nemcsak statisztikáról,
számítógépes szimulációkról beszélek,
számítógépes szimulációkról beszélek,
03:43
I'm talking about writing down
equations about our society
equations about our society
83
213840
2996
hanem társadalmunkat leíró
egyenletek felállításáról,
egyenletek felállításáról,
03:46
that will help us understand
what's going on
what's going on
84
216860
2069
ami segít megmagyarázni eseményeket,
csakúgy mint a sznúkergolyó
vagy az időjárás előrejelzésénél.
vagy az időjárás előrejelzésénél.
03:48
in the same way as with the snooker balls
or the weather prediction.
or the weather prediction.
85
218953
3215
03:52
And this has come about
because people have begun to realize
because people have begun to realize
86
222192
2842
Mindez annak a felismeréséből indult,
miként használhatók és aknázhatók ki
03:55
that we can use and exploit analogies
87
225058
2343
03:57
between our human systems
and those of the physical world around us.
and those of the physical world around us.
88
227425
3942
az emberi rendszerek
és fizikai valóságunk közti analógiák.
és fizikai valóságunk közti analógiák.
04:01
Now, to give you an example:
89
231938
1464
Hadd hozzak egy példát:
04:03
the incredibly complex problem
of migration across Europe.
of migration across Europe.
90
233426
3454
az Európán átívelő migráció
roppant bonyolult probléma.
roppant bonyolult probléma.
04:06
Actually, as it turns out, when you view
all of the people together,
all of the people together,
91
236904
3332
De ha mindenkit
egyszerre vizsgálunk, együttesen,
egyszerre vizsgálunk, együttesen,
04:10
collectively, they behave as though
they're following the laws of gravity.
they're following the laws of gravity.
92
240260
4043
mozgásukra a gravitációhoz
hasonló törvények írhatók fel.
hasonló törvények írhatók fel.
04:14
But instead of planets
being attracted to one another,
being attracted to one another,
93
244327
3128
De ezeknél nem a bolygók vonzzák egymást,
04:17
it's people who are attracted
to areas with better job opportunities,
to areas with better job opportunities,
94
247479
4210
hanem a több munkalehetőséget,
04:21
higher pay, better quality of life
and lower unemployment.
and lower unemployment.
95
251713
4015
a magasabb fizetést, jobb életminőséget
nyújtó területek a vonzók.
nyújtó területek a vonzók.
04:25
And in the same way as people
are more likely to go for opportunities
are more likely to go for opportunities
96
255752
3528
Ugyanígy az embereket inkább
lakóhelyük közelében
lévő lehetőségek érdeklik.
lévő lehetőségek érdeklik.
04:29
close to where they live already --
London to Kent, for example,
London to Kent, for example,
97
259304
3035
Például a londoniak Kentet,
és nem Melbourne-t választják,
és nem Melbourne-t választják,
04:32
as opposed to London to Melbourne --
98
262363
1792
04:34
the gravitational effect of planets
far away is felt much less.
far away is felt much less.
99
264179
4136
mint ahogy a gravitációs hatás két távoli
bolygó közt kevésbé érvényesül.
bolygó közt kevésbé érvényesül.
04:38
So, to give you another example:
100
268997
2067
Egy másik példa:
04:41
in 2008, a group in UCLA
were looking into the patterns
were looking into the patterns
101
271088
4225
Az UCLA egy csoportja 2008-ban
mintázatokat keresett:
mintázatokat keresett:
04:45
of burglary hot spots in the city.
102
275337
2712
városi rablások gócpontjait.
04:48
Now, one thing about burglaries
is this idea of repeat victimization.
is this idea of repeat victimization.
103
278073
5519
Elgondolásuk szerint a rablásokra
jellemző az ismételt áldozattá válás.
jellemző az ismételt áldozattá válás.
04:53
So if you have a group of burglars
who manage to successfully rob an area,
who manage to successfully rob an area,
104
283616
4237
Ha sikeresen rabolnak
egy környéken a bűnözők,
egy környéken a bűnözők,
04:57
they'll tend to return to that area
and carry on burgling it.
and carry on burgling it.
105
287877
3790
akkor hajlamosak oda többször visszatérni.
05:01
So they learn the layout of the houses,
106
291691
2856
Ismerik a házak elrendezését,
05:04
the escape routes
107
294571
1694
a menekülő útvonalakat,
05:06
and the local security measures
that are in place.
that are in place.
108
296289
3004
a helyi biztonsági intézkedéseket.
05:09
And this will continue to happen
109
299317
1685
Ez pedig addig fog menni,
05:11
until local residents and police
ramp up the security,
ramp up the security,
110
301026
3181
míg a helyiek és a rendőrség
meg nem javítják a biztonságot,
meg nem javítják a biztonságot,
05:14
at which point, the burglars
will move off elsewhere.
will move off elsewhere.
111
304231
2771
így a rablók máshol fognak próbálkozni.
05:17
And it's that balance
between burglars and security
between burglars and security
112
307026
2808
A rablások és a biztonság
közti egyensúly hozza létre
közti egyensúly hozza létre
05:19
which creates these dynamic
hot spots of the city.
hot spots of the city.
113
309858
3037
e dinamikus városi gócpontokat.
Mint kiderül, pontosan ugyanígy
05:22
As it turns out,
this is exactly the same process
this is exactly the same process
114
312919
3544
05:26
as how a leopard gets its spots,
115
316487
2242
kapja foltjait a leopárd,
05:28
except in the leopard example,
it's not burglars and security,
it's not burglars and security,
116
318753
2936
csak nála nem a rablások vagy biztonság,
hanem kémiai folyamatok és morfogenezis
05:31
it's the chemical process
that creates these patterns
that creates these patterns
117
321713
3465
05:35
and something called "morphogenesis."
118
325202
1995
hozza létre a mintázatokat.
05:37
We actually know an awful lot
about the morphogenesis of leopard spots.
about the morphogenesis of leopard spots.
119
327221
4256
A leopárdfoltok morfogeneziséről
amúgy rengeteg mindent tudunk.
amúgy rengeteg mindent tudunk.
05:41
Maybe we can use this to try and spot
some of the warning signs with burglaries
some of the warning signs with burglaries
120
331501
4644
Talán használhatnánk rablásokra
figyelmeztető jelek kiszúrására,
figyelmeztető jelek kiszúrására,
05:46
and perhaps, also to create
better crime strategies to prevent crime.
better crime strategies to prevent crime.
121
336169
4107
esetleg jobb bűnmegelőzési
stratégiák létrehozására.
stratégiák létrehozására.
05:50
There's a group here at UCL
122
340300
1572
Az UCL-nél van egy csoport,
05:51
who are working with
the West Midlands police right now
the West Midlands police right now
123
341896
2825
amely jelenleg a nyugat-midlandsi
rendőrséggel dolgozik együtt
rendőrséggel dolgozik együtt
05:54
on this very question.
124
344745
1641
pontosan e kérdésben.
05:56
I could give you
plenty of examples like this,
plenty of examples like this,
125
346410
2915
Felhozhatnék számos példát ezen kívül,
05:59
but I wanted to leave you
with one from my own research
with one from my own research
126
349349
2643
de a londoni zavargásokról szóló
egyik saját kutatásommal búcsúznék.
06:02
on the London riots.
127
352016
1166
06:03
Now, you probably
don't need me to tell you
don't need me to tell you
128
353206
2015
Valószínűleg nem kell elmesélnem
06:05
about the events of last summer,
129
355245
1567
a múlt nyári eseményeket.
Több mint húsz éve nem látott
ilyen súlyos, tartós,
ilyen súlyos, tartós,
06:06
where London and the UK saw
the worst sustained period
the worst sustained period
130
356836
3030
durva fosztogatást és gyújtogatást
06:09
of violent looting and arson
131
359890
1526
06:11
for over twenty years.
132
361440
1613
London és az Egyesült Királyság.
06:13
It's understandable that, as a society,
we want to try and understand
we want to try and understand
133
363077
3287
Társadalomként világos,
hogy meg akarjuk érteni,
hogy meg akarjuk érteni,
06:16
exactly what caused these riots,
134
366388
1794
pontosan mi okozta a zavargást,
06:18
but also, perhaps, to equip our police
with better strategies
with better strategies
135
368206
3885
de az is cél, hogy rendőrségünknek
jobb stratégiái legyenek,
jobb stratégiái legyenek,
06:22
to lead to a swifter
resolution in the future.
resolution in the future.
136
372115
3781
ami gyorsabb döntésekhez vezet el később.
06:25
Now, I don't want to upset
the sociologists here,
the sociologists here,
137
375920
2356
Nem akarom bosszantani a szociológusokat,
06:28
so I absolutely cannot talk about
the individual motivations for a rioter,
the individual motivations for a rioter,
138
378300
4857
a zavargók egyéni motivációjáról
nem tudok semmit elmondani,
nem tudok semmit elmondani,
06:33
but when you look at
the rioters all together,
the rioters all together,
139
383181
2168
de ha a zavargók összessége áll előttünk,
06:35
mathematically, you can separate it
into a three-stage process
into a three-stage process
140
385373
3208
matematikailag a folyamat
három szakaszra bontható,
három szakaszra bontható,
06:38
and draw analogies accordingly.
141
388605
1975
melyekre analógiák írhatók fel.
06:40
So, step one: let's say
you've got a group of friends.
you've got a group of friends.
142
390604
3177
Legyen egy baráti kör – első szakasz.
06:43
None of them are involved in the riots,
143
393805
1875
Senkinek nincs köze a zavargásokhoz,
06:45
but one of them walks past
a Foot Locker which is being raided,
a Foot Locker which is being raided,
144
395704
3682
de egyikük sportruházati bolt mellett
halad el, amit épp fosztogatnak,
halad el, amit épp fosztogatnak,
06:49
and goes in and bags himself
a new pair of trainers.
a new pair of trainers.
145
399410
2513
bemegy, zsákmányol egy pár edzőcipőt.
06:51
He texts one of his friends and says,
"Come on down to the riots."
"Come on down to the riots."
146
401947
4089
"Gyere, kezdődnek a zavargások!"
– üzen egyik cimborájának.
– üzen egyik cimborájának.
06:56
So his friend joins him,
147
406060
1421
Az odamegy,
06:57
and then the two of them text
more of their friends, who join them,
more of their friends, who join them,
148
407505
3157
majd a kettő üzen másoknak is,
akik szintén odamennek,
akik szintén odamennek,
és üzennek többi cimborájuknak is,
07:00
and text more of their friends
149
410686
1581
07:02
and more and more, and so it continues.
150
412291
2374
aztán még többnek és így tovább.
07:04
This process is identical to the way
that a virus spreads through a population.
that a virus spreads through a population.
151
414689
4583
A folyamat úgy terjed,
mint vírus a népesség körében.
mint vírus a népesség körében.
07:09
If you think about the bird flu epidemic
of a couple of years ago,
of a couple of years ago,
152
419296
3100
Gondoljunk a pár évvel ezelőtti
madárinfluenzára,
madárinfluenzára,
07:12
the more people that were infected,
the more people that got infected,
the more people that got infected,
153
422420
3303
többen fertőződtek meg, többen kapták el,
07:15
and the faster the virus spread
154
425747
1588
és a vírus gyorsabban terjedt,
07:17
before the authorities managed
to get a handle on events.
to get a handle on events.
155
427359
3141
mint ahogy a hatóságok
kezelni tudták volna a helyzetet.
kezelni tudták volna a helyzetet.
07:20
And it's exactly the same process here.
156
430988
2515
Ugyanarról a folyamatról van szó.
07:23
So let's say you've got a rioter,
he's decided he's going to riot.
he's decided he's going to riot.
157
433527
3276
Van egy bajkeverő,
aki eldönti, beáll valami zavargásba.
aki eldönti, beáll valami zavargásba.
07:26
The next thing he has to do
is pick a riot site.
is pick a riot site.
158
436827
2535
Ezután ki kell szúrnia
a zavargás helyszínét.
a zavargás helyszínét.
07:30
Now, what you should know
about rioters is that, um ...
about rioters is that, um ...
159
440274
3624
A zavargókról tudni kell...
07:33
Oops, clicker's gone. There we go.
160
443922
1642
Hoppá, nem jó a kattintó. Tessék.
07:35
What you should know about rioters is,
they're not prepared to travel
they're not prepared to travel
161
445588
3344
A zavargókról tudni kell,
hogy nem akarnak
messzire menni lakóhelyüktől,
messzire menni lakóhelyüktől,
07:38
that far from where they live,
162
448956
1451
07:40
unless it's a really juicy riot site.
163
450431
1852
hacsak nem gázos a helyszín.
07:42
(Laughter)
164
452307
1075
(Nevetés)
07:43
So you can see that here from this graph,
165
453406
2069
Ebből a grafikonból kitűnik,
rengeteg sok zavargó kevesebb
mint egy kilométerre lakott
mint egy kilométerre lakott
07:45
with an awful lot of rioters
having traveled less than a kilometer
having traveled less than a kilometer
166
455499
3391
07:48
to the site that they went to.
167
458914
1679
a kiválasztott helyszíntől.
07:50
Now, this pattern is seen
in consumer models of retail spending,
in consumer models of retail spending,
168
460617
4909
A kereskedelmi kiadások modellezésénél,
pl. hogy hová megyünk vásárolni,
pl. hogy hová megyünk vásárolni,
07:55
i.e., where we choose to go shopping.
169
465550
2309
ugyanez a mintázat látható.
07:57
So, of course, people like
to go to local shops,
to go to local shops,
170
467883
2922
A helyi boltokba megyünk persze inkább,
08:00
but you'd be prepared
to go a little bit further
to go a little bit further
171
470829
2592
de készek lennénk kicsit messzebb menni,
08:03
if it was a really good retail site.
172
473445
2116
ha remek bevásárlóközpontról lenne szó.
08:05
And this analogy, actually, was already
picked up by some of the papers,
picked up by some of the papers,
173
475585
3442
Ezt az analógiát pedig már
felkapta néhány újság.
felkapta néhány újság.
Néhány bulvárlap
"vásárlótámadásnak" hívja ezt,
"vásárlótámadásnak" hívja ezt,
08:09
with some tabloid press calling the events
"Shopping with violence,"
"Shopping with violence,"
174
479051
3262
08:12
which probably sums it up
in terms of our research.
in terms of our research.
175
482337
2788
amely jól összegzi kutatásunk értelmét.
08:15
Oh! -- we're going backwards.
176
485673
1476
Ó! – Visszafelé megyünk.
08:19
OK, step three.
177
489730
1456
Jó, harmadik szakasz.
08:21
Finally, the rioter is at his site,
178
491210
1817
A zavargó végül a helyszínen van,
08:23
and he wants to avoid
getting caught by the police.
getting caught by the police.
179
493051
4572
nem akarja, hogy elkapják a rendőrök.
08:27
The rioters will avoid
the police at all times,
the police at all times,
180
497647
2701
A zavargók mindenkor kerülik a rendőröket,
08:30
but there is some safety in numbers.
181
500372
2094
de számokban találni némi biztonságot.
08:32
And on the flip side, the police,
with their limited resources,
with their limited resources,
182
502490
3061
Másfelől pedig, korlátozott
erőforrásaival a rendőrség
erőforrásaival a rendőrség
08:35
are trying to protect
as much of the city as possible,
as much of the city as possible,
183
505575
2579
próbál megvédeni minél többet a városból,
08:38
arrest rioters wherever possible
184
508178
2013
zavargókból a lehető legtöbbet elfogni,
08:40
and to create a deterrent effect.
185
510215
2041
és elrettentő hatást kiváltani.
08:45
And actually, as it turns out,
186
515510
1491
Mint kiderül, e két faj,
08:47
this mechanism between the two species,
so to speak, of rioters and police,
so to speak, of rioters and police,
187
517025
4623
hogy úgy mondjam, a zavargók
és a rendőrség közti mechanizmus
és a rendőrség közti mechanizmus
08:51
is identical to predators
and prey in the wild.
and prey in the wild.
188
521672
2649
azonos a vadon ragadózó-préda viszonyával.
08:54
So if you can imagine rabbits and foxes,
189
524345
2197
Képzeljük el a róka-nyúl viszonyt:
08:56
rabbits are trying to avoid
foxes at all costs,
foxes at all costs,
190
526566
2750
a nyúl mindenáron kerüli a rókát.
08:59
while foxes are patrolling the space,
trying to look for rabbits.
trying to look for rabbits.
191
529340
3687
A róka közben nyulakat kajtat a területen.
09:03
We actually know an awful lot
about the dynamics of predators and prey.
about the dynamics of predators and prey.
192
533051
3354
Rengeteget tudunk
a ragadózó-préda-dinamikáról.
a ragadózó-préda-dinamikáról.
09:06
We also know a lot about
consumer spending flows.
consumer spending flows.
193
536429
4979
A fogyasztói kiadások arányairól
szintén sokat tudunk.
szintén sokat tudunk.
09:11
And we know a lot about
how viruses spread through a population.
how viruses spread through a population.
194
541432
3163
Arról úgyszintén, hogyan terjednek
vírusok a népesség körében.
vírusok a népesség körében.
09:14
So if you take these three analogies
together and exploit them,
together and exploit them,
195
544619
3033
Mindezen analógiákat kiaknázva együttesen
09:17
you can come up with a mathematical
model of what actually happened,
model of what actually happened,
196
547676
3236
valódi eseménye matematikai
modelljével rukkolhatunk elő,
modelljével rukkolhatunk elő,
09:20
that's capable of replicating
the general patterns
the general patterns
197
550936
2404
ami képes lemásolni
a zavargások általános mintázatát.
09:23
of the riots themselves.
198
553364
1343
09:25
Now, once we've got this,
we can almost use this as a petri dish
we can almost use this as a petri dish
199
555678
3086
Ha egyszer ez megvan,
működhet akár Petri-csészeként is,
működhet akár Petri-csészeként is,
09:28
and start having conversations
200
558788
1623
és párbeszéd indulhat el arról,
09:30
about which areas of the city
were more susceptible than others
were more susceptible than others
201
560435
3139
melyik városrész jobban
és melyik kevésbé hajlamosabb,
és melyik kevésbé hajlamosabb,
s melyek a rendőrség lehetséges taktikái,
09:33
and what police tactics could be used
202
563598
1877
09:35
if this were ever to happen
again in the future.
again in the future.
203
565499
2307
ha a jövőben szükség lesz erre egyáltalán.
09:37
Even twenty years ago, modeling
of this sort was completely unheard of.
of this sort was completely unheard of.
204
567830
4003
Húsz évvel ezelőtt még
ez a fajta modellezés ismeretlen volt.
ez a fajta modellezés ismeretlen volt.
09:41
But I think that these analogies
are an incredibly important tool
are an incredibly important tool
205
571857
4444
De szerintem ezen analógiák
hihetetlenül fontos eszközök lehetnek
hihetetlenül fontos eszközök lehetnek
09:46
in tackling problems with our society,
206
576325
2491
társadalmi problémáink leküzdésében.
09:48
and perhaps, ultimately improving
our society overall.
our society overall.
207
578840
3406
Legvégül talán jobbá teszik
társadalmunk egészét is.
társadalmunk egészét is.
09:52
So, to conclude: life is complex,
208
582270
2389
A tanulság pedig: az élet bonyolult,
09:54
but perhaps understanding it need not
necessarily be that complicated.
necessarily be that complicated.
209
584683
3357
de megérteni talán
nem szükségszerűen bonyolult.
nem szükségszerűen bonyolult.
Köszönöm.
09:58
Thank you.
210
588064
1158
(Taps)
09:59
(Applause)
211
589246
1386
ABOUT THE SPEAKER
Hannah Fry - Complexity theoristHannah Fry researches the trends in our civilization and ways we can forecast its future.
Why you should listen
Hannah Fry completed her PhD in fluid dynamics in early 2011 with an emphasis on how liquid droplets move. Then, after working as an aerodynamicist in the motorsport industry, she began work on an interdisciplinary project in complexity sciences at University College London. Hannah’s current research focusses on discovering new connections between mathematically described systems and human interaction at the largest scale.
Fry is the author of the TED Book, The Mathematics of Love: Patterns, Proofs, and the Search for the Ultimate Equation.
Hannah Fry | Speaker | TED.com