ABOUT THE SPEAKER
Kenneth Cukier - Data Editor of The Economist
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages.

Why you should listen

As Data Editor of The Economist and co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think, Kenneth Cukier has spent years immersed in big data, machine learning -- and the impact of both. What's the future of big data-driven technology and design? To find out, watch this talk.

More profile about the speaker
Kenneth Cukier | Speaker | TED.com
TEDSalon Berlin 2014

Kenneth Cukier: Big data is better data

Kenneth Cukier: A big data — jobb adat

Filmed:
1,663,038 views

Az önvezető autók csak a kezdet. Milyen lesz a big data segítségével működő technológia és dizájn jövője? Izgalmas tudományos előadásában Kenneth Cukier a gépi tanulás és az emberi tudás jövőjével foglalkozik.
- Data Editor of The Economist
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages. Full bio

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

00:12
America'sAmerika favoritekedvenc piepite is?
0
787
3845
Az USA legnépszerűbb pitéje a...
00:16
AudienceKözönség: AppleAlma.
KennethKenneth CukierCukier: AppleAlma. Of coursetanfolyam it is.
1
4632
3506
Nézők: ...az almás!
KC: Az almás. Hát, persze, hogy az!
00:20
How do we know it?
2
8138
1231
Honnan tudjuk?
00:21
Because of dataadat.
3
9369
2753
Az adatokból.
00:24
You look at supermarketszupermarket salesértékesítés.
4
12122
2066
A szupermarketek eladási adataiból.
00:26
You look at supermarketszupermarket
salesértékesítés of 30-centimeter-centiméteres piespite
5
14188
2866
A 30 cm-es mélyhűtött piték
eladási adataiból.
00:29
that are frozenfagyott, and applealma winsgyőzelem, no contestverseny.
6
17054
4075
Az almás a nyerő, semmi kétség.
00:33
The majoritytöbbség of the salesértékesítés are applealma.
7
21129
5180
Az eladások többségét az almás teszi ki.
00:38
But then supermarketsáruházak startedindult sellingeladási
8
26309
2964
De a szupermarketek kezdték árulni
00:41
smallerkisebb, 11-centimeter-centiméteres piespite,
9
29273
2583
a kisebb, 11-centis pitéket,
00:43
and suddenlyhirtelen, applealma fellesett to fourthnegyedik or fifthötödik placehely.
10
31856
4174
és hirtelen az almás
visszaesett a 4-5. helyre.
00:48
Why? What happenedtörtént?
11
36030
2875
Miért? Mi történt?
00:50
Okay, think about it.
12
38905
2818
OK, gondoljuk csak át.
00:53
When you buyVásárol a 30-centimeter-centiméteres piepite,
13
41723
3848
Amikor 30-centis pitét veszünk,
00:57
the wholeegész familycsalád has to agreeegyetért,
14
45571
2261
az egész családnak
egy véleményen kell lennie,
00:59
and applealma is everyone'smindenki secondmásodik favoritekedvenc.
15
47832
3791
de az almás mindenkinél
csak a második befutó.
01:03
(LaughterNevetés)
16
51623
1935
(Nevetés)
01:05
But when you buyVásárol an individualEgyedi 11-centimeter-centiméteres piepite,
17
53558
3615
De amikor magunknak választjuk
a 11-centis pitét,
01:09
you can buyVásárol the one that you want.
18
57173
3745
azt vehetjük, amelyiket szeretnénk.
01:12
You can get your first choiceválasztás.
19
60918
4015
Megvehetjük a kedvencünket.
01:16
You have more dataadat.
20
64933
1641
Több adatunk van.
01:18
You can see something
21
66574
1554
Most olyat látunk,
01:20
that you couldn'tnem tudott see
22
68128
1132
amit nem láthattunk,
01:21
when you only had smallerkisebb amountsösszegek of it.
23
69260
3953
amikor kevesebb adatunk volt.
01:25
Now, the pointpont here is that more dataadat
24
73213
2475
A lényeg: a több adat birtokában
01:27
doesn't just let us see more,
25
75688
2283
nemcsak többet tudunk
01:29
more of the sameazonos thing we were looking at.
26
77971
1854
a vizsgált dologról,
01:31
More dataadat allowslehetővé tesz us to see newúj.
27
79825
3613
hanem a több adat új dolgokat is megmutat.
01:35
It allowslehetővé tesz us to see better.
28
83438
3094
Jobban látjuk a dolgokat.
01:38
It allowslehetővé tesz us to see differentkülönböző.
29
86532
3656
Másként látjuk a dolgokat.
01:42
In this caseügy, it allowslehetővé tesz us to see
30
90188
3173
Esetünkben megmutatja,
01:45
what America'sAmerika favoritekedvenc piepite is:
31
93361
2913
melyik Amerika kedvenc pitéje:
01:48
not applealma.
32
96274
2542
nem az almás!
01:50
Now, you probablyvalószínűleg all have heardhallott the termkifejezés bignagy dataadat.
33
98816
3614
Valószínűleg hallották már
a "big data" szakkifejezést.
01:54
In facttény, you're probablyvalószínűleg sickbeteg of hearingmeghallgatás the termkifejezés
34
102430
2057
Valószínű, hogy a könyökükön jön ki
01:56
bignagy dataadat.
35
104487
1630
a big data kifejezés.
01:58
It is trueigaz that there is a lot of hypehype around the termkifejezés,
36
106117
3330
Tény, hogy óriási a felhajtás
a kifejezés körül,
02:01
and that is very unfortunateszerencsétlen,
37
109447
2332
és ez nagyon sajnálatos,
02:03
because bignagy dataadat is an extremelyrendkívüli módon importantfontos tooleszköz
38
111779
3046
hiszen a big data rendkívül fontos eszköz,
02:06
by whichmelyik societytársadalom is going to advanceelőleg.
39
114825
3734
amellyel a társadalom fejlődik.
02:10
In the pastmúlt, we used to look at smallkicsi dataadat
40
118559
3561
A múltban "small data"
elemzéseket használtunk,
02:14
and think about what it would mean
41
122120
1704
és ezekből próbáltuk értelmezni,
02:15
to try to understandmegért the worldvilág,
42
123824
1496
hogyan fogjuk fel a világot.
02:17
and now we have a lot more of it,
43
125320
1991
Ma sokkal nagyobb adattömeggel dolgozunk,
02:19
more than we ever could before.
44
127311
2722
amekkorával korábban nem volt módunk.
02:22
What we find is that when we have
45
130033
1877
Ha nagy tömegű adatunk van,
02:23
a largenagy bodytest of dataadat, we can fundamentallyalapvetően do things
46
131910
2724
olyanokat is megtehetünk vele,
02:26
that we couldn'tnem tudott do when we
only had smallerkisebb amountsösszegek.
47
134634
3276
melyeket a kevés adattal nem.
02:29
BigNagy dataadat is importantfontos, and bignagy dataadat is newúj,
48
137910
2641
A big data fontos, a big data újdonság,
02:32
and when you think about it,
49
140551
1777
és ha utánagondolunk,
az egyetlen lehetőség,
ahogyan a bolygó a maga
02:34
the only way this planetbolygó is going to dealüzlet
50
142328
2216
globális kihívásait a jövőben kezelheti
02:36
with its globalglobális challengeskihívások
51
144544
1789
02:38
to feedtakarmány people, supplykínálat them with medicalorvosi caregondoskodás,
52
146333
3537
— miként élelmezzük a népességet,
nyújtsunk egészségügyi ellátást számukra,
02:41
supplykínálat them with energyenergia, electricityelektromosság,
53
149870
2810
lássuk el energiával, villanyárammal;
hogyan biztosítsuk,
02:44
and to make sure they're not burntmegégett to a crispropogós
54
152680
1789
hogy ne süljön meg senki
02:46
because of globalglobális warmingmelegítés
55
154469
1238
a Föld fölmelegedése miatt --
02:47
is because of the effectivehatékony use of dataadat.
56
155707
4195
mert így tudjuk az adatokat
hatékonyan felhasználni.
02:51
So what is newúj about bignagy
dataadat? What is the bignagy dealüzlet?
57
159902
3870
Mi az újdonság a big datában?
Mi a jelentősége?
02:55
Well, to answerválasz that questionkérdés, let's think about
58
163772
2517
A válasz érdekében nézzük meg,
02:58
what informationinformáció lookednézett like,
59
166289
1896
mi jellemezte az információt
03:00
physicallyfizikailag lookednézett like in the pastmúlt.
60
168185
3034
a múltban — fizikailag?
03:03
In 1908, on the islandsziget of CreteCrete,
61
171219
3611
1908-ban Kréta szigetén
03:06
archaeologistsa régészek discoveredfelfedezett a clayagyag disclemez.
62
174830
4735
a régészek felfedeztek egy agyagkorongot,
03:11
They datedkeltezett it from 2000 B.C., so it's 4,000 yearsévek oldrégi.
63
179565
4059
a korát Kr. e. 2000-re tették,
úgyhogy négyezer éves.
03:15
Now, there's inscriptionsfeliratok on this disclemez,
64
183624
2004
A korongon feliratok vannak,
03:17
but we actuallytulajdonképpen don't know what it meanseszközök.
65
185628
1327
jelentésük mindmáig ismeretlen.
03:18
It's a completeteljes mysteryrejtély, but the pointpont is that
66
186955
2098
Teljes a rejtély, de a lényeg,
03:21
this is what informationinformáció used to look like
67
189053
1928
hogy így nézett ki az információ
03:22
4,000 yearsévek agoezelőtt.
68
190981
2089
négyezer évvel ezelőtt.
03:25
This is how societytársadalom storedtárolt
69
193070
2548
A társadalom így tárolta
03:27
and transmittedtovábbított informationinformáció.
70
195618
3524
és adta tovább az információt.
03:31
Now, societytársadalom hasn'tmég nem advancedfejlett all that much.
71
199142
4160
A társadalom nem túl sokat haladt.
03:35
We still storebolt informationinformáció on discslemezek,
72
203302
3474
Még mindig diszken tároljuk az infót,
03:38
but now we can storebolt a lot more informationinformáció,
73
206776
3184
de a korábbinál már sokkal több
információt tudunk tárolni,
03:41
more than ever before.
74
209960
1260
többet, mint bármikor.
03:43
SearchingKeres it is easierkönnyebb. CopyingMásolás it easierkönnyebb.
75
211220
3093
A keresés könnyebbé vált.
A másolás könnyebbé vált.
03:46
SharingMegosztása it is easierkönnyebb. ProcessingFeldolgozás it is easierkönnyebb.
76
214313
3500
A megosztás könnyebbé vált.
A feldolgozás könnyebbé vált.
03:49
And what we can do is we can reuseújrafelhasználás this informationinformáció
77
217813
2766
Amit még tudunk,
fölhasználhatjuk újra az információt
03:52
for usesfelhasználások that we never even imaginedképzelt
78
220579
1834
olyan célra, amit nem is sejtettünk,
03:54
when we first collectedösszegyűjtött the dataadat.
79
222413
3195
mikor első ízben begyűjtöttük az adatokat.
03:57
In this respecttisztelet, the dataadat has goneelmúlt
80
225608
2252
Ebből a szempontból az adatok
03:59
from a stockKészlet to a flowfolyam,
81
227860
3532
állományból áramlattá váltak,
04:03
from something that is stationaryhelyhez kötött and staticstatikus
82
231392
3938
változatlan—statikusból
04:07
to something that is fluidfolyadék and dynamicdinamikus.
83
235330
3609
folyékony—dinamikussá.
04:10
There is, if you will, a liquiditylikviditási to informationinformáció.
84
238939
4023
Kimondhatjuk: az információ likviddé vált.
04:14
The disclemez that was discoveredfelfedezett off of CreteCrete
85
242962
3474
A Krétán felfedezett korong
04:18
that's 4,000 yearsévek oldrégi, is heavynehéz, súlyos,
86
246436
3764
négyezer éves és súlyos,
04:22
it doesn't storebolt a lot of informationinformáció,
87
250200
1962
nem sok információt tárol,
04:24
and that informationinformáció is unchangeableváltozatlan.
88
252162
3116
és az az infó megváltoztathatatlan.
04:27
By contrastkontraszt, all of the filesfájlok
89
255278
4011
Ezzel szemben az összes fájl,
04:31
that EdwardEdward SnowdenSnowden tookvett
90
259289
1861
melyet Edward Snowden kihozott
04:33
from the NationalNemzeti SecurityBiztonsági
AgencyÜgynökség in the UnitedEgyesült StatesÁllamok
91
261150
2621
az USA Nemzetbiztonsági Hivatalából,
04:35
fitsgörcsök on a memorymemória stickrúd
92
263771
2419
egy körömnyi memóriakártyára
04:38
the sizeméret of a fingernailköröm,
93
266190
3010
ráfér,
04:41
and it can be sharedmegosztott at the speedsebesség of lightfény.
94
269200
4745
és fénysebességgel megosztható.
04:45
More dataadat. More.
95
273945
5255
Több adat. Több.
04:51
Now, one reasonok why we have
so much dataadat in the worldvilág todayMa
96
279200
1974
Az egyik oka, miért van ma a világon
04:53
is we are collectinggyűjtő things
97
281174
1432
olyan sok adatunk, mert gyűjtjük,
04:54
that we'vevoltunk always collectedösszegyűjtött informationinformáció on,
98
282606
3280
amiről mindig is gyűjtöttük az infót.
04:57
but anotheregy másik reasonok why is we're takingbevétel things
99
285886
2656
A másik oka, mert gyűjtjük
azokat a dolgokat,
05:00
that have always been informationaltájékoztató
100
288542
2812
melyek mindig is
tájékoztató jellegűek voltak,
05:03
but have never been renderednyújtott into a dataadat formatformátum
101
291354
2486
de eddig soha nem szervezték
adatformába őket,
05:05
and we are puttingelhelyezés it into dataadat.
102
293840
2419
de mi most adatokká rendezzük őket.
05:08
Think, for examplepélda, the questionkérdés of locationelhelyezkedés.
103
296259
3308
Gondoljunk pl. a hely kérdésére.
05:11
Take, for examplepélda, MartinMartin LutherLuther.
104
299567
2249
Vegyük pl. Luther Mártont.
Ha meg szerettük volna tudni
a XVI. században,
05:13
If we wanted to know in the 1500s
105
301816
1597
05:15
where MartinMartin LutherLuther was,
106
303413
2667
hogy hol van Luther,
05:18
we would have to followkövesse him at all timesalkalommal,
107
306080
2092
állandóan követnünk kellett volna
05:20
maybe with a featherytollas quilltollszár csomók and an inkwellinkwell,
108
308172
2137
lúdtollal és tintatartóval a kezünkben,
05:22
and recordrekord it,
109
310309
1676
és jegyzetelnünk kellett volna.
05:23
but now think about what it looksúgy néz ki, like todayMa.
110
311985
2183
Gondoljunk bele, hogyan történik ez ma.
05:26
You know that somewherevalahol,
111
314168
2122
Tudjuk, hogy valahol, valószínűleg
05:28
probablyvalószínűleg in a telecommunicationstávközlési carrier'sfuvarozó databaseadatbázis,
112
316290
2446
a telekommunikációs szolgáltató
adatbázisában
05:30
there is a spreadsheettáblázatkezelő or at leastlegkevésbé a databaseadatbázis entrybelépés
113
318736
3036
van egy táblázat vagy adatbázis bemenet,
05:33
that recordsfeljegyzések your informationinformáció
114
321772
2088
amely rögzíti az információt arról,
05:35
of where you've been at all timesalkalommal.
115
323860
2063
mikor merre járunk.
05:37
If you have a cellsejt phonetelefon,
116
325923
1360
Ha mobiltelefonunk van,
05:39
and that cellsejt phonetelefon has GPSGPS,
but even if it doesn't have GPSGPS,
117
327283
2847
és a mobilban van GPS,
de még ha nincs is benne GPS,
05:42
it can recordrekord your informationinformáció.
118
330130
2385
rögzíteni tudja ezt az információt.
05:44
In this respecttisztelet, locationelhelyezkedés has been datafieddatafied.
119
332515
4084
Ebből a szempontból
a hely adattá változott.
05:48
Now think, for examplepélda, of the issueprobléma of posturetesttartás,
120
336599
4601
Most gondoljunk pl. a testtartásra,
05:53
the way that you are all sittingülés right now,
121
341200
1285
ahogy most ülnek,
05:54
the way that you sitül,
122
342485
2030
ahogy ön ül,
05:56
the way that you sitül, the way that you sitül.
123
344515
2771
meg ön ül, meg ahogy ön ül.
05:59
It's all differentkülönböző, and it's a functionfunkció of your legláb lengthhossz
124
347286
2077
Mindenki másként ül a lábhosszúságától
06:01
and your back and the contourskontúrok of your back,
125
349363
2093
és háta méretétől függően,
06:03
and if I were to put sensorsérzékelők,
maybe 100 sensorsérzékelők
126
351456
2531
ha mondjuk 100 érzékelőt helyeznék
06:05
into all of your chairsszékek right now,
127
353987
1766
mindnyájuk székébe,
06:07
I could createteremt an indexindex that's fairlymeglehetősen uniqueegyedi to you,
128
355753
3600
létrehozhatnék egy mutatószámot,
amely elég egyedi lenne,
06:11
sortfajta of like a fingerprintujjlenyomat, but it's not your fingerujj.
129
359353
4409
mint az ujjlenyomatuk. De ez nem az ujjuk.
06:15
So what could we do with this?
130
363762
2969
Mit kezdhetnénk vele?
06:18
ResearchersA kutatók in TokyoTokió are usinghasználva it
131
366731
2397
Tokiói kutatók kocsikban mint
06:21
as a potentiallehetséges anti-theftanti-lopás deviceeszköz in carsautók.
132
369128
4388
potenciális lopásgátlót használják.
06:25
The ideaötlet is that the carjackerCarJacker sitsül behindmögött the wheelkerék,
133
373516
2924
Az ötlet, hogy ha a rabló beül a kocsiba,
06:28
triespróbálkozás to streamfolyam off, but the carautó recognizesfelismeri
134
376440
2104
megpróbál lelépni, de a kocsi fölismeri,
06:30
that a non-approvednem jóváhagyott driversofőr is behindmögött the wheelkerék,
135
378544
2362
hogy nem a jogosult ül benne,
06:32
and maybe the enginemotor just stopsmegálló, unlesshacsak you
136
380906
2164
és lehet, hogy leáll a motor,
06:35
typetípus in a passwordjelszó into the dashboardműszerfal
137
383070
3177
ha nem írjuk be a jelszót a műszerfalba,
06:38
to say, "Hey, I have authorizationengedély to drivehajtás." Great.
138
386247
4658
mintha azt mondanánk:
"Szia, vezethetem a kocsit." Remek.
06:42
What if everyminden singleegyetlen carautó in EuropeEurópa
139
390905
2553
Mi lenne, ha minden európai kocsiba
06:45
had this technologytechnológia in it?
140
393458
1457
be lenne építve ez a technika?
06:46
What could we do then?
141
394915
3165
Mit kezdhetnénk ezzel?
06:50
Maybe, if we aggregatedösszesített the dataadat,
142
398080
2240
Lehet, ha az adatokat összegyűjtenénk,
06:52
maybe we could identifyazonosítani telltaleárulkodó signsjelek
143
400320
3814
ezzel kimutathatnánk
06:56
that bestlegjobb predictmegjósolni that a carautó accidentbaleset
144
404134
2709
az öt másodpercen belül esetleg
bekövetkező autóbaleset
06:58
is going to take placehely in the nextkövetkező fiveöt secondsmásodperc.
145
406843
5893
árulkodó előjeleit
07:04
And then what we will have datafieddatafied
146
412736
2557
Azután adattá alakíthatjuk
07:07
is driversofőr fatiguefáradtság,
147
415293
1783
a sofőr kimerültségét,
07:09
and the serviceszolgáltatás would be when the carautó sensesérzékek
148
417076
2334
így a kocsi érzékelné,
07:11
that the personszemély slumpsslumps into that positionpozíció,
149
419410
3437
amikor a sofőr belerogy az ülésbe,
07:14
automaticallyautomatikusan knowstudja, hey, setkészlet an internalbelső alarmriasztás
150
422847
3994
önműködően bekapcsolná a belső riasztót,
07:18
that would vibraterezeg the steeringkormányzó wheelkerék, honkdudál insidebelül
151
426841
2025
az meg rezegtetné a kormányt, tülkölne,
07:20
to say, "Hey, wakeébred up,
152
428866
1721
hogy: "Hé, ébresztő,
07:22
payfizetés more attentionFigyelem to the roadút."
153
430587
1904
jobban figyelj az útra."
07:24
These are the sortsfajta of things we can do
154
432491
1853
Ezek olyan dolgok, amiket megtehetünk,
07:26
when we datafydatafy more aspectsszempontok of our liveséletét.
155
434344
2821
ha adattá alakítjuk
életünk egyes tényezőit.
07:29
So what is the valueérték of bignagy dataadat?
156
437165
3675
Mitől értékes a big data?
07:32
Well, think about it.
157
440840
2190
Gondolkozzunk csak el rajta.
07:35
You have more informationinformáció.
158
443030
2412
Több információnk van.
07:37
You can do things that you couldn'tnem tudott do before.
159
445442
3341
Megtehetünk olyat is, amit korábban nem.
07:40
One of the mosta legtöbb impressivehatásos areasnak
160
448783
1676
Az egyik ilyen lenyűgöző terület,
07:42
where this conceptkoncepció is takingbevétel placehely
161
450459
1729
ahol az elmélet fölhasználható,
07:44
is in the areaterület of machinegép learningtanulás.
162
452188
3307
a gépi tanulás.
07:47
MachineGép learningtanulás is a branchág of artificialmesterséges intelligenceintelligencia,
163
455495
3077
A gépi tanulás része
a mesterséges intelligenciának,
07:50
whichmelyik itselfmaga is a branchág of computerszámítógép sciencetudomány.
164
458572
3378
mely maga is a számítástechnika egyik ága.
07:53
The generalTábornok ideaötlet is that insteadhelyette of
165
461950
1543
Az ötlet lényege: ahelyett,
07:55
instructingoktatása a computerszámítógép what do do,
166
463493
2117
hogy utasítanánk a gépet, mi a teendője,
07:57
we are going to simplyegyszerűen throwdobás dataadat at the problemprobléma
167
465610
2620
egyszerűen rázúdítjuk
a probléma adatait,
08:00
and tell the computerszámítógép to figureábra it out for itselfmaga.
168
468230
3206
és megmondjuk a gépnek,
önállóan hozzon ki belőlük valamit.
08:03
And it will help you understandmegért it
169
471436
1777
Könnyebb lesz ezt megérteniük,
08:05
by seeinglátás its originseredet.
170
473213
3552
ha visszanyúlunk az alapokhoz.
08:08
In the 1950s, a computerszámítógép scientisttudós
171
476765
2388
Az 50-es években az IBM informatikusa,
08:11
at IBMIBM namednevezett ArthurArthur SamuelSámuel likedtetszett to playjáték checkersdáma,
172
479153
3592
Arthur Samuel, szerette a dámajátékot,
08:14
so he wroteírt a computerszámítógép programprogram
173
482745
1402
ezért programot írt a gépre,
08:16
so he could playjáték againstellen the computerszámítógép.
174
484147
2813
hogy játszhasson a gép ellen.
08:18
He playedDátum. He wonnyerte.
175
486960
2711
Játszott. Nyert.
08:21
He playedDátum. He wonnyerte.
176
489671
2103
Játszott. Nyert.
08:23
He playedDátum. He wonnyerte,
177
491774
3015
Játszott. Nyert,
08:26
because the computerszámítógép only knewtudta
178
494789
1778
mert a gép csak
08:28
what a legaljogi movemozog was.
179
496567
2227
a lépések szabályait ismerte.
08:30
ArthurArthur SamuelSámuel knewtudta something elsemás.
180
498794
2087
De Samuel mást is tudott.
08:32
ArthurArthur SamuelSámuel knewtudta strategystratégia.
181
500881
4629
Arthur Samuel ismerte a stratégiát.
08:37
So he wroteírt a smallkicsi sub-programalprogram alongsidemellett it
182
505510
2396
Hozzáírt egy kis alprogramot,
08:39
operatingüzemeltetési in the backgroundháttér, and all it did
183
507906
1974
amely a háttérben működött,
08:41
was scorepontszám the probabilityvalószínűség
184
509880
1817
és minden lépésnél kiszámolta,
08:43
that a givenadott boardtábla configurationkonfiguráció would likelyvalószínűleg leadvezet
185
511697
2563
hogy egy adott állás
08:46
to a winningnyerő boardtábla versusellen a losingvesztes boardtábla
186
514260
2910
mekkora a valószínűséggel eredményez
08:49
after everyminden movemozog.
187
517170
2508
nyerő vagy vesztő állást.
08:51
He playsjátszik the computerszámítógép. He winsgyőzelem.
188
519678
3150
Játszott a géppel. Nyert.
08:54
He playsjátszik the computerszámítógép. He winsgyőzelem.
189
522828
2508
Játszott a géppel. Nyert.
08:57
He playsjátszik the computerszámítógép. He winsgyőzelem.
190
525336
3731
Játszott a géppel. Nyert.
09:01
And then ArthurArthur SamuelSámuel leaveslevelek the computerszámítógép
191
529067
2277
Azután Arthur Samuel hagyta,
09:03
to playjáték itselfmaga.
192
531344
2227
hogy a gép magával játsszon.
09:05
It playsjátszik itselfmaga. It collectsösszegyűjti more dataadat.
193
533571
3509
Magával játszik. Több adatot gyűjt.
09:09
It collectsösszegyűjti more dataadat. It increasesnövekszik
the accuracypontosság of its predictionjóslás.
194
537080
4309
Több adatot gyűjt.
Javítja az előrejelzései pontosságát.
09:13
And then ArthurArthur SamuelSámuel goesmegy back to the computerszámítógép
195
541389
2104
Azután Samuel újra leül a géppel játszani;
09:15
and he playsjátszik it, and he losesveszít,
196
543493
2318
játszik — és veszít,
09:17
and he playsjátszik it, and he losesveszít,
197
545811
2069
újból játszik és veszít,
09:19
and he playsjátszik it, and he losesveszít,
198
547880
2047
játszik és veszít,
09:21
and ArthurArthur SamuelSámuel has createdkészítette a machinegép
199
549927
2599
s Samuel megteremtette a gépet,
09:24
that surpassesfelülmúlja his abilityképesség in a taskfeladat that he taughttanított it.
200
552526
6288
mely abban, amire tanította,
felülmúlja a tanár képességeit.
09:30
And this ideaötlet of machinegép learningtanulás
201
558814
2498
A gépi tanulás elve ma már
09:33
is going everywheremindenhol.
202
561312
3927
mindenhol teret nyert.
09:37
How do you think we have self-drivingönálló vezetés carsautók?
203
565239
3149
Mit gondolnak, miért vannak már
önvezető autók?
09:40
Are we any better off as a societytársadalom
204
568388
2137
A társadalom jobb helyzetben van,
09:42
enshriningvédelme all the rulesszabályok of the roadút into softwareszoftver?
205
570525
3285
ha a KRESZT-t szoftverbe foglaljuk?
09:45
No. MemoryMemória is cheaperolcsóbb. No.
206
573810
2598
Nem. A memória olcsóbb? Nem.
09:48
AlgorithmsAlgoritmusok are fastergyorsabb. No. ProcessorsProcesszorok are better. No.
207
576408
3994
Az algoritmus gyorsabb? Nem.
A processzorok jobbak? Nem.
09:52
All of those things matterügy, but that's not why.
208
580402
2772
Persze, ezek számítanak, de nem ez az oka.
09:55
It's because we changedmegváltozott the naturetermészet of the problemprobléma.
209
583174
3141
Hanem, mert megváltoztattuk
a probléma természetét.
09:58
We changedmegváltozott the naturetermészet of the problemprobléma from one
210
586315
1530
Megváltoztattuk, mert ahelyett,
09:59
in whichmelyik we triedmegpróbálta to overtlynyíltan and explicitlykifejezetten
211
587845
2245
hogy részletekbe menően
10:02
explainmegmagyarázni to the computerszámítógép how to drivehajtás
212
590090
2581
elmagyaráznánk a gépnek, miként vezessen,
10:04
to one in whichmelyik we say,
213
592671
1316
csak annyit mondunk neki:
10:05
"Here'sItt van a lot of dataadat around the vehiclejármű.
214
593987
1876
"Itt egy sereg adat a jármű körül.
10:07
You figureábra it out.
215
595863
1533
Hozz ki belőle valamit!
Vedd észre, hogy ez egy közlekedési lámpa,
10:09
You figureábra it out that that is a trafficforgalom lightfény,
216
597396
1867
10:11
that that trafficforgalom lightfény is redpiros and not greenzöld,
217
599263
2081
tilosat mutat, nem zöldet,
10:13
that that meanseszközök that you need to stop
218
601344
2014
azt jelenti, hogy meg kell állnod,
10:15
and not go forwardelőre."
219
603358
3083
most nem mehetsz."
10:18
MachineGép learningtanulás is at the basisbázis
220
606441
1518
A gépi tanulás
sok mindennek alapja, amit online végzünk:
10:19
of manysok of the things that we do onlineonline:
221
607959
1991
10:21
searchKeresés enginesmotorok,
222
609950
1857
keresőmotorok,
10:23
Amazon'sAmazon personalizationszemélyre szabás algorithmalgoritmus,
223
611807
3801
az Amazon személyre szabott algoritmusa,
10:27
computerszámítógép translationfordítás,
224
615608
2212
számítógépes fordítók,
10:29
voicehang recognitionelismerés systemsrendszerek.
225
617820
4290
hangfelismerő rendszerek.
10:34
ResearchersA kutatók recentlymostanában have lookednézett at
226
622110
2835
A kutatók az utóbbi időben
10:36
the questionkérdés of biopsiesbiopszia,
227
624945
3195
a biopsziával,
10:40
cancerousrákos biopsiesbiopszia,
228
628140
2767
a rákos sejtek biopsziájával foglalkoznak,
10:42
and they'veők már askedkérdezte the computerszámítógép to identifyazonosítani
229
630907
2315
és azt kérték, hogy a gép az adatokat
10:45
by looking at the dataadat and survivaltúlélés ratesárak
230
633222
2471
és a túlélési arányt összevetve
10:47
to determinemeghatározására whetherakár cellssejteket are actuallytulajdonképpen
231
635693
4667
döntse el a sejtekről,
10:52
cancerousrákos or not,
232
640360
2544
hogy rákosak-e vagy sem.
10:54
and sure enoughelég, when you throwdobás the dataadat at it,
233
642904
1778
Elegendő adat esetén a gép
10:56
throughkeresztül a machine-learninggép-tanulás algorithmalgoritmus,
234
644682
2047
gépi tanulási algoritmussal
10:58
the machinegép was ableképes to identifyazonosítani
235
646729
1877
meg tudta határozni a 12 jellemzőt,
11:00
the 12 telltaleárulkodó signsjelek that bestlegjobb predictmegjósolni
236
648606
2262
amely a legbiztosabban jelzi,
11:02
that this biopsybiopszia of the breastmell cancerrák cellssejteket
237
650868
3299
hogy a biopsziából nyert emlőráksejtek
11:06
are indeedvalóban cancerousrákos.
238
654167
3218
tényleg rákosak-e.
11:09
The problemprobléma: The medicalorvosi literatureirodalom
239
657385
2498
A bökkenő: az orvosi szakirodalom
11:11
only knewtudta ninekilenc of them.
240
659883
2789
közülük csak kilencet ismert.
11:14
ThreeHárom of the traitsvonások were onesazok
241
662672
1800
Három jellemzőt
11:16
that people didn't need to look for,
242
664472
2975
a szakértők nem tartottak lényegesnek,
11:19
but that the machinegép spottedfoltos.
243
667447
5531
ezt a hármat a gép ismerte föl.
11:24
Now, there are darksötét sidesfél to bignagy dataadat as well.
244
672978
5925
A big datának vannak sötét oldalai is.
11:30
It will improvejavul our liveséletét, but there are problemsproblémák
245
678903
2074
Jobbá teszi életünket,
11:32
that we need to be conscioustudatos of,
246
680977
2640
de figyelnünk kell néhány dologra.
11:35
and the first one is the ideaötlet
247
683617
2623
Az első:
11:38
that we maylehet be punishedbüntetni for predictionselőrejelzések,
248
686240
2686
pórul is járhatumk az előrejelzéssel,
11:40
that the policerendőrség maylehet use bignagy dataadat for theirazok purposescélokra,
249
688926
3870
hogy a rendőrség saját céljaira
használhatja a big datát,
11:44
a little bitbit like "MinorityKisebbségi ReportJelentés."
250
692796
2351
mint a Különvélemény c. filmben.
11:47
Now, it's a termkifejezés calledhívott predictivea prediktív policingrendőri,
251
695147
2441
Létezik a prediktív rendfenntartás
11:49
or algorithmicalgoritmikus criminologykriminológia,
252
697588
2363
avagy az algoritmus-kriminológia
szakkifejezés.
11:51
and the ideaötlet is that if we take a lot of dataadat,
253
699951
2036
Eszerint, ha elég sok adatunk van,
11:53
for examplepélda where pastmúlt crimesbűncselekmények have been,
254
701987
2159
pl. hol történtek bűnesetek,
11:56
we know where to sendelküld the patrolsőrjáratok.
255
704146
2543
ebből tudni fogjuk,
hova küldjünk járőröket.
11:58
That makesgyártmányú senseérzék, but the problemprobléma, of coursetanfolyam,
256
706689
2115
Ebben van logika, de a bökkenő,
12:00
is that it's not simplyegyszerűen going to stop on locationelhelyezkedés dataadat,
257
708804
4544
hogy a dolog nem korlátozódik
a hely-adatokra,
12:05
it's going to go down to the levelszint of the individualEgyedi.
258
713348
2959
hanem elér az egyénig.
12:08
Why don't we use dataadat about the person'sszemély
259
716307
2250
Miért ne használnánk föl
12:10
highmagas schooliskola transcriptátirat?
260
718557
2228
az érettségi bizonyítvány adatait?
12:12
Maybe we should use the facttény that
261
720785
1561
Vagy használhatnánk,
hogy az illető munkanélküli-e,
hitelképes-e,
12:14
they're unemployedmunkanélküli or not, theirazok credithitel scorepontszám,
262
722346
2028
12:16
theirazok web-surfingpókháló-szörfözés behaviorviselkedés,
263
724374
1552
hol szörföl a világhálón,
12:17
whetherakár they're up latekéső at night.
264
725926
1878
fönn van-e éjszakánként?
12:19
TheirA FitbitFitbit, when it's ableképes
to identifyazonosítani biochemistriesbiochemistries,
265
727804
3161
Ha a Fitbit okosóra képes mérni
a biokémiai adatokat,
12:22
will showelőadás that they have aggressiveagresszív thoughtsgondolatok.
266
730965
4236
kimutathatja az agresszív gondolatokat.
Lehetnek olyan algoritmusok,
melyek jelezhetik,
12:27
We maylehet have algorithmsalgoritmusok that are likelyvalószínűleg to predictmegjósolni
267
735201
2221
12:29
what we are about to do,
268
737422
1633
mit szándékozunk tenni,
12:31
and we maylehet be heldtartotta accountablefelelős
269
739055
1244
és felelősségre vonhatnak minket,
12:32
before we'vevoltunk actuallytulajdonképpen actedjárt el.
270
740299
2590
mielőtt még a kisujjunkat mozdítanánk.
12:34
PrivacyAdatvédelem was the centralközponti challengekihívás
271
742889
1732
A magánélet központi kérdés volt
12:36
in a smallkicsi dataadat erakorszak.
272
744621
2880
a small data időszakában.
12:39
In the bignagy dataadat agekor,
273
747501
2149
A big data időszakában a kérdés
12:41
the challengekihívás will be safeguardingvédelme freeingyenes will,
274
749650
4523
a szabad akarat, az erkölcsös választás,
12:46
moralerkölcsi choiceválasztás, humanemberi volitionakarattal,
275
754173
3779
az emberi akarat
12:49
humanemberi agencyügynökség.
276
757952
3068
és az emberi cselekvő erő oltalma.
12:54
There is anotheregy másik problemprobléma:
277
762540
2225
Van még egy másik gond is:
12:56
BigNagy dataadat is going to steallop our jobsmunkahelyek.
278
764765
3556
a big data megfoszt az állásunktól.
13:00
BigNagy dataadat and algorithmsalgoritmusok are going to challengekihívás
279
768321
3512
A big data és az algoritmusok
veszélyeztetik
13:03
whitefehér collargallér, professionalszakmai knowledgetudás work
280
771833
3061
a fehérgalléros értelmiségiek munkáját
13:06
in the 21stutca centuryszázad
281
774894
1653
a XXI. században.
13:08
in the sameazonos way that factorygyár automationautomatizálás
282
776547
2434
Ugyanúgy, mint a gyárak automatizálása
13:10
and the assemblygyülekezés linevonal
283
778981
2189
és a futószalag
13:13
challengedmegtámadta bluekék collargallér labormunkaerő in the 20thth centuryszázad.
284
781170
3026
fenyegette a kékgallérosokat
a XX. században.
13:16
Think about a lablabor techniciantechnikus
285
784196
2092
Gondoljunk a laboránsra,
aki mikroszkópon keresztül figyeli
13:18
who is looking throughkeresztül a microscopeMikroszkóp
286
786288
1409
13:19
at a cancerrák biopsybiopszia
287
787697
1624
a biopsziás sejteket,
13:21
and determiningmeghatározó whetherakár it's cancerousrákos or not.
288
789321
2637
és próbálja eldönteni, rákosak-e.
13:23
The personszemély wentment to universityegyetemi.
289
791958
1972
A laboráns egyetemet végzett,
13:25
The personszemély buysvásárol propertyingatlan.
290
793930
1430
ingatlant vett,
13:27
He or she votesszavazat.
291
795360
1741
szavaz,
13:29
He or she is a stakeholderérdekelt felek in societytársadalom.
292
797101
3666
a társadalom tagja.
Azután kiderül, hogy az illető állása,
13:32
And that person'sszemély jobmunka,
293
800767
1394
13:34
as well as an entireteljes fleetflotta
294
802161
1609
csakúgy mint sok-sok értelmiségé,
13:35
of professionalsszakemberek like that personszemély,
295
803770
1969
a hozzá hasonlóké
13:37
is going to find that theirazok jobsmunkahelyek are radicallyradikálisan changedmegváltozott
296
805739
3150
gyökeresen megváltozott,
13:40
or actuallytulajdonképpen completelyteljesen eliminatedEltüntetett.
297
808889
2357
vagy teljesen fölöslegessé vált.
13:43
Now, we like to think
298
811246
1284
Szeretjük azt hinni,,
13:44
that technologytechnológia createsteremt jobsmunkahelyek over a periodidőszak of time
299
812530
3187
hogy hosszabb távon
a technika állásokat teremt
13:47
after a shortrövid, temporaryideiglenes periodidőszak of dislocationdiszlokáció,
300
815717
3465
egy rövid kaotikus időszak után,
13:51
and that is trueigaz for the framekeret of referencereferencia
301
819182
1941
s ez jelen életünkre igaz,
13:53
with whichmelyik we all liveélő, the IndustrialIpari RevolutionForradalom,
302
821123
2142
az ipari forradalom idején
13:55
because that's preciselypontosan what happenedtörtént.
303
823265
2328
pont ez történt.
13:57
But we forgetelfelejt something in that analysiselemzés:
304
825593
2333
De az elemzésből valamit kihagytunk:
13:59
There are some categorieskategóriák of jobsmunkahelyek
305
827926
1830
vannak olyan munkakörök,
14:01
that simplyegyszerűen get eliminatedEltüntetett and never come back.
306
829756
3420
amelyek eltűnnek,
és soha nem térnek vissza.
14:05
The IndustrialIpari RevolutionForradalom wasn'tnem volt very good
307
833176
2004
Ha lovak lettünk volna, nem örültünk volna
14:07
if you were a horse.
308
835180
4002
az ipari forradalomnak.
14:11
So we're going to need to be carefulóvatos
309
839182
2055
Szóval óvatosnak kell lennünk,
14:13
and take bignagy dataadat and adjustbeállítani it for our needsigények,
310
841237
3514
és a big datát a szükségleteinkhez,
14:16
our very humanemberi needsigények.
311
844751
3185
az emberi szükségletekhez
kell igazítanunk.
14:19
We have to be the masterfő- of this technologytechnológia,
312
847936
1954
Gazdái legyünk a technológiának,
14:21
not its servantszolgáló.
313
849890
1656
ne szolgái.
14:23
We are just at the outsetkezdettől fogva of the bignagy dataadat erakorszak,
314
851546
2958
Jelenleg a big data korszaknak
a kezdetén vagyunk,
14:26
and honestlyőszintén, we are not very good
315
854504
3150
és bevallhatjuk,
hogy még nem vagyunk elég jók
14:29
at handlingkezelése all the dataadat that we can now collectgyűjt.
316
857654
4207
a begyűjthető adatok kezelésében.
Ez nem csak a Nemzetbiztonsági
Hivatal gondja.
14:33
It's not just a problemprobléma for
the NationalNemzeti SecurityBiztonsági AgencyÜgynökség.
317
861861
3330
14:37
BusinessesVállalkozások collectgyűjt lots of
dataadat, and they misusevisszaélés it too,
318
865191
3038
A vállalatok rengeteg adatot
gyűjtenek, vissza is élnek velük.
14:40
and we need to get better at
this, and this will take time.
319
868229
3667
Ezen van mit javítani,
ami nem megy máról holnapra.
14:43
It's a little bitbit like the challengekihívás that was facedszembe
320
871896
1822
Egy kicsit olyan ez,
14:45
by primitiveprimitív man and fireTűz.
321
873718
2407
mint az ősember és a tűz esete.
14:48
This is a tooleszköz, but this is a tooleszköz that,
322
876125
1885
Ez egy eszköz, de olyan eszköz,
14:50
unlesshacsak we're carefulóvatos, will burnéget us.
323
878010
3559
amellyel ha gondatlanul bánunk,
megéget bennünket.
14:56
BigNagy dataadat is going to transformátalakít how we liveélő,
324
884008
3120
A big data átformálja az életünket,
14:59
how we work and how we think.
325
887128
2801
munkánkat és gondolkodásunkat.
15:01
It is going to help us managekezel our careerskarrier
326
889929
1889
Segít életpályánk alakításában,
15:03
and leadvezet liveséletét of satisfactionmegelégedettség and hoperemény
327
891818
3634
és hogy örömteli, reményteljes,
15:07
and happinessboldogság and healthEgészség,
328
895452
2992
boldog és egészséges életet élhessünk.
15:10
but in the pastmúlt, we'vevoltunk oftengyakran
lookednézett at informationinformáció technologytechnológia
329
898444
3306
A múltban gyakran úgy tekintettünk
az információ-technológiára,
15:13
and our eyesszemek have only seenlátott the T,
330
901750
2208
hogy csak a T-t vettük észre,
15:15
the technologytechnológia, the hardwarehardver,
331
903958
1686
a technológiát, a hardvert,
15:17
because that's what was physicalfizikai.
332
905644
2262
mert az fizikailag megragadható.
15:19
We now need to recastátdolgozás our gazetekintete at the I,
333
907906
2924
Most pillantásunkat
az I-re is rá kell vetnünk,
15:22
the informationinformáció,
334
910830
1380
az információra,
15:24
whichmelyik is lessKevésbé apparentlátszólagos,
335
912210
1373
ami kevésbé kézzelfogható,
15:25
but in some waysmódokon a lot more importantfontos.
336
913583
4109
de bizonyos szempontból fontosabb.
15:29
HumanityEmberiség can finallyvégül learntanul from the informationinformáció
337
917692
3465
Az emberiség a begyűjtött információból
15:33
that it can collectgyűjt,
338
921157
2418
végül tudást meríthet,
15:35
as partrész of our timelessidőtlen questQuest
339
923575
2115
ami választ adhat az örök kérdésre:
15:37
to understandmegért the worldvilág and our placehely in it,
340
925690
3159
mi is a világ, és mi a helyünk benne,
15:40
and that's why bignagy dataadat is a bignagy dealüzlet.
341
928849
5631
és ezért a big data azt is jelenti:
nagy a tét.
15:46
(ApplauseTaps)
342
934480
3568
(Taps)
Translated by Peter Pallós
Reviewed by Maria Ruzsane Cseresnyes

▲Back to top

ABOUT THE SPEAKER
Kenneth Cukier - Data Editor of The Economist
Kenneth Cukier is the Data Editor of The Economist. From 2007 to 2012 he was the Tokyo correspondent, and before that, the paper’s technology correspondent in London, where his work focused on innovation, intellectual property and Internet governance. Kenneth is also the co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think with Viktor Mayer-Schönberger in 2013, which was a New York Times Bestseller and translated into 16 languages.

Why you should listen

As Data Editor of The Economist and co-author of Big Data: A Revolution That Will Transform How We Live, Work, and Think, Kenneth Cukier has spent years immersed in big data, machine learning -- and the impact of both. What's the future of big data-driven technology and design? To find out, watch this talk.

More profile about the speaker
Kenneth Cukier | Speaker | TED.com