TED2017
Cathy O'Neil: The era of blind faith in big data must end
ক্যাথি ও নিল: 'বিগ ডাটা' এ অন্ধ বিশ্বাস শেষ করার যুগ এসে গেছে
Filmed:
Readability: 4.4
1,391,460 views
অ্যালগরিদম সিদ্ধান্ত নেয় কে ঋণ নিতে পারবে, কে একটি চাকরী ইন্টারভিউ পাবে, যারা বীমা পাবে এবং আরো অনেক কিছু - কিন্তু তাদের এই সিদ্ধান্ত তা ন্যায্য নয় | গণিতবিদ এবং তথ্য বিজ্ঞানী ক্যাথি ও নিল সেই সকল আলগোরিদিমগুলি যা গোপন, গুরুত্বপূর্ণ ও ক্ষতিকর তাদের জন্য একটি শব্দ উদ্ভাবন করেছেন : "গণিতের ধ্বংসযজ্ঞের অস্ত্র।" সূত্রের পিছনে গোপন বিষয়সূচিগুলির সম্পর্কে আরও জানুন।
Cathy O'Neil - Mathematician, data scientist
Data skeptic Cathy O’Neil uncovers the dark secrets of big data, showing how our "objective" algorithms could in fact reinforce human bias. Full bio
Data skeptic Cathy O’Neil uncovers the dark secrets of big data, showing how our "objective" algorithms could in fact reinforce human bias. Full bio
Double-click the English transcript below to play the video.
00:12
Algorithms are everywhere.
0
975
1596
অ্যালগরিদম সব জায়গায় উপস্থিত|
00:16
They sort and separate
the winners from the losers.
the winners from the losers.
1
4111
3125
তারা পরাজিতদের বিজয়ীদের থেকে আলাদা করে|
00:20
The winners get the job
2
8019
2264
বিজয়ীরা একটি ভালো চাকরি
00:22
or a good credit card offer.
3
10307
1743
বা ক্রেডিট কার্ড অফার পায়|
00:24
The losers don't even get an interview
4
12074
2651
ক্ষতিগ্রস্তরা একটা সাক্ষাৎকারও পায়না বা
00:27
or they pay more for insurance.
5
15590
1777
তাদের বীমার জন্য বেশি টাকা দিতে হয়|
00:30
We're being scored with secret formulas
that we don't understand
that we don't understand
6
18197
3549
আমাদের গোপন সূত্র দিয়ে মাপা হচ্ছে
যা আমরা বুঝতে পারিনা
যা আমরা বুঝতে পারিনা
00:34
that often don't have systems of appeal.
7
22675
3217
এবং যার বিরুদ্ধে আবেদন করার ব্যবস্থা নেই |
00:39
That begs the question:
8
27240
1296
তাই এই প্রশ্নটা ওঠে:
00:40
What if the algorithms are wrong?
9
28560
2913
যদি অ্যালগরিদম গুলো ভুল হয়ে তাহলে কি হবে?
00:45
To build an algorithm you need two things:
10
33100
2040
অ্যালগরিদম নির্মাণের জন্য দুটি জিনিসের
00:47
you need data, what happened in the past,
11
35164
1981
প্রয়োজন: আপনার দরকার তথ্য,অতীতে কি ঘটেছে,
00:49
and a definition of success,
12
37169
1561
এবং সাফল্যের একটি সংজ্ঞা,
00:50
the thing you're looking for
and often hoping for.
and often hoping for.
13
38754
2457
আপনি কি খুঁজছেন এবং কিসের জন্য প্রত্যাশী |
00:53
You train an algorithm
by looking, figuring out.
by looking, figuring out.
14
41235
5037
আপনি দেখে এবং বিবেচনা করে একটি
অ্যালগরিদম কে শেখান |
অ্যালগরিদম কে শেখান |
00:58
The algorithm figures out
what is associated with success.
what is associated with success.
15
46296
3419
অ্যালগরিদমটি সাফল্যের সাথে কি
যুক্ত তা প্রকাশ করে।
যুক্ত তা প্রকাশ করে।
01:01
What situation leads to success?
16
49739
2463
কোন পরিস্থিতি সফলতার দিকে
এগিয়ে নিয়ে যায়?
এগিয়ে নিয়ে যায়?
01:04
Actually, everyone uses algorithms.
17
52881
1762
বাস্তবে সবাই অ্যালগরিদম ব্যবহার করে।
01:06
They just don't formalize them
in written code.
in written code.
18
54667
2718
তারা লিখিত কোডে তা প্রকাশ করেনা |
01:09
Let me give you an example.
19
57409
1348
একটি উদাহরণ নিন |
01:10
I use an algorithm every day
to make a meal for my family.
to make a meal for my family.
20
58781
3316
আমি প্রতিদিন এক অ্যালগরিদম ব্যবহার
করে আমার পরিবারের জন্য খাবার বানাই|
করে আমার পরিবারের জন্য খাবার বানাই|
01:14
The data I use
21
62121
1476
আমার জন্য তথ্য হল
01:16
is the ingredients in my kitchen,
22
64394
1659
রান্নাঘরের সকল উপাদানগুলি,
01:18
the time I have,
23
66077
1527
আমার সময়,
01:19
the ambition I have,
24
67628
1233
আমার উচ্চাকাঙ্খা,
01:20
and I curate that data.
25
68885
1709
এবং আমি সেই তথ্যগুলি সংগঠিত করি |
01:22
I don't count those little packages
of ramen noodles as food.
of ramen noodles as food.
26
70618
4251
আমি খাবার হিসাবে রামেন নুডলস এর
প্যাকেজগুলো গণনা করিনা |
প্যাকেজগুলো গণনা করিনা |
01:26
(Laughter)
27
74893
1869
(হাসি )
01:28
My definition of success is:
28
76786
1845
আমার কাছে সাফল্যের বর্ণনা হল:
01:30
a meal is successful
if my kids eat vegetables.
if my kids eat vegetables.
29
78655
2659
আমার বাচ্চারা সবজি খেলে একটি আহার সফল হয় |
01:34
It's very different
from if my youngest son were in charge.
from if my youngest son were in charge.
30
82181
2854
এটা আলাদা হত যদি আমার ছোট ছেলে
এই কাজের কর্মকর্তা হত |
এই কাজের কর্মকর্তা হত |
01:37
He'd say success is if
he gets to eat lots of Nutella.
he gets to eat lots of Nutella.
31
85059
2788
সে বলত আহার সফল তখনি হবে যখন
সে অনেক নিউটেলা খেতে পারবে |
সে অনেক নিউটেলা খেতে পারবে |
01:41
But I get to choose success.
32
89179
2226
কিন্তু এ ক্ষেত্রে আমি সফলতার বর্ণনা ঠিক করে দিচ্ছি|
01:43
I am in charge. My opinion matters.
33
91429
2707
আমি কর্মকর্তা | আমার মতামত গুরুত্বপূর্ণ |
01:46
That's the first rule of algorithms.
34
94160
2675
এটা অ্যালগরিদমের প্রথম নিয়ম।
01:48
Algorithms are opinions embedded in code.
35
96859
3180
অ্যালগরিদম কিছু মতামত যা কোডের
মধ্যে উদ্ভিত করা থাকে|
মধ্যে উদ্ভিত করা থাকে|
01:53
It's really different from what you think
most people think of algorithms.
most people think of algorithms.
36
101562
3663
এটি অধিকাংশ মানুষ যা ভাবে এর
সম্পর্কে তার চেয়ে ভিন্ন|
সম্পর্কে তার চেয়ে ভিন্ন|
01:57
They think algorithms are objective
and true and scientific.
and true and scientific.
37
105249
4504
তারা মনে করেন অ্যালগরিদমগুলি উদ্ধেষপূর্ণ
এবং সত্য এবং বৈজ্ঞানিক।
এবং সত্য এবং বৈজ্ঞানিক।
02:02
That's a marketing trick.
38
110387
1699
এটি একটি বিজ্ঞাপনের কৌশল|
02:05
It's also a marketing trick
39
113269
2125
একটি বিজ্ঞাপনের কৌশলের মতন
02:07
to intimidate you with algorithms,
40
115418
3154
অ্যালগরিদমের দ্বারা আপনাদের ভীতি বাড়ানো হয়,
02:10
to make you trust and fear algorithms
41
118596
3661
যাতে আপনারা অ্যালগরিদমকে বিশ্বাস করেন
এবং ভয় পান
এবং ভয় পান
02:14
because you trust and fear mathematics.
42
122281
2018
কারণ আপনারা অঙ্ককে বিশ্বাস করেন
এবং ভয় পান|
এবং ভয় পান|
02:17
A lot can go wrong when we put
blind faith in big data.
blind faith in big data.
43
125567
4830
বিগ ডাটা এ অন্ধ বিশ্বাস করলে অনেক
ভুল হতে পারে|
ভুল হতে পারে|
02:23
This is Kiri Soares.
She's a high school principal in Brooklyn.
She's a high school principal in Brooklyn.
44
131684
3373
ইনি কিরি সোয়ার্স|তিনি ব্রুক্লিনের এক
উচ্চ বিদ্যালয়ের প্রধান|
উচ্চ বিদ্যালয়ের প্রধান|
02:27
In 2011, she told me
her teachers were being scored
her teachers were being scored
45
135081
2586
২0১১ সালে, তিনি আমাকে বলেছিলেন
যে তার শিক্ষকদের
যে তার শিক্ষকদের
02:29
with a complex, secret algorithm
46
137691
2727
একটি জটিল, গোপন অ্যালগরিদম
দিয়ে অবহিত করা হচ্ছে
দিয়ে অবহিত করা হচ্ছে
02:32
called the "value-added model."
47
140442
1489
জাকে বলা হয় "মূল্য-সংযোজন মডেল।"
02:34
I told her, "Well, figure out
what the formula is, show it to me.
what the formula is, show it to me.
48
142505
3092
আমি তাকে বলেছিলাম, "আচ্ছা, সূত্রটা কী,
তা আমাকে দেখিয়ে দাও।
তা আমাকে দেখিয়ে দাও।
02:37
I'm going to explain it to you."
49
145621
1541
আমি আপনাকে এটা ব্যাখ্যা করব|"
02:39
She said, "Well, I tried
to get the formula,
to get the formula,
50
147186
2141
তিনি বলেন, "আমি সূত্রটি পেতে
চেষ্টা করেছি,
চেষ্টা করেছি,
02:41
but my Department of Education contact
told me it was math
told me it was math
51
149351
2772
কিন্তু আমাদের শিক্ষা বিভাগ আমাকে বলল এটি
02:44
and I wouldn't understand it."
52
152147
1546
গণিত এবং আমি তা বুঝতে পারবনা|"
02:47
It gets worse.
53
155266
1338
আরো খারাপ হতে পারে|
02:48
The New York Post filed
a Freedom of Information Act request,
a Freedom of Information Act request,
54
156628
3530
নিউইয়র্ক পোস্ট তথ্য অধিকারের স্বাধীনতা
02:52
got all the teachers' names
and all their scores
and all their scores
55
160182
2959
আইন অনুযায়ী আবেদন করে সমস্ত শিক্ষকের নাম
02:55
and they published them
as an act of teacher-shaming.
as an act of teacher-shaming.
56
163165
2782
এবং নম্বরের ও সেগুলি শিক্ষক-শিষ্টাচারের
রূপে প্রকাশ করে।
রূপে প্রকাশ করে।
02:59
When I tried to get the formulas,
the source code, through the same means,
the source code, through the same means,
57
167084
3860
যখন আমি সূত্রগুলো পাওয়ার চেষ্টা করি,
সোর্স কোড গুলো, একই পথে,
সোর্স কোড গুলো, একই পথে,
03:02
I was told I couldn't.
58
170968
2149
আমায় বলা হয়ে যে আমায় তা দেওয়া হবেনা|
03:05
I was denied.
59
173141
1236
আমায় বাধা দেওয়া হয়|
03:06
I later found out
60
174401
1174
আমি পরে জানতে পারলাম
03:07
that nobody in New York City
had access to that formula.
had access to that formula.
61
175599
2866
নিউ ইয়র্কে কারোই সেই কোড জানা নেই|
03:10
No one understood it.
62
178489
1305
কেউ তা বুঝতোনা |
03:13
Then someone really smart
got involved, Gary Rubenstein.
got involved, Gary Rubenstein.
63
181929
3224
তারপর একদিন এক শিক্ষিত মানুষ জড়িয়ে পড়লেন,
গ্যারি রুবিনস্টাইন|
গ্যারি রুবিনস্টাইন|
03:17
He found 665 teachers
from that New York Post data
from that New York Post data
64
185177
3621
তিনি লক্ষ্য করলেন নিউ ইয়র্ক পোস্টের
তথ্যে
তথ্যে
03:20
that actually had two scores.
65
188822
1866
৬৬৫ শিক্ষকের দুটি নম্বর ছিল|
03:22
That could happen if they were teaching
66
190712
1881
এটা তখনই সম্ভব যদি তারা সপ্তম
03:24
seventh grade math and eighth grade math.
67
192617
2439
এবং অষ্টম দুই শ্রেণীতেই অঙ্ক পড়ান|
03:27
He decided to plot them.
68
195080
1538
তিনি এগুলি চিত্র লেখন করেন।
03:28
Each dot represents a teacher.
69
196642
1993
একটি দাগ একটি শিক্ষককে বোঝায়|
03:31
(Laughter)
70
199104
2379
(হাসি )
03:33
What is that?
71
201507
1521
এটা কি?
03:35
(Laughter)
72
203052
1277
(হাসি)
03:36
That should never have been used
for individual assessment.
for individual assessment.
73
204353
3446
এরকম ব্যক্তিগতভাবে মূল্যায়ন করা সঠিক না।
03:39
It's almost a random number generator.
74
207823
1926
এটি প্রায় একটি এলোমেলো সংখ্যা উৎপাদক।
03:41
(Applause)
75
209773
2946
(তালি)
03:44
But it was.
76
212743
1162
কিন্তু তাই ছিল|
03:45
This is Sarah Wysocki.
77
213929
1176
ইনি সারা ওয়াসকি |
03:47
She got fired, along
with 205 other teachers,
with 205 other teachers,
78
215129
2175
তাকে ওয়াশিংটনে,ডিসি স্কুল জেলার ২০৫ জন
03:49
from the Washington, DC school district,
79
217328
2662
অন্যান্য শিক্ষকের সাথে বহিষ্কার করা হয়,
03:52
even though she had great
recommendations from her principal
recommendations from her principal
80
220014
2909
যদিও তার স্কুলের প্রধান ও বাচ্চাদের
পিতামাতাদের
পিতামাতাদের
03:54
and the parents of her kids.
81
222947
1428
থেকে ভালো সুপারিশ ছিল।
03:57
I know what a lot
of you guys are thinking,
of you guys are thinking,
82
225390
2032
আমি জানি আপনারা এখানে কি ভাবছেন, বিশেষত
03:59
especially the data scientists,
the AI experts here.
the AI experts here.
83
227446
2487
যারা তথ্য বৈজ্ঞানিক এবং এ.আই বিশেষজ্ঞ|
04:01
You're thinking, "Well, I would never make
an algorithm that inconsistent."
an algorithm that inconsistent."
84
229957
4226
আপনারা ভাবছেন,"আমরা কখনো এরকম অসঙ্গত
অ্যালগরিদম তৈরী করবোনা|"
অ্যালগরিদম তৈরী করবোনা|"
04:06
But algorithms can go wrong,
85
234853
1683
কিন্তু অ্যালগরিদমে ভুল হতে পারে,
04:08
even have deeply destructive effects
with good intentions.
with good intentions.
86
236560
4598
এমনকি ভাল উদ্দেশ্যর সঙ্গে গভীরভাবে
ধ্বংসাত্মক প্রভাব থাকতে পারে।
ধ্বংসাত্মক প্রভাব থাকতে পারে।
04:14
And whereas an airplane
that's designed badly
that's designed badly
87
242531
2379
ঠিক যেভাবে খারাপ ভাবে নকশা করা
04:16
crashes to the earth and everyone sees it,
88
244934
2001
একটি বিমান যেমন মাটিতে ভেঙে পড়তে পারে,
04:18
an algorithm designed badly
89
246959
1850
একটি খারাপ ভাবে পরিকল্পিত অ্যালগরিদমও
04:22
can go on for a long time,
silently wreaking havoc.
silently wreaking havoc.
90
250245
3865
দীর্ঘ সময় ধরে চলে, ক্ষয় করতে পারে|
04:27
This is Roger Ailes.
91
255748
1570
ইনি রজার আইলেস |
04:29
(Laughter)
92
257342
2000
(হাসি )
04:32
He founded Fox News in 1996.
93
260524
2388
তিনি ১৯৯৬ সালে ফক্স নিউজ প্রতিষ্ঠা করেন।
04:35
More than 20 women complained
about sexual harassment.
about sexual harassment.
94
263436
2581
২0 জনের বেশি মহিলা যৌন হয়রানি
সম্পর্কে অভিযোগ করেছে।
সম্পর্কে অভিযোগ করেছে।
04:38
They said they weren't allowed
to succeed at Fox News.
to succeed at Fox News.
95
266041
3235
তারা জানিয়েছে যে তাদের ফক্স নাউসে
সফলতা হাসিল করতে দেওয়া হয়নি|
সফলতা হাসিল করতে দেওয়া হয়নি|
04:41
He was ousted last year,
but we've seen recently
but we've seen recently
96
269300
2520
গত বছর তিনি ক্ষমতাচ্যুত হন
04:43
that the problems have persisted.
97
271844
2670
কিন্তু আমরা দেখছি সমস্যাগুলি অব্যাহত।
04:47
That begs the question:
98
275654
1400
তাই প্রশ্নটি ওঠে:
04:49
What should Fox News do
to turn over another leaf?
to turn over another leaf?
99
277078
2884
পাল্টানোর জন্য ফক্স নিউজের কি করণীয়?
04:53
Well, what if they replaced
their hiring process
their hiring process
100
281245
3041
কি হবে তারা যদি নিয়োগের
প্রক্রিয়াটি একটি মেশিন-লার্নিং
প্রক্রিয়াটি একটি মেশিন-লার্নিং
04:56
with a machine-learning algorithm?
101
284310
1654
অ্যালগরিদম দিয়ে প্রতিস্থাপন করে?
04:57
That sounds good, right?
102
285988
1595
তা শুনতে ভালো লাগে তাইনা?
04:59
Think about it.
103
287607
1300
এ বিষয় ভাবুন।
05:00
The data, what would the data be?
104
288931
2105
তথ্যটি কি হবে?
05:03
A reasonable choice would be the last
21 years of applications to Fox News.
21 years of applications to Fox News.
105
291060
4947
একটি যুক্তিসঙ্গত পছন্দ হল ফক্স নিউজের
সর্বশেষ ২১ বছরের অ্যাপ্লিকেশন।
সর্বশেষ ২১ বছরের অ্যাপ্লিকেশন।
05:08
Reasonable.
106
296031
1502
যৌক্তিক।
05:09
What about the definition of success?
107
297557
1938
এবং সাফল্যের বর্ণনাটি কি হবে?
05:11
Reasonable choice would be,
108
299921
1324
একটি যৌক্তিক উত্তর হল,
05:13
well, who is successful at Fox News?
109
301269
1778
ফক্স নিউজে কারা সফলতা লাভ করেছে?
05:15
I guess someone who, say,
stayed there for four years
stayed there for four years
110
303071
3580
ধরুন যে চার বছর কাজ করেছে এবং
05:18
and was promoted at least once.
111
306675
1654
অন্তত যার একবার পদোন্নতি হযেছে।
05:20
Sounds reasonable.
112
308816
1561
যৌক্তিক শোনাচ্ছে।
05:22
And then the algorithm would be trained.
113
310401
2354
এবং তারপর অ্যালগরিদমটিকে শেখানো হবে।
05:24
It would be trained to look for people
to learn what led to success,
to learn what led to success,
114
312779
3877
এটা কীভাবে সাফল্যের দিকে পরিচালিত হবে
তা জানতে লোকেদের সন্ধান করতে
তা জানতে লোকেদের সন্ধান করতে
05:29
what kind of applications
historically led to success
historically led to success
115
317219
4318
প্রশিক্ষণ করা হবে, ঐতিহ্যগত ভাবে
কোন অ্যাপ্লিকেশন সাফল্যলাভ
কোন অ্যাপ্লিকেশন সাফল্যলাভ
05:33
by that definition.
116
321561
1294
করেছে সেই বর্ণনার দ্বারা।
05:36
Now think about what would happen
117
324200
1775
এবার ভাবুন কি হবে
05:37
if we applied that
to a current pool of applicants.
to a current pool of applicants.
118
325999
2555
আমরা যদি এটা বর্তমানে একদল আবেদনকারীদের
05:41
It would filter out women
119
329119
1629
উপর প্রয়োগ করি। তাহলে তা
05:43
because they do not look like people
who were successful in the past.
who were successful in the past.
120
331663
3930
নারীদের বাদ দিয়ে দেবে কারণ নারীরা
এক সময় সফল ছিলনা।
এক সময় সফল ছিলনা।
05:51
Algorithms don't make things fair
121
339752
2537
অন্ধের মতন অ্যালগরিদম প্রয়োগ
05:54
if you just blithely,
blindly apply algorithms.
blindly apply algorithms.
122
342313
2694
করলে তা যৌক্তিক হয়না
05:57
They don't make things fair.
123
345031
1482
তা ন্যায্য হয়না।
05:58
They repeat our past practices,
124
346537
2128
তা আমাদের অতীতের ব্যবহারগুলো,
06:00
our patterns.
125
348689
1183
পুনরায় অনুসরণ করে।
06:01
They automate the status quo.
126
349896
1939
তারা স্থিতাবস্তায় স্বয়ংক্রিয় পদ্ধতি
06:04
That would be great
if we had a perfect world,
if we had a perfect world,
127
352718
2389
প্রয়োগ করে। যদি পৃথিবীতে সবাই নিখুঁত
হত তাহলে তা
হত তাহলে তা
06:07
but we don't.
128
355905
1312
ঠিক ছিল,কিন্তু তা নয়।
06:09
And I'll add that most companies
don't have embarrassing lawsuits,
don't have embarrassing lawsuits,
129
357241
4102
এবং বেশিরভাগ সংস্থায় লজ্জাজনক
কোন মামলা হয় না,
কোন মামলা হয় না,
06:14
but the data scientists in those companies
130
362446
2588
তবে সেখানকার তথ্য বিজ্ঞানীদের
তথ্যগুলি অনুসরণ
তথ্যগুলি অনুসরণ
06:17
are told to follow the data,
131
365058
2189
করতে বলা হয়,
06:19
to focus on accuracy.
132
367271
2143
সঠিকতায় গুরুত্ব দিতে বলা হয়।
06:22
Think about what that means.
133
370273
1381
ভাবুন তার মানে কি।
06:23
Because we all have bias,
it means they could be codifying sexism
it means they could be codifying sexism
134
371678
4027
যেহেতু আমাদের সকলের মধ্যে পক্ষপাতিত্ব
রয়েছে,এর মানে তা কোন রকমের প্রাধান্য
রয়েছে,এর মানে তা কোন রকমের প্রাধান্য
06:27
or any other kind of bigotry.
135
375729
1836
বা ধর্মানুশাসনকে শ্রেণীবদ্ধ করে।
06:31
Thought experiment,
136
379488
1421
চিন্তাশীল পরীক্ষা নিরীক্ষা,
06:32
because I like them:
137
380933
1509
কারণ আমার তা ভাল লাগে:
06:35
an entirely segregated society --
138
383574
2975
একটি সম্পূর্ণ পৃথকীকৃত সমাজ --
06:40
racially segregated, all towns,
all neighborhoods
all neighborhoods
139
388247
3328
জাতিগতভাবে পৃথকিত, সমস্ত শহর, সমস্ত এলাকা
06:43
and where we send the police
only to the minority neighborhoods
only to the minority neighborhoods
140
391599
3037
এবং যেখানে আমরা পুলিশকে সংখ্যালঘু
প্রতিবেশীদের
প্রতিবেশীদের
06:46
to look for crime.
141
394660
1193
অপরাধের খোঁজে পাঠাই।
06:48
The arrest data would be very biased.
142
396451
2219
গ্রেপ্তারের তথ্য খুব পক্ষপাতদুষ্ট হবে।
06:51
What if, on top of that,
we found the data scientists
we found the data scientists
143
399851
2575
তা ছাড়া,আমরা যদি তথ্য বৈজ্ঞানিদের
খুঁজে বার করে
খুঁজে বার করে
06:54
and paid the data scientists to predict
where the next crime would occur?
where the next crime would occur?
144
402450
4161
তাদের টাকা দিয়ে ভবিষ্যতে কোন জায়গায়
অপরাধ ঘটবে তা জানার জন্য তাহলে কি হবে?
অপরাধ ঘটবে তা জানার জন্য তাহলে কি হবে?
06:59
Minority neighborhood.
145
407275
1487
সংখ্যালঘুদের পরিবেশে।
07:01
Or to predict who the next
criminal would be?
criminal would be?
146
409285
3125
বা এটা জানতে পরের অপরাধীটি কে হবে?
07:04
A minority.
147
412888
1395
একজন সংখ্যালঘু ব্যাক্তি।
07:07
The data scientists would brag
about how great and how accurate
about how great and how accurate
148
415949
3541
তথ্য বিজ্ঞানীরা তাদের মডেলের সঠিকতার
07:11
their model would be,
149
419514
1297
সম্পর্কে প্রশংসা করবে,
07:12
and they'd be right.
150
420835
1299
এবং তারা সঠিক।
07:15
Now, reality isn't that drastic,
but we do have severe segregations
but we do have severe segregations
151
423951
4615
কিন্তু,বাস্তবতটা অতটা তীব্র নয় কিন্তু,
07:20
in many cities and towns,
152
428590
1287
অনেক শহরে পৃথকীকরণ বিরাজমান
07:21
and we have plenty of evidence
153
429901
1893
এবং আমাদের কাছে প্রমান আছে সেই
07:23
of biased policing
and justice system data.
and justice system data.
154
431818
2688
পক্ষপাতমূলক বিষয় এবং
07:27
And we actually do predict hotspots,
155
435632
2815
আমরা সে সব হটস্পটগুলির উপস্থিতি আন্দাজ করি
07:30
places where crimes will occur.
156
438471
1530
যেখানে পরের অপরাধটি ঘটবে।
07:32
And we do predict, in fact,
the individual criminality,
the individual criminality,
157
440401
3866
এবং আমরা পূর্বাভাস করি এক একটি অপরাধ,
07:36
the criminality of individuals.
158
444291
1770
ব্যক্তিদের অপরাধ।
07:38
The news organization ProPublica
recently looked into
recently looked into
159
446972
3963
সংবাদ সংস্থা প্রোপাবলিকা সম্প্রতি একটি
07:42
one of those "recidivism risk" algorithms,
160
450959
2024
"অপরাধপ্রবণতা ঝুঁকি" অ্যালগোরিদমের দিকে
07:45
as they're called,
161
453007
1163
তাকিয়ে দেখেছে, যা
07:46
being used in Florida
during sentencing by judges.
during sentencing by judges.
162
454194
3194
ফ্লোরিডায় ব্যাবহার করা হয় বিচারকদের দ্বারা
শাস্তি প্রদানের সময়।
শাস্তি প্রদানের সময়।
07:50
Bernard, on the left, the black man,
was scored a 10 out of 10.
was scored a 10 out of 10.
163
458411
3585
বার্নার্ড,বাঁদিকের কালো মানুষটিকে ১০
এ ১০ নম্বর দেওয়া হয়।
এ ১০ নম্বর দেওয়া হয়।
07:55
Dylan, on the right, 3 out of 10.
164
463179
2007
ডাইলান, ডান দিকে,পায় ১০ এ ৩।
07:57
10 out of 10, high risk.
3 out of 10, low risk.
3 out of 10, low risk.
165
465210
2501
১০ এ ১০,অর্থাৎ উচ্চ ঝুঁকি।
১০ এ ৩,অর্থাৎ নিম্ন ঝুঁকি।
১০ এ ৩,অর্থাৎ নিম্ন ঝুঁকি।
08:00
They were both brought in
for drug possession.
for drug possession.
166
468598
2385
তাদের দুজনের কাছেই নেশার পদার্থ
পাওয়া যায়। দুজনেরই
পাওয়া যায়। দুজনেরই
08:03
They both had records,
167
471007
1154
অপরাধের তালিকায় নাম,
08:04
but Dylan had a felony
168
472185
2806
ডাইলান আগে এক গুরুতর অপরাধে জড়িত ছিল
08:07
but Bernard didn't.
169
475015
1176
কিন্তু বার্নার্ড তা নয়।
08:09
This matters, because
the higher score you are,
the higher score you are,
170
477818
3066
এটি গুরুত্বপূর্ণ, কারণ আপনার যত
উচ্চতর নম্বর,
উচ্চতর নম্বর,
08:12
the more likely you're being given
a longer sentence.
a longer sentence.
171
480908
3473
আপনার লম্বা শাস্তি পাওয়ার
সম্ভবনাটাও অতটা বেশি।
সম্ভবনাটাও অতটা বেশি।
08:18
What's going on?
172
486294
1294
কি হচ্ছে এটা?
08:20
Data laundering.
173
488526
1332
তথ্য পাচার।
08:22
It's a process by which
technologists hide ugly truths
technologists hide ugly truths
174
490930
4427
এই প্রক্রিয়ার দ্বারা প্রযুক্তিবিজ্ঞানীরা
কালো বক্স অ্যালগোরিদমগুলির
কালো বক্স অ্যালগোরিদমগুলির
08:27
inside black box algorithms
175
495381
1821
মধ্যে কুশ্রী সত্য লুকিয়ে রাখে
08:29
and call them objective;
176
497226
1290
এবং তাদের উদ্দেশ্য বলে;
08:31
call them meritocratic.
177
499320
1568
কল্যাণকামী বলে।
08:35
When they're secret,
important and destructive,
important and destructive,
178
503118
2385
যখন তারা গুপ্ত, গুরুত্বপূর্ণ এবং
ধ্বংসাত্মক হয়,
ধ্বংসাত্মক হয়,
08:37
I've coined a term for these algorithms:
179
505527
2487
আমি এই অ্যালগোরিদমগুলির এক নামকরণ করেছি:
08:40
"weapons of math destruction."
180
508038
1999
"গণিতের দ্বারা ধ্বংসের অস্ত্র।"
08:42
(Laughter)
181
510061
1564
(হাসি )
08:43
(Applause)
182
511649
3054
(হাততালি)
08:46
They're everywhere,
and it's not a mistake.
and it's not a mistake.
183
514727
2354
তারা সব জায়গায় উপস্থিত,
এবং এটা কোন ভুল নয়।
এবং এটা কোন ভুল নয়।
08:49
These are private companies
building private algorithms
building private algorithms
184
517695
3723
এগুলি কিছু বেসরকারি সংস্থা যা তাদের
ব্যক্তিগত প্রয়োজনে কিছু ব্যক্তিগত
ব্যক্তিগত প্রয়োজনে কিছু ব্যক্তিগত
08:53
for private ends.
185
521442
1392
অ্যালগোরিদম বানাচ্ছে।
08:55
Even the ones I talked about
for teachers and the public police,
for teachers and the public police,
186
523214
3214
এমনকি যেগুলোর বিষয় আমি আলোচনা করলাম
শিক্ষক ও সরকারি পুলিশের বিষয়ে,
শিক্ষক ও সরকারি পুলিশের বিষয়ে,
08:58
those were built by private companies
187
526452
1869
সেগুলো কিছু বেসরকারি সংস্থা তৈরী করে
09:00
and sold to the government institutions.
188
528345
2231
তা সরকারি সংস্থাদের কাছে বিক্রি করেছে।
09:02
They call it their "secret sauce" --
189
530600
1873
তারা এটাকে তাদের "গোপন সস" বলে--
09:04
that's why they can't tell us about it.
190
532497
2128
তাই আমাদের সেই বিষয়ে জানতে দিতে চায়না।
09:06
It's also private power.
191
534649
2220
এটি বেসরকারি ক্ষমতা।
09:09
They are profiting for wielding
the authority of the inscrutable.
the authority of the inscrutable.
192
537924
4695
তারা অবর্ণনীয় কিছু ব্যক্তিদের হাতে ক্ষমতা
তুলে দিয়ে লাভ করছে।
তুলে দিয়ে লাভ করছে।
09:17
Now you might think,
since all this stuff is private
since all this stuff is private
193
545114
2934
আপনারা হয়তো ভাবছেন, যেহুতু
এইগুলো বেসরকারি বিষয়ে
এইগুলো বেসরকারি বিষয়ে
09:20
and there's competition,
194
548072
1158
এবং প্রতিযোগিতা রয়েছে,
09:21
maybe the free market
will solve this problem.
will solve this problem.
195
549254
2306
তাহলে হয়তো স্বাধীন বাজার এই
সমস্যার সমাধান করবে।
সমস্যার সমাধান করবে।
09:23
It won't.
196
551584
1249
তা হবেনা।
09:24
There's a lot of money
to be made in unfairness.
to be made in unfairness.
197
552857
3120
অসৎ পথে অনেক টাকা আয় হয়।
09:29
Also, we're not economic rational agents.
198
557127
3369
এছাড়া,আমরা অর্থনৈতিক যুক্তিসঙ্গত
প্রতিনিধি নই।
প্রতিনিধি নই।
09:33
We all are biased.
199
561031
1292
আমরা সকলে পক্ষপাতদুষ্ট।
09:34
We're all racist and bigoted
in ways that we wish we weren't,
in ways that we wish we weren't,
200
562960
3377
আমরা সবাই বর্ণবাদী সে সকল রূপে যা হয়তো
আমরা চাইনা,
আমরা চাইনা,
09:38
in ways that we don't even know.
201
566361
2019
বা হয়তো জানিনা,
09:41
We know this, though, in aggregate,
202
569352
3081
কিন্তু আমরা জানি, সামগ্রিকভাবে,
09:44
because sociologists
have consistently demonstrated this
have consistently demonstrated this
203
572457
3220
কারণ সমাজতাত্ত্বিকরা বারবার
তাদের পরীক্ষার
তাদের পরীক্ষার
09:47
with these experiments they build,
204
575701
1665
দ্বারা তা উল্লেখ করেছেন,
09:49
where they send a bunch
of applications to jobs out,
of applications to jobs out,
205
577390
2568
যেখানে তারা একগুচ্ছ চাকরির
আবেদনপত্র পাঠায়,
আবেদনপত্র পাঠায়,
09:51
equally qualified but some
have white-sounding names
have white-sounding names
206
579982
2501
সকলের সমান যোগ্যতা থাকে
কিন্তু তার মধ্যে কারো
কিন্তু তার মধ্যে কারো
09:54
and some have black-sounding names,
207
582507
1706
নাম ভাল শোনায় কারো শোনায় না,
09:56
and it's always disappointing,
the results -- always.
the results -- always.
208
584237
2694
এবং এটা সবসময় হতাশাজনক,
ফলাফলটা - সবসময়।
ফলাফলটা - সবসময়।
09:59
So we are the ones that are biased,
209
587510
1771
কাজেই আমরাই পক্ষপাতদুষ্ট,
10:01
and we are injecting those biases
into the algorithms
into the algorithms
210
589305
3429
এবং আমরা সেই দোষটা অ্যালগোরিদম
মধ্যে প্রদান করি
মধ্যে প্রদান করি
10:04
by choosing what data to collect,
211
592758
1812
কোন তথ্য সংগ্রহ করা হবে তা বলে দিয়ে,
10:06
like I chose not to think
about ramen noodles --
about ramen noodles --
212
594594
2743
ঠিক যেমন আমি রামেন নুডলস সম্পর্কে
ভাবতে পছন্দ করিনা--
ভাবতে পছন্দ করিনা--
10:09
I decided it was irrelevant.
213
597361
1625
আমি মনে করি এটি অপ্রাসঙ্গিক।
10:11
But by trusting the data that's actually
picking up on past practices
picking up on past practices
214
599010
5684
কিন্তু অতীতের প্রথাগুলির উপর নির্ভর থেকে
10:16
and by choosing the definition of success,
215
604718
2014
এবং সফলতার সংজ্ঞা বেছে নিয়ে,আমরা
10:18
how can we expect the algorithms
to emerge unscathed?
to emerge unscathed?
216
606756
3983
অ্যালগোরিদমগুলিকে ত্রুটিহীন মেনে নিতে
পারি কি?
পারি কি?
10:22
We can't. We have to check them.
217
610763
2356
আমরা পারিনা। আমাদের উচিত তা যাচাই করা ।
10:26
We have to check them for fairness.
218
614165
1709
আমাদের ন্যায্যতা যাচাই করতে হবে।
10:27
The good news is,
we can check them for fairness.
we can check them for fairness.
219
615898
2711
ভাল খবর হল,আমরা তাদের ন্যায্যতা
পরীক্ষা করতে পারি।
পরীক্ষা করতে পারি।
10:30
Algorithms can be interrogated,
220
618633
3352
অ্যালগরিদমগুলিকে জেরা করা যেতে পারে,
10:34
and they will tell us
the truth every time.
the truth every time.
221
622009
2034
এবং তারা প্রত্যেকবার সত্যিটাই বলবে।
10:36
And we can fix them.
We can make them better.
We can make them better.
222
624067
2493
আমরা তা ঠিক করতে পারি।আমরা
তাদের ভাল করে তুলতে পারি।
তাদের ভাল করে তুলতে পারি।
10:38
I call this an algorithmic audit,
223
626584
2375
আমি এটাকে বলি অ্যালগরিদমিক নিরীক্ষা,
10:40
and I'll walk you through it.
224
628983
1679
এবং আমি এ বিষয়টি আপনাদের বোঝাবো।
10:42
First, data integrity check.
225
630686
2196
প্রথম, তথ্য অখণ্ডতা পরীক্ষা।
10:46
For the recidivism risk
algorithm I talked about,
algorithm I talked about,
226
634132
2657
যে অপরাধপ্রবণতা ঝুঁকি অ্যালগরিদমগুলির
সম্পর্কে বললাম,
সম্পর্কে বললাম,
10:49
a data integrity check would mean
we'd have to come to terms with the fact
we'd have to come to terms with the fact
227
637582
3573
একটি তথ্য অখণ্ডতা পরীক্ষার অর্থ
হবে আমরা এটা শিকার করি যে
হবে আমরা এটা শিকার করি যে
10:53
that in the US, whites and blacks
smoke pot at the same rate
smoke pot at the same rate
228
641179
3526
মার্কিন যুক্তরাষ্ট্রে, সাদা এবং কালো
দুজনরাই একই পরিমানে নেশা করে
দুজনরাই একই পরিমানে নেশা করে
10:56
but blacks are far more likely
to be arrested --
to be arrested --
229
644729
2485
অথচ একটি কালো মানুষের গ্রেফতার হওয়ার
সম্ভবনা বেশি--
সম্ভবনা বেশি--
10:59
four or five times more likely,
depending on the area.
depending on the area.
230
647238
3184
এলাকার উপর নির্ভর করে সম্ভবত চার বা
পাঁচ গুণ বেশি।
পাঁচ গুণ বেশি।
11:03
What is that bias looking like
in other crime categories,
in other crime categories,
231
651317
2826
অন্য ধরণের অপরাধের মধ্যে এই
পক্ষপাতিত্ব কিরকম রয়েছে,
পক্ষপাতিত্ব কিরকম রয়েছে,
11:06
and how do we account for it?
232
654167
1451
এবং কীভাবে আমরা এর জন্য দায়ী?
11:08
Second, we should think about
the definition of success,
the definition of success,
233
656162
3039
দ্বিতীয়ত, আমাদের সাফল্যের সংজ্ঞা
সম্পর্কে ভাবা উচিত,
সম্পর্কে ভাবা উচিত,
11:11
audit that.
234
659225
1381
তা নিরীক্ষা করা দরকার।
11:12
Remember -- with the hiring
algorithm? We talked about it.
algorithm? We talked about it.
235
660630
2752
মনে আছে-সেই নিয়োগের অ্যালগরিদমের
কথা যা আমি আলোচনা করলাম।
কথা যা আমি আলোচনা করলাম।
11:15
Someone who stays for four years
and is promoted once?
and is promoted once?
236
663406
3165
কাউর চার বছর পর যদি একবার
পদোন্নতি হয়?
পদোন্নতি হয়?
11:18
Well, that is a successful employee,
237
666595
1769
সে এক সফল কর্মী, কিন্তু এটি একটি
11:20
but it's also an employee
that is supported by their culture.
that is supported by their culture.
238
668388
3079
এমন কর্মী যে তার সংস্কৃতির
দ্বারা সমর্থন পায়।
দ্বারা সমর্থন পায়।
11:24
That said, also it can be quite biased.
239
672089
1926
এটিও খুব পক্ষপাতদুষ্ট হতে পারে।
11:26
We need to separate those two things.
240
674039
2065
আমাদের সেই দুটি জিনিস আলাদা করা উচিত।
11:28
We should look to
the blind orchestra audition
the blind orchestra audition
241
676128
2426
আমরা উদাহরণ হিসাবে একটি অন্ধ
অর্কেস্ট্রা শ্রুতি
অর্কেস্ট্রা শ্রুতি
11:30
as an example.
242
678578
1196
কল্পনা করতে পারি।
11:31
That's where the people auditioning
are behind a sheet.
are behind a sheet.
243
679798
2756
যারা নিজেদের শিল্প পেশ করছে
তারা একটি চাদরের পিছনে।
তারা একটি চাদরের পিছনে।
11:34
What I want to think about there
244
682946
1931
আমি ভাবতে চাই
11:36
is the people who are listening
have decided what's important
have decided what's important
245
684901
3417
এক দল মানুষ যারা তা শুনছে তারা নির্ণয় নিয়ে
নিয়েছে যে তারা কি শুনতে চায়
নিয়েছে যে তারা কি শুনতে চায়
11:40
and they've decided what's not important,
246
688342
2029
এবং কোনটা প্রয়োজনী এবং কোনটা অপ্রয়োজনী,
11:42
and they're not getting
distracted by that.
distracted by that.
247
690395
2059
এবং তারা এর দ্বারা
বিভ্রান্ত হচ্ছেনা।
বিভ্রান্ত হচ্ছেনা।
11:44
When the blind orchestra
auditions started,
auditions started,
248
692961
2749
যখন এরূপ অন্ধ অর্কেস্ট্রা অডিশন শুরু হয়,
11:47
the number of women in orchestras
went up by a factor of five.
went up by a factor of five.
249
695734
3444
অর্কেস্ট্রায় মহিলাদের সংখ্যা পাঁচগুন্ বেড়ে
উঠতে দেখা যায়।
উঠতে দেখা যায়।
11:52
Next, we have to consider accuracy.
250
700253
2015
আমাদের পরবর্তী কাজ, সঠিকতা বিবেচনা করা।
11:55
This is where the value-added model
for teachers would fail immediately.
for teachers would fail immediately.
251
703233
3734
এই জায়গায় শিক্ষকদের জন্য তৈরী মূল্য-যুক্ত
মডেলটি অবিলম্বে নিষ্ফল হবে।
মডেলটি অবিলম্বে নিষ্ফল হবে।
11:59
No algorithm is perfect, of course,
252
707578
2162
কোন এলগোরিদমই সম্পূর্ণ নিখুঁত নয় অবশ্য,
12:02
so we have to consider
the errors of every algorithm.
the errors of every algorithm.
253
710620
3605
তাই আমাদের উচিত প্রতিটি আলগোরিদমের
ত্রুটি বিবেচনা করা।
ত্রুটি বিবেচনা করা।
12:06
How often are there errors,
and for whom does this model fail?
and for whom does this model fail?
254
714836
4359
এতে ভুল কতটা সাধারণ,
এবং কাদের বিষয় এই মডেল ব্যর্থ হয়?
এবং কাদের বিষয় এই মডেল ব্যর্থ হয়?
12:11
What is the cost of that failure?
255
719850
1718
এই ব্যর্থতার খরচ কি?
12:14
And finally, we have to consider
256
722434
2207
এবং অবশেষে, আমাদের অ্যালগরিদমের
12:17
the long-term effects of algorithms,
257
725973
2186
দীর্ঘমেয়াদী প্রভাব বিবেচনা করতে হবে,
12:20
the feedback loops that are engendering.
258
728866
2207
প্রতিক্রিয়ার বৃত্তমান পথগুলি প্ররোচিত করে।
12:23
That sounds abstract,
259
731586
1236
এটি বিমূর্ত শোনায় ,
12:24
but imagine if Facebook engineers
had considered that
had considered that
260
732846
2664
ভাবুন যদি ফেইসবুকের প্রকৌশলীরা এটি
ভেবে থাকতেন
ভেবে থাকতেন
12:28
before they decided to show us
only things that our friends had posted.
only things that our friends had posted.
261
736270
4855
আমাদের বন্ধুদের পোস্ট গুলো আমাদের
দেখানোর আগে।
দেখানোর আগে।
12:33
I have two more messages,
one for the data scientists out there.
one for the data scientists out there.
262
741761
3234
আমার আরও দুটি বার্তা আছে, এক
তথ্য বিজ্ঞানীদের জন্য।
তথ্য বিজ্ঞানীদের জন্য।
12:37
Data scientists: we should
not be the arbiters of truth.
not be the arbiters of truth.
263
745450
3409
তথ্য বিজ্ঞানীরা: আমাদের সত্যের
সালিশ হতে হবেনা।
সালিশ হতে হবেনা।
12:41
We should be translators
of ethical discussions that happen
of ethical discussions that happen
264
749520
3783
আমাদের এই বৃহত্তর সমাজে নৈতিক আলোচনাগুলির
12:45
in larger society.
265
753327
1294
অনুবাদক হওয়া উচিত।
12:47
(Applause)
266
755579
2133
(হাততালি)
12:49
And the rest of you,
267
757736
1556
এবং বাকিদের জন্য, যারা
12:52
the non-data scientists:
268
760011
1396
তথ্য বৈজ্ঞানিক নন:
12:53
this is not a math test.
269
761431
1498
এটি অংকের পরীক্ষা নয়।
12:55
This is a political fight.
270
763632
1348
এটি একটি রাজনৈতিক যুদ্ধ।
12:58
We need to demand accountability
for our algorithmic overlords.
for our algorithmic overlords.
271
766587
3907
আমাদের অ্যালগরিদমের জমিদারির বিরুদ্ধে
দায়বদ্ধতা দাবি করতে হবে।
দায়বদ্ধতা দাবি করতে হবে।
13:04
(Applause)
272
772118
1499
(হাততালি)
13:05
The era of blind faith
in big data must end.
in big data must end.
273
773641
4225
'বিগ ডাটা' এ অন্ধবিশ্বাসের যুগ
শেষ করতে হবে|
শেষ করতে হবে|
13:09
Thank you very much.
274
777890
1167
13:11
(Applause)
275
779081
5303
ধন্যবাদ |
(হাততালি)
ABOUT THE SPEAKER
Cathy O'Neil - Mathematician, data scientistData skeptic Cathy O’Neil uncovers the dark secrets of big data, showing how our "objective" algorithms could in fact reinforce human bias.
Why you should listen
In 2008, as a hedge-fund quant, mathematician Cathy O’Neil saw firsthand how really really bad math could lead to financial disaster. Disillusioned, O’Neil became a data scientist and eventually joined Occupy Wall Street’s Alternative Banking Group.
With her popular blog mathbabe.org, O’Neil emerged as an investigative journalist. Her acclaimed book Weapons of Math Destruction details how opaque, black-box algorithms rely on biased historical data to do everything from sentence defendants to hire workers. In 2017, O’Neil founded consulting firm ORCAA to audit algorithms for racial, gender and economic inequality.
Cathy O'Neil | Speaker | TED.com