TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Κέβιν Σλέιβιν: Πως οι αλγόριθμοι διαμορφώνουν τον κόσμο μας
Filmed:
Readability: 3.5
4,199,898 views
O Κέβιν Σλέιβιν υποστηρίζει ότι ζούμε σε ένα κόσμο σχεδιασμένο -- και ολοένα περισσότερο ελεγχόμενο από -- για αλγόριθμους. Σε αυτήν την καθηλωτική ομιλία από το TEDGlobal, επιδεικνύει πως πολύπλοκα προγράμματα υπολογιστών καθορίζουν: τεχνικές κατασκοπείας, τιμές μετοχών, σενάρια ταινιών, και την αρχιτεκτονική. Και προειδοποιεί ότι συγγράφουμε κώδικα που δεν μπορούμε να καταλάβουμε, με επιπλοκές τις οποίες δεν μπορούμε να ελέγξουμε.
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
Αυτή είναι μία φωτογραφία
00:17
by the artist Michael Najjar,
1
2000
2000
από τον καλλιτέχνη Μάικλ Νατζάρ,
00:19
and it's real,
2
4000
2000
και είναι πραγματική,
00:21
in the sense that he went there to Argentina
3
6000
2000
με την έννοια ότι πήγε εκεί στην Αργεντινή
00:23
to take the photo.
4
8000
2000
για να τραβήξει τη φωτογραφία.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Αλλά είναι επίσης φανταστική. Πολλή δουλειά έγινε πάνω της μετά από αυτό.
00:28
And what he's done
6
13000
2000
Και αυτό που έκανε
00:30
is he's actually reshaped, digitally,
7
15000
2000
είναι ότι πραγματικά ανασύνθεσε, ψηφιακά,
00:32
all of the contours of the mountains
8
17000
2000
όλα τα περιγράμματα των βουνών
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
ώστε να ακολουθούν τις διακυμάνσεις του δείκτη Ντάου Τζόουνς.
00:37
So what you see,
10
22000
2000
Άρα αυτό που βλέπετε,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
αυτός ο γκρεμός, ο ψηλός γκρεμός με την κοιλάδα,
00:41
is the 2008 financial crisis.
12
26000
2000
είναι η οικονομική κρίση του 2008.
00:43
The photo was made
13
28000
2000
Η φωτογραφία δημιουργήθηκε
00:45
when we were deep in the valley over there.
14
30000
2000
όταν ήμαστε εκεί βαθειά στην κοιλάδα.
00:47
I don't know where we are now.
15
32000
2000
Δεν ξέρω που βρισκόμαστε τώρα.
00:49
This is the Hang Seng index
16
34000
2000
Αυτός είναι ο δείκτης Χανγκ Σενγκ
00:51
for Hong Kong.
17
36000
2000
του Χονγκ Κονγκ.
00:53
And similar topography.
18
38000
2000
Και παρόμοια τοπογραφία.
00:55
I wonder why.
19
40000
2000
Αναρωτιέμαι γιατί.
00:57
And this is art. This is metaphor.
20
42000
3000
Και αυτό είναι τέχνη. Είναι μεταφορά.
01:00
But I think the point is
21
45000
2000
Αλλά νομίζω ότι το καίριο είναι
01:02
that this is metaphor with teeth,
22
47000
2000
ότι αυτή είναι μεταφορά με δόντια
01:04
and it's with those teeth that I want to propose today
23
49000
3000
Και με αυτά τα δόντια θέλω να προτείνω σήμερα
01:07
that we rethink a little bit
24
52000
2000
να ξανασκεφτούμε λίγο
01:09
about the role of contemporary math --
25
54000
3000
σχετικά με το ρόλο των σύγχρονων μαθηματικών --
01:12
not just financial math, but math in general.
26
57000
3000
όχι μόνο των οικονομικών μαθηματικών, αλλά των μαθηματικών εν γένει.
01:15
That its transition
27
60000
2000
Τη μετάβασή τους
01:17
from being something that we extract and derive from the world
28
62000
3000
από κάτι που εξάγουμε και παράγουμε από τον κόσμο
01:20
to something that actually starts to shape it --
29
65000
3000
σε κάτι που στην πραγματικότηα αρχίζει να τον διαμορφώνει --
01:23
the world around us and the world inside us.
30
68000
3000
τον κόσμο γύρω μας και τον κόσμο μέσα μας
01:26
And it's specifically algorithms,
31
71000
2000
Και είναι συγκεκριμένα οι αλγόριθμοι,
01:28
which are basically the math
32
73000
2000
οι οποίοι βασικά είναι τα μαθηματικά
01:30
that computers use to decide stuff.
33
75000
3000
που οι υπολογιστές χρησιμοποιούν για να αποφασίσουν για πράγματα.
01:33
They acquire the sensibility of truth
34
78000
2000
Αποκτούν την αίσθηση της αλήθειας,
01:35
because they repeat over and over again,
35
80000
2000
γιατί επαναλαμβάνονται ξανά και ξανά.
01:37
and they ossify and calcify,
36
82000
3000
Και απολιθώνονται και σκληραίνουν,
01:40
and they become real.
37
85000
2000
ώσπου γίνονται πραγματικοί.
01:42
And I was thinking about this, of all places,
38
87000
3000
Και το σκεφτόμουν αυτό, από όλα τα μέρη,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
σε μία υπερατλαντική πτήση μερικά χρόνια πριν,
01:48
because I happened to be seated
40
93000
2000
γιατί έτυχε να κάθομαι
01:50
next to a Hungarian physicist about my age
41
95000
2000
δίπλα σε έναν Ούγγρο φυσικό περίπου στην ηλικία μου
01:52
and we were talking
42
97000
2000
και μιλούσαμε
01:54
about what life was like during the Cold War
43
99000
2000
για το πως ήταν η ζωή στη διάρκεια του Ψυχρού Πολέμου
01:56
for physicists in Hungary.
44
101000
2000
για τους φυσικούς στην Ουγγαρία.
01:58
And I said, "So what were you doing?"
45
103000
2000
Και είπα, "Με τι ασχολούσασταν;"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Και είπε, "Λοιπόν κυρίως σπάγαμε τεχνολογίες χαμηλής παρατηρησιμότητας."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
Και απάντησα, "Αυτή είναι μια καλή δουλειά. Είναι ενδιαφέρουσα.
02:04
How does that work?"
48
109000
2000
Πώς δουλεύει αυτό;"
02:06
And to understand that,
49
111000
2000
Και για το κατανοήσεις αυτό,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
πρέπει να καταλάβεις λιγάκι πως δουλεύει η τεχνολογία χαμηλής παρατηρησιμότητας.
02:11
And so -- this is an over-simplification --
51
116000
3000
Λοιπόν -- υπεραπλουστευμένα --
02:14
but basically, it's not like
52
119000
2000
βασικά, δεν είναι ότι
02:16
you can just pass a radar signal
53
121000
2000
μπορείς να αφήσεις ένα σήμα ραντάρ
02:18
right through 156 tons of steel in the sky.
54
123000
3000
να διαπεράσει 156 τόνους ατσαλιού στον ουρανό.
02:21
It's not just going to disappear.
55
126000
3000
Απλά δεν πρόκειται να εξαφανιστεί.
02:24
But if you can take this big, massive thing,
56
129000
3000
Αλλά αν μπορείς να πάρεις αυτό το μεγάλο, τεράστιο πράγμα,
02:27
and you could turn it into
57
132000
3000
και να το μετατρέψεις
02:30
a million little things --
58
135000
2000
σε ένα εκατομύριο μικρά πράγματα --
02:32
something like a flock of birds --
59
137000
2000
κάτι σαν ένα σμήνος πουλιών --
02:34
well then the radar that's looking for that
60
139000
2000
λοιπόν τότε το ραντάρ που ψάχνει για αυτό
02:36
has to be able to see
61
141000
2000
θα πρέπει να είναι ικανό να δει
02:38
every flock of birds in the sky.
62
143000
2000
κάθε σμήνος πουλιών στον ουρανό.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
Και εάν είσαι ραντάρ, αυτή είναι μία αληθινά δύσκολη δουλειά.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
Και απάντησε, "Ναι". Είπε, "Αλλά αυτό αν είσαι ραντάρ.
02:47
So we didn't use a radar;
65
152000
2000
Έτσι δε χρησιμοποιήσαμε ραντάρ'
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
χτίσαμε ένα μαύρο κουτί που έψαχνε για ηλεκτρικά σήματα,
02:52
electronic communication.
67
157000
3000
ηλεκτρονική επικοινωνία.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
Και όποτε βλέπαμε ένα σμήνος πουλιών που είχαν ηλεκτρονική επικοινωνία,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
θεωρούσαμε ότι πιθανότατα είχε κάτι να κάνει με τους Αμερικανούς."
03:01
And I said, "Yeah.
70
166000
2000
Είπα, "Ναι.
03:03
That's good.
71
168000
2000
Μάλιστα.
03:05
So you've effectively negated
72
170000
2000
Άρα στην πραγματικότητα ανατρέψατε
03:07
60 years of aeronautic research.
73
172000
2000
60 χρόνια αεροναυτικής έρευνας.
03:09
What's your act two?
74
174000
2000
Ποιό είναι το επόμενο βήμα σου;
03:11
What do you do when you grow up?"
75
176000
2000
Με τι θα ασχοληθείς όταν μεγάλωσεις;"
03:13
And he said,
76
178000
2000
Και απάντησε,
03:15
"Well, financial services."
77
180000
2000
"Λοιπόν, με τα οικονομικά."
03:17
And I said, "Oh."
78
182000
2000
Είπα "Α."
03:19
Because those had been in the news lately.
79
184000
3000
Γιατί αυτά ήταν στην επικαιρότητα τελευταία.
03:22
And I said, "How does that work?"
80
187000
2000
Και του είπα, "Πώς πάει αυτό;"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Και απάντησε, "Λοιπόν υπάρχουν 2.000 φυσικοί στη Γουώλ Στρητ αυτή τη στιγμή,
03:26
and I'm one of them."
82
191000
2000
και είμαι ένας από αυτούς."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Ρώτησα, "Ποιο είναι το μαύρο κουτί στη Γουώλ Στρητ;"
03:31
And he said, "It's funny you ask that,
84
196000
2000
Μου απάντησε, "Είναι αστείο που το ρωτάς αυτό,
03:33
because it's actually called black box trading.
85
198000
3000
γιατί πραγματικά αποκαλούνται αγοραπωλησίες μαύρου κουτιού.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Και κάποιες φορές αλγο-εμπόριο,
03:38
algorithmic trading."
87
203000
3000
αλγοριθμικό εμπόριο."
03:41
And algorithmic trading evolved in part
88
206000
3000
Και οι αλγοριθμικές αγοραπωλησίες εξελίχθηκαν εν μέρει
03:44
because institutional traders have the same problems
89
209000
3000
διότι οι θεσμικοί επενδυτές έχουν τα ίδια προβλήματα
03:47
that the United States Air Force had,
90
212000
3000
που είχε η Πολεμική Αεροπορία των ΗΠΑ,
03:50
which is that they're moving these positions --
91
215000
3000
το οποίο είναι ότι μετακινούν αυτές τις τοποθετήσεις --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
είτε είναι οι Πρόκτορ και Γκαμπλ είτε η Αξέντουρ, ο,τιδήποτε --
03:55
they're moving a million shares of something
93
220000
2000
μετακινούν ένα εκατομύριο μετοχές από κάτι
03:57
through the market.
94
222000
2000
μέσω της αγοράς.
03:59
And if they do that all at once,
95
224000
2000
Και εάν το κάνουν όλο μονομιάς,
04:01
it's like playing poker and going all in right away.
96
226000
2000
είναι σα να παίζεις πόκερ και να πηγαίνεις ρέστα κατευθείαν.
04:03
You just tip your hand.
97
228000
2000
Απλά φανερώνεις το χέρι σου.
04:05
And so they have to find a way --
98
230000
2000
Έτσι λοιπόν πρέπει να βρουν έναν τρόπο --
04:07
and they use algorithms to do this --
99
232000
2000
και χρησιμοποιούν αλγόριθμους για να το κάνουν αυτό --
04:09
to break up that big thing
100
234000
2000
για να σπασουν αυτό το μεγάλο πράγμα
04:11
into a million little transactions.
101
236000
2000
σε ένα εκατομύριο μικρές συναλλαγές.
04:13
And the magic and the horror of that
102
238000
2000
Και η μαγεία και ο τρόμος αυτού
04:15
is that the same math
103
240000
2000
είναι ότι τα ίδια μαθηματικά
04:17
that you use to break up the big thing
104
242000
2000
που χρησιμοποιείες για να σπάσεις αυτό το μεγάλο πράγμα
04:19
into a million little things
105
244000
2000
σε ένα εκατομύριο πραγματάκια
04:21
can be used to find a million little things
106
246000
2000
μπορεί να χρησιμοποιηθεί για να βρεις αυτό το εκατομύριο πράγματα
04:23
and sew them back together
107
248000
2000
και να τα συνδέσεις ξανά μαζί
04:25
and figure out what's actually happening in the market.
108
250000
2000
και να καταλάβεις τι συμβαίνει στην πραγματικότητα στην αγορά.
04:27
So if you need to have some image
109
252000
2000
Άρα εάν πρέπει να έχεις μία εικόνα
04:29
of what's happening in the stock market right now,
110
254000
3000
του τι συμβαίνεις στην αγορά μετοχών αυτή τη στιγμή,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
αυτό που μπορείς να φανταστείς είναι μια ομάδα αλγορίθμων
04:34
that are basically programmed to hide,
112
259000
3000
που είναι βασικά προγραμματισμένοι ώστε να αποκρύπτουν,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
και μια ομάδα αλγορίθμων που είναι προγραμματισμένοι ώστε να βρίσκουν και να ενεργούν.
04:40
And all of that's great, and it's fine.
114
265000
3000
Και όλα αυτά είναι τέλεια, είναι μια χαρά.
04:43
And that's 70 percent
115
268000
2000
Και αυτό είναι το 70 τοις εκατό
04:45
of the United States stock market,
116
270000
2000
της αγοράς μετοχών των Ηνωμένων Πολιτειών,
04:47
70 percent of the operating system
117
272000
2000
70 τοις εκατό του συστήματος
04:49
formerly known as your pension,
118
274000
3000
προηγούμενως γνωστό ως η σύνταξή σου,
04:52
your mortgage.
119
277000
3000
η υποθήκη σου.
04:55
And what could go wrong?
120
280000
2000
Και τι μπορεί να πάει στραβά;
04:57
What could go wrong
121
282000
2000
Αυτό που μπορεί να πάει στραβά
04:59
is that a year ago,
122
284000
2000
είναι ότι ένα χρόνο πριν,
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
το εννιά τοις εκατό ολόκληρης της αγοράς απλά εξαφανίστηκε σε 5 λεπτά,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
και το ονόμασαν η αστραπιαία κατάρρευση των 2:45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Από το πουθενά, εννιά τοις εκατό απλά εξαφανίζεται,
05:10
and nobody to this day
126
295000
2000
και κανείς μέχρι σήμερα
05:12
can even agree on what happened
127
297000
2000
δεν μπορεί καν να συμφωνήσει στο τι συνέβη,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
γιατί κανείς δεν το διέταξε, κανείς δεν το ζήτησε.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Κανείς δεν είχε κανένα έλεγχο στο τι συνέβαινε στην πραγματικότητα.
05:20
All they had
130
305000
2000
Το μόνο που είχαν
05:22
was just a monitor in front of them
131
307000
2000
ήταν μία οθόνη μπροστά τους
05:24
that had the numbers on it
132
309000
2000
που είχε τους αριθμούς πάνω της
05:26
and just a red button
133
311000
2000
και απλά ένα κόκκινο κουμπί
05:28
that said, "Stop."
134
313000
2000
που έλεγε, "Στοπ."
05:30
And that's the thing,
135
315000
2000
Και αυτό είναι το θέμα,
05:32
is that we're writing things,
136
317000
2000
ότι γράφουμε πράγματα
05:34
we're writing these things that we can no longer read.
137
319000
3000
γράφουμε πράγματα που δεν μπορούμε πλέον να διαβάσουμε.
05:37
And we've rendered something
138
322000
2000
Και δημιουργήσαμε κάτι
05:39
illegible,
139
324000
2000
δυσανάγνωστο.
05:41
and we've lost the sense
140
326000
3000
Και χάσαμε την αίσθηση
05:44
of what's actually happening
141
329000
2000
του τι πραγματικά συμβαίνει
05:46
in this world that we've made.
142
331000
2000
σε αυτόν τον κόσμο που φτιάξαμε.
05:48
And we're starting to make our way.
143
333000
2000
Και αρχίσαμε να κινούμαστε προς τα εκεί.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Υπάρχει μία εταιρεία στη Βοστώνη που λέγεται Νάνεξ,
05:53
and they use math and magic
145
338000
2000
όπου χρησιμοποιούν μαθηματικά και μαγεία
05:55
and I don't know what,
146
340000
2000
και δεν ξέρω τι,
05:57
and they reach into all the market data
147
342000
2000
και φτάνουν σε όλα τα δεδομένα της αγοράς
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
και ανακαλύπτουν, όντως μερικές φορές, μερικούς από αυτούς τους αλγόριθμους.
06:02
And when they find them they pull them out
149
347000
3000
Και όταν τους ανακαλύπτουν τους εξάγουν
06:05
and they pin them to the wall like butterflies.
150
350000
3000
και τους καρφιτσώνουν στον τοίχο σαν πεταλούδες.
06:08
And they do what we've always done
151
353000
2000
Και κάνουν ότι πάντοτε κάναμε
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
όταν ερχόμαστε αντιμέτωποι με τεράστια ποσά δεδομένων που δεν καταλαβαίνουμε --
06:13
which is that they give them a name
153
358000
2000
τους δίνουν ένα όνομα
06:15
and a story.
154
360000
2000
και μία ιστορία.
06:17
So this is one that they found,
155
362000
2000
Έτσι αυτό είναι ένα που ανακάλυψαν,
06:19
they called the Knife,
156
364000
4000
το ονόμασαν το Μαχαίρι,
06:23
the Carnival,
157
368000
2000
το Καρναβάλι,
06:25
the Boston Shuffler,
158
370000
4000
ο Αναδευτήρας της Βοστώνης.
06:29
Twilight.
159
374000
2000
Λυκόφως.
06:31
And the gag is
160
376000
2000
Και το αστείο είναι
06:33
that, of course, these aren't just running through the market.
161
378000
3000
ότι, φυσικά, αυτά δε διατρέχουν μόνο την αγορά.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Μπορείς να βρεις αυτού του είδους τα πράγματα όπου κοιτάξεις,
06:39
once you learn how to look for them.
163
384000
2000
εφόσον μάθεις πως να κοιτάς για αυτά.
06:41
You can find it here: this book about flies
164
386000
3000
Μπορείτε να το βρείτε εδώ: αυτό το βιβλίο περί μυγών
06:44
that you may have been looking at on Amazon.
165
389000
2000
που μπορεί να κοιτούσατε στο Άμαζον.
06:46
You may have noticed it
166
391000
2000
Μπορεί να το είχατε παρατηρήσει
06:48
when its price started at 1.7 million dollars.
167
393000
2000
όταν η τιμή του έφτασε στα 1,7 εκατομύρια δολλάρια.
06:50
It's out of print -- still ...
168
395000
2000
Είναι εκτός κυκλοφορίας -- εντούτοις ...
06:52
(Laughter)
169
397000
2000
(Γέλια)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Εάν το είχατε αγοράσει στα 1,7, θα ήταν ευκαιρία.
06:57
A few hours later, it had gone up
171
402000
2000
Μερικές ώρες αργότερα, ανέβηκε
06:59
to 23.6 million dollars,
172
404000
2000
στα 23,6 εκατομύρια δολλάρια,
07:01
plus shipping and handling.
173
406000
2000
συν τα μεταφορικά και τη συσκευασία.
07:03
And the question is:
174
408000
2000
Και το ερώτημα είναι:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Κανείς δεν αγόραζε ή πωλούσε τίποτα, τι συνέβαινε;
07:07
And you see this behavior on Amazon
176
412000
2000
Και παρατηρείς αυτήν τη συμπεριφορά στo Άμαζον
07:09
as surely as you see it on Wall Street.
177
414000
2000
όπως σίγουρα την παρατηρείς και στη Γουώλ Στρητ.
07:11
And when you see this kind of behavior,
178
416000
2000
Και όταν παρατηρείς αυτό το είδος συμπεριφοράς,
07:13
what you see is the evidence
179
418000
2000
αυτό που βλέπεις είναι η ένδειξη
07:15
of algorithms in conflict,
180
420000
2000
συγκρουόμενων αλγορίθμων,
07:17
algorithms locked in loops with each other,
181
422000
2000
αλγορίθμων που έχουν εγκλωβιστεί ο ένας με τον άλλον,
07:19
without any human oversight,
182
424000
2000
χωρίς καμία ανθρώπινη επίβλεψη,
07:21
without any adult supervision
183
426000
3000
χωρίς ενήλικη εποπτεία,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
που θα έλεγε, "Στην πραγματικότητα, 1,7 εκατομύρια είναι πολλά."
07:27
(Laughter)
185
432000
3000
(Γέλια)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Και όπως με το Άμαζον, έτσι έχει και με το Νέτφλιξ.
07:33
And so Netflix has gone through
187
438000
2000
Το Netflix έχει Νετφλιξ
07:35
several different algorithms over the years.
188
440000
2000
διάφορους αλγόριθμους με τα χρόνια.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Ξεκίνησα με τον Σίνεματς, και έχουν δοκιμάσει ένα σωρό άλλους.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Υπάρχει ο Πλανήτης Δινοσαύρων, η Βαρύτητα.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Χρησιμοποιούν τον Πραγματιστικό Χάος τώρα.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Ο Πραγματιστικό Χάος, όπως όλοι οι αλγόριθμοι της Νετφλιξ,
07:46
trying to do the same thing.
193
451000
2000
προσπαθεί να κάνει το ίδιο πράγμα.
07:48
It's trying to get a grasp on you,
194
453000
2000
Προσπαθεί να σε κατανοήσει,
07:50
on the firmware inside the human skull,
195
455000
2000
στo υλικολογισμικό μέσα στο ανθρώπινο κρανίο,
07:52
so that it can recommend what movie
196
457000
2000
ώστε να μπορέσει να προτείνει ποια ταινία
07:54
you might want to watch next --
197
459000
2000
μπορεί να θες να παρακολουθήσεις στη συνέχεια --
07:56
which is a very, very difficult problem.
198
461000
3000
το οποίο είναι ένα πολύ, πολύ δύσκολο πρόβλημα.
07:59
But the difficulty of the problem
199
464000
2000
Αλλά η δυσκολία του προβλήματος
08:01
and the fact that we don't really quite have it down,
200
466000
3000
και το γεγονός ότι δεν το έχουμε ακριβώς καταφέρει,
08:04
it doesn't take away
201
469000
2000
δε μειώνει
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
τις συνέπειες που ο Πραγματιστικό Χάος έχει.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Ο Πραγματιστικό Χάος, όπως κάθε αλγόριθμος της Νέτφλιξ,
08:11
determines, in the end,
204
476000
2000
αποφασίζει, εν τέλει,
08:13
60 percent
205
478000
2000
το 60 τοις εκατό
08:15
of what movies end up being rented.
206
480000
2000
των ταινιών που καταλήγουν να ενοικιαστούν.
08:17
So one piece of code
207
482000
2000
Συνεπώς ένα κομμάτι κώδικα
08:19
with one idea about you
208
484000
3000
με μία αντίληψη για εσένα
08:22
is responsible for 60 percent of those movies.
209
487000
3000
είναι υπεύθυνο για το 60 τοις εκατό αυτών των ταινιών.
08:25
But what if you could rate those movies
210
490000
2000
Αλλά αν μπορούσες να βαθμολογήσεις αυτές τις ταινίες
08:27
before they get made?
211
492000
2000
πριν παραχθούν;
08:29
Wouldn't that be handy?
212
494000
2000
Δε θα ήταν χρήσιμο;
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Λοιπόν, μερικά επιστήμονες δεδομένων από το Ηνωμένο Βασίλειο βρίσκονται στο Χόλυγουντ
08:34
and they have "story algorithms" --
214
499000
2000
και έχουν αλγόριθμους ιστοριών --
08:36
a company called Epagogix.
215
501000
2000
μία εταιρεία που λέγεται Επαγκόγκιξ.
08:38
And you can run your script through there,
216
503000
3000
Και μπορεί να τρέξεις το σενάριό σου εκεί,
08:41
and they can tell you, quantifiably,
217
506000
2000
και εκείνοι να σου πουν, μετρήσιμα,
08:43
that that's a 30 million dollar movie
218
508000
2000
ότι αυτή είναι μία ταινία 30 εκατομυρίων δολλαρίων
08:45
or a 200 million dollar movie.
219
510000
2000
ή μία ταινία 200 εκατομυρίων δολλαρίων.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
Και το θέμα είναι ότι δεν πρόκειται για αναζήτηση στο Γκουγκλ.
08:49
This isn't information.
221
514000
2000
Αυτό δεν είναι πληροφορία.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Αυτά είναι οικονομικά στοιχεία; είναι κουλτούρα.
08:53
And what you see here,
223
518000
2000
Και αυτό που βλέπεις εδώ,
08:55
or what you don't really see normally,
224
520000
2000
ή δε βλέπεις υπό κανονικές συνθήκες,
08:57
is that these are the physics of culture.
225
522000
4000
είναι ότι αυτή είναι η φυσική της κουλτούρας.
09:01
And if these algorithms,
226
526000
2000
Και εάν αυτοί οι αλγόριθμοι,
09:03
like the algorithms on Wall Street,
227
528000
2000
όπως οι αλγόριθμοι της Γουώλ Στρητ,
09:05
just crashed one day and went awry,
228
530000
3000
απλά κρασάρουν μία ημέρα και πάνε στραβά,
09:08
how would we know?
229
533000
2000
πως θα ξέρουμε,
09:10
What would it look like?
230
535000
2000
με τι θα έμοιαζε αυτό;
09:12
And they're in your house. They're in your house.
231
537000
3000
Και είναι μες στο σπίτι σου. Είναι μέσα στο σπίτι σου.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Αυτοί είναι δύο αλγόριθμοι που συναγωνίζονται για το καθιστικό σου.
09:17
These are two different cleaning robots
233
542000
2000
Είναι δύο διαφορετικά ρομπότ καθαρισμού
09:19
that have very different ideas about what clean means.
234
544000
3000
που έχουν πολύ διαφορετικές ιδέες για το τι σημαίνει καθαρό.
09:22
And you can see it
235
547000
2000
Και μπορείτε να το δείτε
09:24
if you slow it down and attach lights to them,
236
549000
3000
εάν το επιβραδύνετε και εγκαταστήσετε φώτα σε αυτά.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Είναι κάτι σαν μικροί αρχιτέκτονες στο δωμάτιό σας.
09:30
And the idea that architecture itself
238
555000
3000
Και η ιδέα ότι η ίδια η αρχιτεκτονική
09:33
is somehow subject to algorithmic optimization
239
558000
2000
υπόκειται κατά κάποιον τρόπο στην αλγοριθμική βελτιστοποίηση
09:35
is not far-fetched.
240
560000
2000
δεν είναι τραβηγμένη.
09:37
It's super-real and it's happening around you.
241
562000
3000
Είναι πραγματική και συμβαίνει γύρω σας.
09:40
You feel it most
242
565000
2000
Το νιώθεις περισσότερο
09:42
when you're in a sealed metal box,
243
567000
2000
όταν είσαι σε ένα σφραγισμένο μεταλλικό κουτί,
09:44
a new-style elevator;
244
569000
2000
έναν ανελκυστήρα καινούριου ύφους,
09:46
they're called destination-control elevators.
245
571000
2000
ονομάζονται ανελκυστήρες ελέγχου προορισμού.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Είναι αυτοί που πρέπει να πατήσεις σε ποιο όροφο πρόκειται να πας
09:51
before you get in the elevator.
247
576000
2000
πριν μπεις στον ανελκυστήρα.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Και χρησιμοποιεί αυτό που ονομάζεται αλγόριθμος πακεταρίσμενος καλαθιών.
09:55
So none of this mishegas
249
580000
2000
Οπότε τέλος αυτή η τρέλα
09:57
of letting everybody go into whatever car they want.
250
582000
2000
του να αφήνεις οποιονδήποτε να πηγαίνεται σε όποιο ασανσέρ θέλει.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Όποιος θέλει να πάει στο 10ο όροφο μπαίνει στο όχημα δύο,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
και όποιος θέλει να πάει στον τρίτο μπαίνει το όχημα πέντε.
10:04
And the problem with that
253
589000
2000
Και το πρόβλημα με αυτό είναι
10:06
is that people freak out.
254
591000
2000
ότι οι άνθρωποι φρικάρουν.
10:08
People panic.
255
593000
2000
Οι άνθρωποι πανικοβάλλονται.
10:10
And you see why. You see why.
256
595000
2000
Και καταλαβαίνετε γιατί. Καταλαβαίνετε.
10:12
It's because the elevator
257
597000
2000
Είναι επειδή ο ανελκυστήρας
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
δε διαθέτει κάποια σημαντικά όργανα, όπως τα κουμπιά.
10:17
(Laughter)
259
602000
2000
(Γέλια)
10:19
Like the things that people use.
260
604000
2000
Όπως έχουν τα πράγματα που χρησιμοποιούν οι άνθρωποι.
10:21
All it has
261
606000
2000
Το μόνο που διαθέτει
10:23
is just the number that moves up or down
262
608000
3000
είναι ο αριθμός που αυξάνεται ή μειώνεται
10:26
and that red button that says, "Stop."
263
611000
3000
και εκείνο το κόκκινο κουμπί που λέει, "Σταμάτα."
10:29
And this is what we're designing for.
264
614000
3000
Αυτό είναι που σχεδιάζουμε.
10:32
We're designing
265
617000
2000
Σχεδιάζουμε
10:34
for this machine dialect.
266
619000
2000
αυτή τη διάλεκτο της μηχανής.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Και μέχρι που μπορείς να το πας; Πόσο μακριά μπορείς να το πας;
10:39
You can take it really, really far.
268
624000
2000
Μπορείς να το φτάσεις πολύ, πολύ μακριά.
10:41
So let me take it back to Wall Street.
269
626000
3000
Λοιπόν, αφήστε με να επιστρέψω στη Γουώλ Στρητ.
10:45
Because the algorithms of Wall Street
270
630000
2000
Γιατί οι αλγόριθμοι της Γουώλ Στρητ
10:47
are dependent on one quality above all else,
271
632000
3000
εξαρτώνται από ένα χαρακτηριστικό πάνω από όλα τα άλλα,
10:50
which is speed.
272
635000
2000
το οποίο είναι η ταχύτητα.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Και λειτουργούν σε μιλλιδευτερόλεπτα και μικροδευτερόλεπτα.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Και για να σας δώσω μία αίσθηση του τι είναι τα μικροδευτερόλεπτα,
10:57
it takes you 500,000 microseconds
275
642000
2000
σας παίρνει 500.000 μικροδευτερόλεπτα
10:59
just to click a mouse.
276
644000
2000
για να πατήσετε το πλήκτρο ενός ποντικιού.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Αλλά εάν είστε ένας αλγόριθμος της Γουώλ Στρητ
11:03
and you're five microseconds behind,
278
648000
2000
και υπολείπεστε 5 μικροδευτερόλεπτα,
11:05
you're a loser.
279
650000
2000
είστε αποτυχημένος.
11:07
So if you were an algorithm,
280
652000
2000
Άρα αν είστε αλγόριθμος,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
θα ψάχνατε για έναν αρχιτέκτονα όπως αυτόν που γνώρισα στη Φρανκφούρτη
11:12
who was hollowing out a skyscraper --
282
657000
2000
που άδειαζε έναν ουρανοξύστη --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
πετώντας έξω όλα τα έπιπλα, όλη την υποδομή προς ανθρώπινη χρήση,
11:17
and just running steel on the floors
284
662000
3000
και απλά τοποθετούσε ατσάλι στα πατώματα
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
για να προετοιμαστεί για τις στοίβες εξυπηρετητών που θα έμπαιναν --
11:23
all so an algorithm
286
668000
2000
όλα αυτά ώστε ένας αλγόριθμος
11:25
could get close to the Internet.
287
670000
3000
να έρθει πιο κοντά στο Ίντερνετ.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Και θεωρείς το Ίντερνετ ένα είδος διανεμημένου συστήματος.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Και φυσικά είναι, αλλά είναι διανεμημένο από μέρη.
11:34
In New York, this is where it's distributed from:
290
679000
2000
Στη Νέα Υόρκη, να από που διανέμεται:
11:36
the Carrier Hotel
291
681000
2000
το Ξενοδοχείο Κάρριερ
11:38
located on Hudson Street.
292
683000
2000
που βρίσκεται στην Οδό Χάντσον.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
Και εδώ είναι από που έρχονται τα καλώδια στην πόλη.
11:43
And the reality is that the further away you are from that,
294
688000
4000
Και η πραγματικότητα είναι ότι όσο μακρύτεραείσαι από αυτό,
11:47
you're a few microseconds behind every time.
295
692000
2000
είσαι λίγα μικροδευτερόλεπτα πίσω κάθε φορά.
11:49
These guys down on Wall Street,
296
694000
2000
Αυτοί οι τύποι στη Γουώλ Στρητ,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
ο Μάρκο Πόλο και ο Τσιρόκι Νέισιον,
11:53
they're eight microseconds
298
698000
2000
βρίσκονται οκτώ μικροδευτερόλεπτα
11:55
behind all these guys
299
700000
2000
πίσω από όλους εκείνους
11:57
going into the empty buildings being hollowed out
300
702000
4000
που μπαίνουν στα άδεια κτήρια που αδειάζονται
12:01
up around the Carrier Hotel.
301
706000
2000
γύρω από το ξενοδοχείο Κάρριερ.
12:03
And that's going to keep happening.
302
708000
3000
Και αυτό θα συνεχίσει να συμβαίνει.
12:06
We're going to keep hollowing them out,
303
711000
2000
Θα συνεχίσουμε να τα αδειάζουμε,
12:08
because you, inch for inch
304
713000
3000
γιατί εσείς, ίντσα προς ίντσα
12:11
and pound for pound and dollar for dollar,
305
716000
3000
και λίρα προς λίρα και δολλάριο προς δολλάριο,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
κανείς από εσάς δε θα μπορούσε να βγάλει κέρδος από αυτόν τον χώρο
12:17
like the Boston Shuffler could.
307
722000
3000
όπως μπορεί ο Αναδευτήρας της Βοστώνης.
12:20
But if you zoom out,
308
725000
2000
Αλλά εάν μεγενθύνετε την εικόνα,
12:22
if you zoom out,
309
727000
2000
εάν τη μεγενθύνετε,
12:24
you would see an 825-mile trench
310
729000
4000
θα βλέπατε ότι ένα χαντάκι 825 μιλίων
12:28
between New York City and Chicago
311
733000
2000
ανάμεσα στη Νέα Υόρκη και το Σικάγο
12:30
that's been built over the last few years
312
735000
2000
που χτίζεται τα τελευταία χρόνια
12:32
by a company called Spread Networks.
313
737000
3000
από μία εταιρεί που λέγεται Σπρεντ Νετγοουρκς.
12:35
This is a fiber optic cable
314
740000
2000
Αυτό είναι ένα καλώδιο οπτικής ίνας
12:37
that was laid between those two cities
315
742000
2000
που απλώθηκε ανάμεσα σε αυτές τις δύο πόλεις
12:39
to just be able to traffic one signal
316
744000
3000
απλά για να είναι δυνατό να μεταφερθεί ένα σήμα
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 φορές πιο γρήγορα από το να πατήσεις το πλήκτρο ενός ποντικιού --
12:45
just for these algorithms,
318
750000
3000
μόνο για αυτούς του αλγόριθμους,
12:48
just for the Carnival and the Knife.
319
753000
3000
μόνο για το Καρναβάλι και το Μαχαίρι.
12:51
And when you think about this,
320
756000
2000
Και όσο το σκέφτεστε αυτό,
12:53
that we're running through the United States
321
758000
2000
ότι διατρέχουμε τις Ηνωμένες Πολιτείες
12:55
with dynamite and rock saws
322
760000
3000
με δυναμίτης και βραχοπρίονα
12:58
so that an algorithm can close the deal
323
763000
2000
ώστε ένας αλγόριθμος να μπορεί να κλείσει τη δουλειά
13:00
three microseconds faster,
324
765000
3000
τρία μικροδευτερόλεπτα πιο γρήγορα,
13:03
all for a communications framework
325
768000
2000
για ένα πλαίσιο επικοινωνιών
13:05
that no human will ever know,
326
770000
4000
που κανένας άνθρωπος δε θα μάθει ποτέ,
13:09
that's a kind of manifest destiny;
327
774000
3000
αυτό είναι ένα είδος δήλωσης του πεπρωμένου
13:12
and we'll always look for a new frontier.
328
777000
3000
και πάντα θα ψάχνουμε το επόμενο σύνορο.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Δυστυχώς, η δουλειά μας είναι δύσκολη.
13:18
This is just theoretical.
330
783000
2000
Αυτό είναι απλά θεωρητικό.
13:20
This is some mathematicians at MIT.
331
785000
2000
Είναι μερικοί μαθηματικοί στο ΜΙΤ.
13:22
And the truth is I don't really understand
332
787000
2000
Και η αλήθεια είναι ότι δεν καταλαβαίνω πλήρως
13:24
a lot of what they're talking about.
333
789000
2000
πολλά από αυτά για τα οποία μιλούν.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Περιέχει κώνους φωτός και κβαντική σύμπλεξη,
13:29
and I don't really understand any of that.
335
794000
2000
και δεν πολυκαταλαβαίνω τίποτα από αυτά.
13:31
But I can read this map,
336
796000
2000
Αλλά μπορώ να διαβάσω αυτόν το χάρτη.
13:33
and what this map says
337
798000
2000
Και αυτό που λέει αυτός ο χάρτης
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
είναι ότι, εάν προσπαθείς να βγάλεις λεφτά στις αγορές που βρίσκονται εκεί που είναι οι κόκκινες τελείες,
13:38
that's where people are, where the cities are,
339
803000
2000
εκεί που είναι οι άνθρωποι, οι πόλεις,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
πρέπει να βάλεις τους εξυπηρετητές εκεί που είναι οι μπλε τελείες
13:43
to do that most effectively.
341
808000
2000
για να το κάνεις με τον πιο αποτελεσματικό τρόπο.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
Και αυτό που ίσως παρατηρήσατε σχετικά με τις μπλε τελείες
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
είναι ότι πολλές από αυτές βρίσκονται στη μέση του ωκεανού.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Άρα αυτό είναι που θα κάνουμε, θα χτίσουμε φυσαλίδες ή κάτι,
13:54
or platforms.
345
819000
2000
ή πλατφόρμες.
13:56
We'll actually part the water
346
821000
2000
Βασικά θα διαχωρίσουμε τα ύδατα
13:58
to pull money out of the air,
347
823000
2000
για να φέρουμε λεφτά από τον ουρανό
14:00
because it's a bright future
348
825000
2000
γιατί είναι λαμπρό το μέλλον
14:02
if you're an algorithm.
349
827000
2000
εάν είσαι αλγόριθμος.
14:04
(Laughter)
350
829000
2000
(Γέλια)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Και δεν είναι το χρήμα που είναι τόσο ενδιαφέρον στην πραγματικότητα.
14:09
It's what the money motivates,
352
834000
2000
Είναι τι κινητοποιεί το χρήμα.
14:11
that we're actually terraforming
353
836000
2000
Ότι ουσιαστικά γεωμορφοποιούμε
14:13
the Earth itself
354
838000
2000
την ίδια τη Γη
14:15
with this kind of algorithmic efficiency.
355
840000
2000
με αυτό το είδος αλγοριθμικής αποτελεσματικότητας.
14:17
And in that light,
356
842000
2000
Και υπό αυτό το πρίσμα,
14:19
you go back
357
844000
2000
γυρνάς πίσω
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
και κοιτάς τις φωτογραφίες του Μαικλ Νατζάρ,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
και διαπιστώνεις ότι δεν είναι μεταφορά, είναι προφητεία.
14:26
They're prophecy
360
851000
2000
Είναι προφητεία
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
για τις σεισμικές, κοσμογονικές επιπτώσεις
14:32
of the math that we're making.
362
857000
2000
των μαθηματικών που φτιάχνουμε.
14:34
And the landscape was always made
363
859000
3000
Και το τοπίο πάντοτε φτιαχνόταν
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
από τέτοιες περίεργες, ταραχώδεις συμπράξεις
14:40
between nature and man.
365
865000
3000
ανάμεσα στη φύση και τον άνθρωπο.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Αλλά τώρα υπάρχει αυτή η τρίτη συνεξελικτική δύναμη: οι αλγόριθμοι --
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
ο Αναδευτήρας της Βοστώνης, το Καρναβάλι.
14:49
And we will have to understand those as nature,
368
874000
3000
Και πρέπει να τους αντιλαμβανόμαστε ως φύση.
14:52
and in a way, they are.
369
877000
2000
Και υπό μίαν έννοια, είναι.
14:54
Thank you.
370
879000
2000
Σας ευχαριστώ.
14:56
(Applause)
371
881000
20000
(Χειροκροτήματα)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com