TEDSalon Berlin 2014
Kenneth Cukier: Big data is better data
Kenneth Cukier: Datos masivos, datos mucho mejores
Filmed:
Readability: 4.1
1,663,038 views
Los automóviles autodirigidos fueron solo el comienzo. ¿Cuál es el futuro de la tecnología y el diseño impulsado por los datos masivos? En esta apasionante charla científica Kenneth Cukier observa lo que esto supone para el aprendizaje automático, y, por ende, para el conocimiento humano.
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. Full bio
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's favorite pie is?
0
787
3845
¿Pastel favorito en EEUU?
00:16
Audience: Apple.
Kenneth Cukier: Apple. Of course it is.
Kenneth Cukier: Apple. Of course it is.
1
4632
3506
Audiencia: El de manzana.
Kenneth Cukier: De manzana. Por supuesto.
Kenneth Cukier: De manzana. Por supuesto.
00:20
How do we know it?
2
8138
1231
¿Cómo lo sabemos?
00:21
Because of data.
3
9369
2753
Por los datos.
00:24
You look at supermarket sales.
4
12122
2066
Se miran las ventas en supermercados.
00:26
You look at supermarket
sales of 30-centimeter pies
sales of 30-centimeter pies
5
14188
2866
Se miran las ventas en supermercados
de pasteles de 30 cm
de pasteles de 30 cm
00:29
that are frozen, and apple wins, no contest.
6
17054
4075
congelados, y los de manzana
ganan, sin rival.
ganan, sin rival.
00:33
The majority of the sales are apple.
7
21129
5180
La mayoría de las ventas son
los de manzana.
los de manzana.
00:38
But then supermarkets started selling
8
26309
2964
Pero los supermercados
comenzaron a vender
comenzaron a vender
00:41
smaller, 11-centimeter pies,
9
29273
2583
pasteles más pequeños, de 11 cm,
00:43
and suddenly, apple fell to fourth or fifth place.
10
31856
4174
y de repente, el de manzana
cayó al 4º o 5º lugar.
cayó al 4º o 5º lugar.
00:48
Why? What happened?
11
36030
2875
¿Por qué? ¿Qué paso?
00:50
Okay, think about it.
12
38905
2818
Bueno, piensen en ello.
00:53
When you buy a 30-centimeter pie,
13
41723
3848
Cuando compramos un pastel de 30 cm,
00:57
the whole family has to agree,
14
45571
2261
toda la familia tiene
que estar de acuerdo,
que estar de acuerdo,
00:59
and apple is everyone's second favorite.
15
47832
3791
y el de manzana es el segundo
favorito de todos.
favorito de todos.
01:03
(Laughter)
16
51623
1935
(Risas)
01:05
But when you buy an individual 11-centimeter pie,
17
53558
3615
Pero si uno compra
un pastel de 11 cm individual,
un pastel de 11 cm individual,
01:09
you can buy the one that you want.
18
57173
3745
puede comprar el que desee.
01:12
You can get your first choice.
19
60918
4015
Puede comprar su primera opción.
01:16
You have more data.
20
64933
1641
Tenemos más datos.
01:18
You can see something
21
66574
1554
Podemos ver algo
01:20
that you couldn't see
22
68128
1132
que no se podía ver
01:21
when you only had smaller amounts of it.
23
69260
3953
cuando solo había menor
cantidad de datos.
cantidad de datos.
01:25
Now, the point here is that more data
24
73213
2475
Ahora, el punto es que
muchos más datos
muchos más datos
01:27
doesn't just let us see more,
25
75688
2283
no solo nos permiten ver más,
01:29
more of the same thing we were looking at.
26
77971
1854
más de lo mismo
que ya veíamos.
que ya veíamos.
01:31
More data allows us to see new.
27
79825
3613
Más datos nos permiten
ver cosas nuevas.
ver cosas nuevas.
01:35
It allows us to see better.
28
83438
3094
Nos permiten ver mejor.
01:38
It allows us to see different.
29
86532
3656
Nos permiten ver
de forma diferente.
de forma diferente.
01:42
In this case, it allows us to see
30
90188
3173
En este caso, nos permiten ver
01:45
what America's favorite pie is:
31
93361
2913
que el pastel favorito de EEUU es:
01:48
not apple.
32
96274
2542
no el de manzana.
01:50
Now, you probably all have heard the term big data.
33
98816
3614
Puede que todos hayan oído escuchado
el término "Datos masivos".
el término "Datos masivos".
De hecho, es probable que
estén hartos de escucharlo
estén hartos de escucharlo
01:54
In fact, you're probably sick of hearing the term
34
102430
2057
01:56
big data.
35
104487
1630
"Datos masivos".
01:58
It is true that there is a lot of hype around the term,
36
106117
3330
Es cierto que se exagera
mucho el término,
mucho el término,
02:01
and that is very unfortunate,
37
109447
2332
y eso es muy lamentable,
02:03
because big data is an extremely important tool
38
111779
3046
porque los datos masivos
son una herramienta muy importante
son una herramienta muy importante
02:06
by which society is going to advance.
39
114825
3734
para que la sociedad avance.
02:10
In the past, we used to look at small data
40
118559
3561
En el pasado, solíamos observar
pequeñas cantidades de datos
pequeñas cantidades de datos
02:14
and think about what it would mean
41
122120
1704
y pensar qué significarían
02:15
to try to understand the world,
42
123824
1496
para tratar de entender el mundo.
02:17
and now we have a lot more of it,
43
125320
1991
Ahora tenemos mucho más de ello,
02:19
more than we ever could before.
44
127311
2722
más de lo que podía existir antes.
Lo que encontramos es que
cuando tenemos
cuando tenemos
02:22
What we find is that when we have
45
130033
1877
02:23
a large body of data, we can fundamentally do things
46
131910
2724
una gran cantidad de datos,
podemos hacer cosas
podemos hacer cosas
02:26
that we couldn't do when we
only had smaller amounts.
only had smaller amounts.
47
134634
3276
que no podíamos hacer
teniendo solo cantidades más pequeñas.
teniendo solo cantidades más pequeñas.
02:29
Big data is important, and big data is new,
48
137910
2641
Los datos masivos son importantes
y es algo nuevo,
y es algo nuevo,
02:32
and when you think about it,
49
140551
1777
y cuando se piensa en ello,
02:34
the only way this planet is going to deal
50
142328
2216
la única forma en que
este planeta afronte
este planeta afronte
02:36
with its global challenges —
51
144544
1789
sus desafíos mundiales, esto es,
02:38
to feed people, supply them with medical care,
52
146333
3537
alimentar a la gente,
ofrecer atención médica,
ofrecer atención médica,
02:41
supply them with energy, electricity,
53
149870
2810
suministrar energía, electricidad,
02:44
and to make sure they're not burnt to a crisp
54
152680
1789
y asegurarse de que
no nos achicharramos
no nos achicharramos
02:46
because of global warming —
55
154469
1238
debido al calentamiento global,
02:47
is because of the effective use of data.
56
155707
4195
es utilizando de forma eficaz los datos.
02:51
So what is new about big
data? What is the big deal?
data? What is the big deal?
57
159902
3870
Entonces, ¿qué es lo nuevo de
los datos masivos? ¿Cuál es la gran cosa?
los datos masivos? ¿Cuál es la gran cosa?
02:55
Well, to answer that question, let's think about
58
163772
2517
Bueno, para responder a esto,
pensaremos en
pensaremos en
02:58
what information looked like,
59
166289
1896
cómo se veía la información,
03:00
physically looked like in the past.
60
168185
3034
físicamente en el pasado.
03:03
In 1908, on the island of Crete,
61
171219
3611
En 1908 en la isla de Creta,
03:06
archaeologists discovered a clay disc.
62
174830
4735
los arqueólogos descubrieron
un disco de arcilla.
un disco de arcilla.
03:11
They dated it from 2000 B.C., so it's 4,000 years old.
63
179565
4059
Datan del año 2000 aC,
así que tienen 4000 años de antigüedad.
así que tienen 4000 años de antigüedad.
03:15
Now, there's inscriptions on this disc,
64
183624
2004
Hay inscripciones en este disco,
03:17
but we actually don't know what it means.
65
185628
1327
pero, no sabemos
qué significan.
qué significan.
03:18
It's a complete mystery, but the point is that
66
186955
2098
Es un completo misterio,
pero el punto es que
pero el punto es que
03:21
this is what information used to look like
67
189053
1928
así solía verse la información
03:22
4,000 years ago.
68
190981
2089
hace 4000 años.
03:25
This is how society stored
69
193070
2548
Esta es la forma en que
la sociedad almacenaba
la sociedad almacenaba
03:27
and transmitted information.
70
195618
3524
y transmitía la información.
03:31
Now, society hasn't advanced all that much.
71
199142
4160
Ahora, la sociedad no ha avanzado tanto.
03:35
We still store information on discs,
72
203302
3474
Todavía guardamos
la información en discos,
la información en discos,
03:38
but now we can store a lot more information,
73
206776
3184
pero ahora podemos almacenar
mucha más información,
mucha más información,
03:41
more than ever before.
74
209960
1260
más que nunca.
03:43
Searching it is easier. Copying it easier.
75
211220
3093
Buscar es más fácil. Copiar es más fácil.
03:46
Sharing it is easier. Processing it is easier.
76
214313
3500
El compartir es más fácil.
El procesamiento es más fácil.
El procesamiento es más fácil.
03:49
And what we can do is we can reuse this information
77
217813
2766
Y podemos volver
a utilizar esta información
a utilizar esta información
03:52
for uses that we never even imagined
78
220579
1834
para usos que nunca
nos imaginamos
nos imaginamos
03:54
when we first collected the data.
79
222413
3195
cuando se recogieron los primeros datos.
03:57
In this respect, the data has gone
80
225608
2252
A este respecto, los datos
han evolucionado
han evolucionado
03:59
from a stock to a flow,
81
227860
3532
de un almacén a un flujo,
04:03
from something that is stationary and static
82
231392
3938
de algo que es estacionario y estático
04:07
to something that is fluid and dynamic.
83
235330
3609
a algo que es fluido y dinámico.
04:10
There is, if you will, a liquidity to information.
84
238939
4023
Hay, si quieren,
una liquidez de información.
una liquidez de información.
04:14
The disc that was discovered off of Crete
85
242962
3474
El disco descubierto fuera de Creta
04:18
that's 4,000 years old, is heavy,
86
246436
3764
que tiene 4000 años
de antigüedad, es pesado,
de antigüedad, es pesado,
04:22
it doesn't store a lot of information,
87
250200
1962
no almacena gran cantidad de información,
04:24
and that information is unchangeable.
88
252162
3116
y esa información no es modificable.
04:27
By contrast, all of the files
89
255278
4011
Por el contrario, todos los archivos
04:31
that Edward Snowden took
90
259289
1861
que Edward Snowden tomó
de la Agencia de Seguridad Nacional
de EEUU
de EEUU
04:33
from the National Security
Agency in the United States
Agency in the United States
91
261150
2621
04:35
fits on a memory stick
92
263771
2419
caben en un dispositivo
de memoria extraíble
de memoria extraíble
04:38
the size of a fingernail,
93
266190
3010
del tamaño de una uña,
04:41
and it can be shared at the speed of light.
94
269200
4745
y pueden compartirse
a la velocidad de la luz.
a la velocidad de la luz.
04:45
More data. More.
95
273945
5255
Más datos. Más.
Una razón para tener tantos datos
hoy en el mundo
hoy en el mundo
04:51
Now, one reason why we have
so much data in the world today
so much data in the world today
96
279200
1974
04:53
is we are collecting things
97
281174
1432
es que recolectamos cosas
04:54
that we've always collected information on,
98
282606
3280
sobre las que siempre
hemos recopilado información,
hemos recopilado información,
04:57
but another reason why is we're taking things
99
285886
2656
pero otra razón es que
estamos tomando cosas
estamos tomando cosas
05:00
that have always been informational
100
288542
2812
que siempre han sido informacionales
05:03
but have never been rendered into a data format
101
291354
2486
pero nunca se habían convertido
a un formato de datos
a un formato de datos
05:05
and we are putting it into data.
102
293840
2419
y las estamos convirtiendo en datos.
05:08
Think, for example, the question of location.
103
296259
3308
Piensen, por ejemplo,
en la cuestión de la ubicación.
en la cuestión de la ubicación.
05:11
Take, for example, Martin Luther.
104
299567
2249
Tomemos, por ejemplo, Martín Lutero.
05:13
If we wanted to know in the 1500s
105
301816
1597
Si hubiéramos querido
saber en 1500
saber en 1500
05:15
where Martin Luther was,
106
303413
2667
donde estaba Martín Lutero,
05:18
we would have to follow him at all times,
107
306080
2092
habríamos tenido que seguirlo
en todo momento,
en todo momento,
05:20
maybe with a feathery quill and an inkwell,
108
308172
2137
quizá con pluma y tintero,
05:22
and record it,
109
310309
1676
y anotarlo.
05:23
but now think about what it looks like today.
110
311985
2183
Pero piensen cómo es hoy en día.
05:26
You know that somewhere,
111
314168
2122
Uds. saben que en algún lugar,
quizá en la base de datos
de una empresa de telecomunicaciones,
de una empresa de telecomunicaciones,
05:28
probably in a telecommunications carrier's database,
112
316290
2446
05:30
there is a spreadsheet or at least a database entry
113
318736
3036
hay una hoja de cálculo o
entrada de base de datos
entrada de base de datos
05:33
that records your information
114
321772
2088
donde se registra su información
05:35
of where you've been at all times.
115
323860
2063
de donde han estado
en todo momento.
en todo momento.
05:37
If you have a cell phone,
116
325923
1360
Si tienen celular,
05:39
and that cell phone has GPS,
but even if it doesn't have GPS,
but even if it doesn't have GPS,
117
327283
2847
y el teléfono tiene GPS,
pero incluso si no tiene GPS,
pero incluso si no tiene GPS,
05:42
it can record your information.
118
330130
2385
se puede registrar su información.
05:44
In this respect, location has been datafied.
119
332515
4084
En este sentido, la localización
ha sido un campo de datos.
ha sido un campo de datos.
05:48
Now think, for example, of the issue of posture,
120
336599
4601
Ahora piensen, por ejemplo,
en el tema de la postura,
en el tema de la postura,
05:53
the way that you are all sitting right now,
121
341200
1285
la forma en que están
sentados ahora,
sentados ahora,
05:54
the way that you sit,
122
342485
2030
la forma en Ud. está sentado,
05:56
the way that you sit, the way that you sit.
123
344515
2771
la de Ud., la de Ud.
Todas diferentes, en función
de la longitud de las piernas,
de la longitud de las piernas,
05:59
It's all different, and it's a function of your leg length
124
347286
2077
06:01
and your back and the contours of your back,
125
349363
2093
la espalda y su contorno,
06:03
and if I were to put sensors,
maybe 100 sensors
maybe 100 sensors
126
351456
2531
y si pusiera censores,
tal vez 100
tal vez 100
06:05
into all of your chairs right now,
127
353987
1766
en todos los asientos ahora,
06:07
I could create an index that's fairly unique to you,
128
355753
3600
podría crear un índice
que es único para cada uno,
que es único para cada uno,
06:11
sort of like a fingerprint, but it's not your finger.
129
359353
4409
algo así como una huella digital,
que no es del dedo.
que no es del dedo.
06:15
So what could we do with this?
130
363762
2969
Y entonces,
¿qué podemos hacer con esto?
¿qué podemos hacer con esto?
06:18
Researchers in Tokyo are using it
131
366731
2397
Los investigadores en Tokio
están utilizando
están utilizando
06:21
as a potential anti-theft device in cars.
132
369128
4388
como un dispositivo potencial
antirobo en los autos.
antirobo en los autos.
06:25
The idea is that the carjacker sits behind the wheel,
133
373516
2924
La idea es que el ladrón
se siente al volante,
se siente al volante,
06:28
tries to stream off, but the car recognizes
134
376440
2104
intente encenderlo,
pero el auto reconoce
pero el auto reconoce
06:30
that a non-approved driver is behind the wheel,
135
378544
2362
que un conductor no autorizado
está en el auto
está en el auto
06:32
and maybe the engine just stops, unless you
136
380906
2164
y, tal vez el motor se detiene,
a menos que
a menos que
06:35
type in a password into the dashboard
137
383070
3177
escriba una contraseña
en el salpicadero
en el salpicadero
06:38
to say, "Hey, I have authorization to drive." Great.
138
386247
4658
para decir, "Tengo la autorización
para conducir". Estupendo.
para conducir". Estupendo.
06:42
What if every single car in Europe
139
390905
2553
¿Qué pasaría si cada automóvil
en Europa
en Europa
06:45
had this technology in it?
140
393458
1457
tuviera esta tecnología?
06:46
What could we do then?
141
394915
3165
¿Qué podemos hacer entonces?
06:50
Maybe, if we aggregated the data,
142
398080
2240
Tal vez, si agregamos los datos,
06:52
maybe we could identify telltale signs
143
400320
3814
tal vez podríamos identificar
signos reveladores
signos reveladores
06:56
that best predict that a car accident
144
404134
2709
que predijeran mejor
que un accidente de auto
que un accidente de auto
06:58
is going to take place in the next five seconds.
145
406843
5893
tendrá lugar en los próximos
cinco segundos.
cinco segundos.
07:04
And then what we will have datafied
146
412736
2557
Y entonces,
la base de datos que tendremos
la base de datos que tendremos
07:07
is driver fatigue,
147
415293
1783
es la fatiga del conductor,
07:09
and the service would be when the car senses
148
417076
2334
y el servicio se activaría
cuando los sensores del automóvil
cuando los sensores del automóvil
07:11
that the person slumps into that position,
149
419410
3437
detectaran que la persona
reposa en esa posición,
reposa en esa posición,
07:14
automatically knows, hey, set an internal alarm
150
422847
3994
y automáticamente
se activa una alarma interna
se activa una alarma interna
07:18
that would vibrate the steering wheel, honk inside
151
426841
2025
que haría vibrar el volante,
sonar una alarma
sonar una alarma
07:20
to say, "Hey, wake up,
152
428866
1721
para decir, "Despierta,
07:22
pay more attention to the road."
153
430587
1904
presta más atención a la carretera".
07:24
These are the sorts of things we can do
154
432491
1853
Este es el tipo de cosas
que podemos hacer
que podemos hacer
07:26
when we datafy more aspects of our lives.
155
434344
2821
cuando tomamos datos
en más aspectos de nuestras vidas.
en más aspectos de nuestras vidas.
07:29
So what is the value of big data?
156
437165
3675
Entonces, ¿cuál es el valor
de los datos masivos?
de los datos masivos?
07:32
Well, think about it.
157
440840
2190
Bueno, piensen en ello.
07:35
You have more information.
158
443030
2412
Tienen más información.
07:37
You can do things that you couldn't do before.
159
445442
3341
Pueden hacer cosas que antes
no se podían hacer.
no se podían hacer.
07:40
One of the most impressive areas
160
448783
1676
Una de las zonas más impresionantes
07:42
where this concept is taking place
161
450459
1729
donde este concepto se ve aplicado
07:44
is in the area of machine learning.
162
452188
3307
es en el área del
aprendizaje automático.
aprendizaje automático.
07:47
Machine learning is a branch of artificial intelligence,
163
455495
3077
El aprendizaje automático es una rama
de la inteligencia artificial,
de la inteligencia artificial,
07:50
which itself is a branch of computer science.
164
458572
3378
que en sí es una rama de la informática.
07:53
The general idea is that instead of
165
461950
1543
La idea general es que en lugar de
07:55
instructing a computer what do do,
166
463493
2117
enseñar a un equipo algo,
07:57
we are going to simply throw data at the problem
167
465610
2620
simplemente transferiremos
datos al problema
datos al problema
08:00
and tell the computer to figure it out for itself.
168
468230
3206
para decirle a la computadora
que lo averigüe sola.
que lo averigüe sola.
08:03
And it will help you understand it
169
471436
1777
Y nos ayude a entenderlo
08:05
by seeing its origins.
170
473213
3552
al ver sus orígenes.
08:08
In the 1950s, a computer scientist
171
476765
2388
En la década de 1950,
un científico de computación
un científico de computación
08:11
at IBM named Arthur Samuel liked to play checkers,
172
479153
3592
en IBM llamado Arthur Samuel
al que le gustaba jugar a damas,
al que le gustaba jugar a damas,
08:14
so he wrote a computer program
173
482745
1402
por eso escribió
un programa
un programa
08:16
so he could play against the computer.
174
484147
2813
para poder jugar contra la computadora.
08:18
He played. He won.
175
486960
2711
Jugó. Ganó.
08:21
He played. He won.
176
489671
2103
Jugó. Ganó.
08:23
He played. He won,
177
491774
3015
Jugó. Ganó,
08:26
because the computer only knew
178
494789
1778
porque el equipo solo sabía
08:28
what a legal move was.
179
496567
2227
lo que era un movimiento legal.
08:30
Arthur Samuel knew something else.
180
498794
2087
Arthur Samuel sabía algo más.
08:32
Arthur Samuel knew strategy.
181
500881
4629
Arthur Samuel sabía estrategia.
08:37
So he wrote a small sub-program alongside it
182
505510
2396
Así que escribió un pequeño subprograma
08:39
operating in the background, and all it did
183
507906
1974
operando en el fondo.
Y todo lo que hizo
Y todo lo que hizo
08:41
was score the probability
184
509880
1817
fue anotar la probabilidad
08:43
that a given board configuration would likely lead
185
511697
2563
de que una configuración
del tablero condujera
del tablero condujera
08:46
to a winning board versus a losing board
186
514260
2910
a un tablero ganador frente
a un tablero perdedor
a un tablero perdedor
después de cada movimiento.
08:49
after every move.
187
517170
2508
08:51
He plays the computer. He wins.
188
519678
3150
Él jugó contra el equipo.
Él ganó.
Él ganó.
08:54
He plays the computer. He wins.
189
522828
2508
Él jugó contra el equipo.
Él ganó.
Él ganó.
08:57
He plays the computer. He wins.
190
525336
3731
Él jugó contra el equipo.
Él ganó.
Él ganó.
09:01
And then Arthur Samuel leaves the computer
191
529067
2277
Y luego Arthur Samuel dejó
que la computadora
que la computadora
09:03
to play itself.
192
531344
2227
jugara sola.
09:05
It plays itself. It collects more data.
193
533571
3509
Juega sola. Y recoge más datos.
09:09
It collects more data. It increases
the accuracy of its prediction.
the accuracy of its prediction.
194
537080
4309
Recoge más datos.
Aumenta la precisión de su predicción.
Aumenta la precisión de su predicción.
09:13
And then Arthur Samuel goes back to the computer
195
541389
2104
Y luego Arthur Samuel vuelve al equipo
09:15
and he plays it, and he loses,
196
543493
2318
juega y pierde.
09:17
and he plays it, and he loses,
197
545811
2069
Y juega y pierde.
09:19
and he plays it, and he loses,
198
547880
2047
Y juega y pierde.
09:21
and Arthur Samuel has created a machine
199
549927
2599
Y Arthur Samuel ha creado una máquina
09:24
that surpasses his ability in a task that he taught it.
200
552526
6288
que supera su capacidad
en una tarea que él enseñó.
en una tarea que él enseñó.
09:30
And this idea of machine learning
201
558814
2498
Y esta idea de aprendizaje automático
09:33
is going everywhere.
202
561312
3927
irá a todas partes.
09:37
How do you think we have self-driving cars?
203
565239
3149
¿Cómo creen que tenemos
autos autodirigidos?
autos autodirigidos?
09:40
Are we any better off as a society
204
568388
2137
¿Estamos mejor como sociedad
09:42
enshrining all the rules of the road into software?
205
570525
3285
almacenando todas las reglas
de la carretera en un software?
de la carretera en un software?
09:45
No. Memory is cheaper. No.
206
573810
2598
No. La memoria es más barata. No.
09:48
Algorithms are faster. No. Processors are better. No.
207
576408
3994
Los algoritmos son más rápidos. No.
Los procesadores son mejores. No.
Los procesadores son mejores. No.
09:52
All of those things matter, but that's not why.
208
580402
2772
Todas esas cosas importan,
pero no es por eso.
pero no es por eso.
09:55
It's because we changed the nature of the problem.
209
583174
3141
Es porque hemos cambiado
la naturaleza del problema.
la naturaleza del problema.
09:58
We changed the nature of the problem from one
210
586315
1530
Hemos cambiado
el problema de uno
el problema de uno
09:59
in which we tried to overtly and explicitly
211
587845
2245
en el que intentábamos
abierta y explícitamente
abierta y explícitamente
10:02
explain to the computer how to drive
212
590090
2581
explicar a la computadora
cómo conducir,
cómo conducir,
10:04
to one in which we say,
213
592671
1316
a uno en la que decimos,
10:05
"Here's a lot of data around the vehicle.
214
593987
1876
"Aquí hay una gran cantidad
de datos del vehículo.
de datos del vehículo.
10:07
You figure it out.
215
595863
1533
Haz los números.
10:09
You figure it out that that is a traffic light,
216
597396
1867
Te diste cuenta de que eso es un semáforo,
10:11
that that traffic light is red and not green,
217
599263
2081
que está en rojo
y no verde,
y no verde,
10:13
that that means that you need to stop
218
601344
2014
eso significa que tienes
que detenerte
que detenerte
10:15
and not go forward."
219
603358
3083
y no seguir".
El aprendizaje automático está en la base
10:18
Machine learning is at the basis
220
606441
1518
10:19
of many of the things that we do online:
221
607959
1991
de muchas cosas
que hacemos en línea:
que hacemos en línea:
10:21
search engines,
222
609950
1857
motores de búsqueda,
10:23
Amazon's personalization algorithm,
223
611807
3801
el algoritmo de personalización
de Amazon,
de Amazon,
10:27
computer translation,
224
615608
2212
la traducción automática
por computadora,
por computadora,
10:29
voice recognition systems.
225
617820
4290
los sistemas de reconocimiento de voz.
10:34
Researchers recently have looked at
226
622110
2835
Recientemente,
los investigadores han examinado
los investigadores han examinado
10:36
the question of biopsies,
227
624945
3195
la cuestión de biopsias,
10:40
cancerous biopsies,
228
628140
2767
biopsias de cáncer,
10:42
and they've asked the computer to identify
229
630907
2315
y han usado la computadora
para identificar,
para identificar,
10:45
by looking at the data and survival rates
230
633222
2471
mirando los datos y
las tasas de supervivencia,
las tasas de supervivencia,
10:47
to determine whether cells are actually
231
635693
4667
si las células son en realidad
10:52
cancerous or not,
232
640360
2544
cancerosas o no,
10:54
and sure enough, when you throw the data at it,
233
642904
1778
y claro, al trasferir
los datos
los datos
10:56
through a machine-learning algorithm,
234
644682
2047
por un algoritmo
de aprendizaje automático,
de aprendizaje automático,
10:58
the machine was able to identify
235
646729
1877
la máquina fue capaz de identificar
11:00
the 12 telltale signs that best predict
236
648606
2262
los 12 signos reveladores
que mejor predicen
que mejor predicen
11:02
that this biopsy of the breast cancer cells
237
650868
3299
si en esta biopsia de
células de cáncer de mama,
células de cáncer de mama,
11:06
are indeed cancerous.
238
654167
3218
hay, en efecto, cáncer.
11:09
The problem: The medical literature
239
657385
2498
El problema: la literatura médica
11:11
only knew nine of them.
240
659883
2789
solo sabía nueve de ellos.
11:14
Three of the traits were ones
241
662672
1800
Tres de los rasgos eran de
11:16
that people didn't need to look for,
242
664472
2975
los que las personas no buscan,
11:19
but that the machine spotted.
243
667447
5531
pero que la máquina descubrió.
11:24
Now, there are dark sides to big data as well.
244
672978
5925
También hay lados oscuros
en los datos masivos.
en los datos masivos.
Mejorará nuestras vidas,
pero hay problemas
pero hay problemas
11:30
It will improve our lives, but there are problems
245
678903
2074
11:32
that we need to be conscious of,
246
680977
2640
de los que tenemos que
ser conscientes,
ser conscientes,
11:35
and the first one is the idea
247
683617
2623
y el primero es la idea
11:38
that we may be punished for predictions,
248
686240
2686
de que podemos ser castigados
por las predicciones,
por las predicciones,
11:40
that the police may use big data for their purposes,
249
688926
3870
que la policía puede utilizar
datos masivos para sus fines,
datos masivos para sus fines,
11:44
a little bit like "Minority Report."
250
692796
2351
un poco como "Minority Report".
11:47
Now, it's a term called predictive policing,
251
695147
2441
Es un término conocido como
policial predictiva,
policial predictiva,
o criminología algorítmica,
11:49
or algorithmic criminology,
252
697588
2363
y la idea es que,
con gran cantidad de datos,
con gran cantidad de datos,
11:51
and the idea is that if we take a lot of data,
253
699951
2036
11:53
for example where past crimes have been,
254
701987
2159
por ejemplo, donde hubo
crímenes antes,
crímenes antes,
11:56
we know where to send the patrols.
255
704146
2543
sabremos dónde enviar
a las patrullas.
a las patrullas.
Tiene sentido, pero,
el problema, claro,
el problema, claro,
11:58
That makes sense, but the problem, of course,
256
706689
2115
12:00
is that it's not simply going to stop on location data,
257
708804
4544
es que no solo se quedarán
en los datos de ubicación,
en los datos de ubicación,
12:05
it's going to go down to the level of the individual.
258
713348
2959
irán al nivel del individuo.
12:08
Why don't we use data about the person's
259
716307
2250
¿Por qué no usamos
los datos de personas
los datos de personas
12:10
high school transcript?
260
718557
2228
con un alto expediente académico?
12:12
Maybe we should use the fact that
261
720785
1561
Tal vez utilizar
el hecho de que
el hecho de que
estén sin empleo,
su record crediticio,
su record crediticio,
12:14
they're unemployed or not, their credit score,
262
722346
2028
12:16
their web-surfing behavior,
263
724374
1552
su comportamiento en la web,
12:17
whether they're up late at night.
264
725926
1878
si están despiertos
tarde en la noche.
tarde en la noche.
12:19
Their Fitbit, when it's able
to identify biochemistries,
to identify biochemistries,
265
727804
3161
Su controlador físico digital,
cuando identifique datos bioquímicos,
cuando identifique datos bioquímicos,
12:22
will show that they have aggressive thoughts.
266
730965
4236
mostrará si tienen
pensamientos agresivos.
pensamientos agresivos.
12:27
We may have algorithms that are likely to predict
267
735201
2221
Podemos tener algoritmos
que pueden predecir
que pueden predecir
12:29
what we are about to do,
268
737422
1633
lo que estamos a punto de hacer,
12:31
and we may be held accountable
269
739055
1244
y podemos ser responsables
12:32
before we've actually acted.
270
740299
2590
antes de que realmente
hayamos actuado.
hayamos actuado.
12:34
Privacy was the central challenge
271
742889
1732
la privacidad era el desafío principal
12:36
in a small data era.
272
744621
2880
en la era de los datos pequeños.
12:39
In the big data age,
273
747501
2149
En la era de los datos masivos,
12:41
the challenge will be safeguarding free will,
274
749650
4523
el reto será salvaguardar
el libre albedrío,
el libre albedrío,
12:46
moral choice, human volition,
275
754173
3779
la elección moral,
la voluntad humana,
la voluntad humana,
12:49
human agency.
276
757952
3068
la acción humana.
12:54
There is another problem:
277
762540
2225
Hay otro problema:
12:56
Big data is going to steal our jobs.
278
764765
3556
los datos masivos nos quitarán
nuestros puestos de trabajo.
nuestros puestos de trabajo.
13:00
Big data and algorithms are going to challenge
279
768321
3512
Los datos masivos y algoritmos desafiarán
13:03
white collar, professional knowledge work
280
771833
3061
los conocimientos profesionales de gestión
13:06
in the 21st century
281
774894
1653
en el siglo XXI
13:08
in the same way that factory automation
282
776547
2434
de la misma manera que
la automatización de las fábricas
la automatización de las fábricas
13:10
and the assembly line
283
778981
2189
y las cadenas de montaje
13:13
challenged blue collar labor in the 20th century.
284
781170
3026
desafiaron el trabajo
de los obreros en el siglo XX.
de los obreros en el siglo XX.
13:16
Think about a lab technician
285
784196
2092
Piensen en un técnico de laboratorio
13:18
who is looking through a microscope
286
786288
1409
que mira en un microscopio
13:19
at a cancer biopsy
287
787697
1624
una biopsia de cáncer
13:21
and determining whether it's cancerous or not.
288
789321
2637
para determinar si es cáncer o no.
13:23
The person went to university.
289
791958
1972
La persona que fue a la universidad.
13:25
The person buys property.
290
793930
1430
En el que compra propiedades.
13:27
He or she votes.
291
795360
1741
Él o ella vota.
13:29
He or she is a stakeholder in society.
292
797101
3666
Él o ella es un constituyente
de la sociedad.
de la sociedad.
13:32
And that person's job,
293
800767
1394
Y el trabajo de esa persona,
13:34
as well as an entire fleet
294
802161
1609
así como toda una flota
13:35
of professionals like that person,
295
803770
1969
de profesionales como esa persona,
13:37
is going to find that their jobs are radically changed
296
805739
3150
se encontrará que sus puestos de trabajo
han cambiado radicalmente
han cambiado radicalmente
13:40
or actually completely eliminated.
297
808889
2357
o, en realidad, se han eliminado
completamente.
completamente.
13:43
Now, we like to think
298
811246
1284
Ahora, nos gusta pensar
13:44
that technology creates jobs over a period of time
299
812530
3187
que la tecnología crea
puestos de trabajo
puestos de trabajo
13:47
after a short, temporary period of dislocation,
300
815717
3465
después de un corto período
de dislocación temporal,
de dislocación temporal,
13:51
and that is true for the frame of reference
301
819182
1941
y es cierto para el marco de referencia
13:53
with which we all live, the Industrial Revolution,
302
821123
2142
de la Revolución Industrial,
que vivimos,
que vivimos,
13:55
because that's precisely what happened.
303
823265
2328
porque eso es precisamente lo que ocurrió.
13:57
But we forget something in that analysis:
304
825593
2333
Pero nos olvidamos de algo en el análisis:
13:59
There are some categories of jobs
305
827926
1830
Hay algunas categorías de empleos
14:01
that simply get eliminated and never come back.
306
829756
3420
que simplemente se eliminan y
no se crean nunca más.
no se crean nunca más.
14:05
The Industrial Revolution wasn't very good
307
833176
2004
La Revolución Industrial no era muy buena
14:07
if you were a horse.
308
835180
4002
si eras un caballo.
14:11
So we're going to need to be careful
309
839182
2055
Así que tendremos
que tener cuidado
que tener cuidado
14:13
and take big data and adjust it for our needs,
310
841237
3514
y tomar datos masivos
y ajustarlos a nuestras necesidades,
y ajustarlos a nuestras necesidades,
14:16
our very human needs.
311
844751
3185
a nuestras necesidades muy humanas.
14:19
We have to be the master of this technology,
312
847936
1954
Tenemos que ser los dueños
de esta tecnología,
de esta tecnología,
14:21
not its servant.
313
849890
1656
no sus siervos.
14:23
We are just at the outset of the big data era,
314
851546
2958
Estamos justo en el comienzo
de la era de los datos masivos,
de la era de los datos masivos,
14:26
and honestly, we are not very good
315
854504
3150
y honestamente,
no somos muy buenos
no somos muy buenos
14:29
at handling all the data that we can now collect.
316
857654
4207
en el manejo de todos los datos
que ahora podemos recoger.
que ahora podemos recoger.
14:33
It's not just a problem for
the National Security Agency.
the National Security Agency.
317
861861
3330
No es solo un problema para
la Agencia de Seguridad Nacional.
la Agencia de Seguridad Nacional.
Las empresas recogen muchos datos,
y también, hacen mal uso de ellos,
y también, hacen mal uso de ellos,
14:37
Businesses collect lots of
data, and they misuse it too,
data, and they misuse it too,
318
865191
3038
14:40
and we need to get better at
this, and this will take time.
this, and this will take time.
319
868229
3667
y tenemos que mejorar en esto,
y esto tomará tiempo.
y esto tomará tiempo.
14:43
It's a little bit like the challenge that was faced
320
871896
1822
Es un poco como
el desafío que enfrentó
el desafío que enfrentó
14:45
by primitive man and fire.
321
873718
2407
el hombre primitivo y el fuego.
14:48
This is a tool, but this is a tool that,
322
876125
1885
Es una herramienta,
pero que,
pero que,
14:50
unless we're careful, will burn us.
323
878010
3559
a menos que seamos cuidadosos,
nos va a quemar.
nos va a quemar.
14:56
Big data is going to transform how we live,
324
884008
3120
Los datos masivos transformarán
la manera en que vivimos,
la manera en que vivimos,
14:59
how we work and how we think.
325
887128
2801
cómo trabajamos y
cómo pensamos.
cómo pensamos.
15:01
It is going to help us manage our careers
326
889929
1889
Nos ayudarán con nuestras carreras
15:03
and lead lives of satisfaction and hope
327
891818
3634
y a llevar una vida de satisfacción
y esperanza
y esperanza
15:07
and happiness and health,
328
895452
2992
y felicidad y salud,
15:10
but in the past, we've often
looked at information technology
looked at information technology
329
898444
3306
pero en el pasado, frecuentemente,
vimos esa tecnología
vimos esa tecnología
15:13
and our eyes have only seen the T,
330
901750
2208
y nuestros ojos solo han visto la T
15:15
the technology, the hardware,
331
903958
1686
la tecnología, el hardware,
15:17
because that's what was physical.
332
905644
2262
porque eso es físico.
15:19
We now need to recast our gaze at the I,
333
907906
2924
Ahora tenemos que reformular
nuestra mirada a la I,
nuestra mirada a la I,
15:22
the information,
334
910830
1380
la información,
15:24
which is less apparent,
335
912210
1373
que es menos tangible,
15:25
but in some ways a lot more important.
336
913583
4109
pero en algunos aspectos
mucho más importante.
mucho más importante.
15:29
Humanity can finally learn from the information
337
917692
3465
La humanidad finalmente
puede aprender de la información
puede aprender de la información
15:33
that it can collect,
338
921157
2418
que puede recoger,
15:35
as part of our timeless quest
339
923575
2115
como parte de nuestra búsqueda eterna
15:37
to understand the world and our place in it,
340
925690
3159
para entender el mundo y
nuestro lugar en él,
nuestro lugar en él,
15:40
and that's why big data is a big deal.
341
928849
5631
y por eso los datos masivos
es un gran asunto.
es un gran asunto.
15:46
(Applause)
342
934480
3568
(Aplausos)
ABOUT THE SPEAKER
Kenneth Cukier - Data Editor of The EconomistKenneth 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.
Kenneth Cukier | Speaker | TED.com