TEDGlobal>NYC
Zeynep Tufekci: We're building a dystopia just to make people click on ads
Zeynep Tufekci: Nous créons une dystopie simplement pour pousser les gens à cliquer sur des publicités
Filmed:
Readability: 4.8
2,866,905 views
Nous créons une dystopie alimentée par l'intelligence artificielle, un clic à la fois, dit la techno-sociologue Zeynep Tufekci. Dans une intervention révélatrice, elle détaille comment les mêmes algorithmes que des entreprises comme Facebook, Google et Amazon utilisent pour vous faire cliquer sur des publicités sont également utilisés pour organisez votre accès aux informations politiques et sociales. Les machines ne sont même pas la vraie menace. Nous devons comprendre comment les personnes au pouvoir pourraient utiliser l'IA pour nous contrôler et comment nous pouvons y répondre.
Zeynep Tufekci - Techno-sociologist
Techno-sociologist Zeynep Tufekci asks big questions about our societies and our lives, as both algorithms and digital connectivity spread. Full bio
Techno-sociologist Zeynep Tufekci asks big questions about our societies and our lives, as both algorithms and digital connectivity spread. Full bio
Double-click the English transcript below to play the video.
00:12
So when people voice fears
of artificial intelligence,
of artificial intelligence,
0
760
3536
Quand les gens expriment de la peur
envers l'intelligence artificielle,
envers l'intelligence artificielle,
00:16
very often, they invoke images
of humanoid robots run amok.
of humanoid robots run amok.
1
4320
3976
très souvent, ils évoquent des images
de robots humanoïdes qui se déchaînent.
de robots humanoïdes qui se déchaînent.
00:20
You know? Terminator?
2
8320
1240
Vous voyez ? Terminator ?
00:22
You know, that might be
something to consider,
something to consider,
3
10400
2336
Ce pourrait être à considérer
00:24
but that's a distant threat.
4
12760
1856
mais c'est une menace très lointaine.
00:26
Or, we fret about digital surveillance
5
14640
3456
Ou nous nous tracassons
au sujet de la surveillance numérique
au sujet de la surveillance numérique
00:30
with metaphors from the past.
6
18120
1776
avec des métaphores du passé.
00:31
"1984," George Orwell's "1984,"
7
19920
2656
« 1984 » de George Orwell
00:34
it's hitting the bestseller lists again.
8
22600
2280
est à nouveau parmi les livres
les plus vendus.
les plus vendus.
00:37
It's a great book,
9
25960
1416
C'est un super livre,
00:39
but it's not the correct dystopia
for the 21st century.
for the 21st century.
10
27400
3880
mais ce n'est pas la bonne dystopie
pour le 21e siècle.
pour le 21e siècle.
00:44
What we need to fear most
11
32080
1416
Ce que nous devons craindre
00:45
is not what artificial intelligence
will do to us on its own,
will do to us on its own,
12
33520
4776
n'est pas ce que
l'intelligence artificielle fera seule,
l'intelligence artificielle fera seule,
00:50
but how the people in power
will use artificial intelligence
will use artificial intelligence
13
38320
4736
mais comment les gens au pouvoir
utiliseront l'intelligence artificielle
utiliseront l'intelligence artificielle
00:55
to control us and to manipulate us
14
43080
2816
pour nous contrôler et nous manipuler
00:57
in novel, sometimes hidden,
15
45920
3136
de façons nouvelles, parfois cachées,
01:01
subtle and unexpected ways.
16
49080
3016
subtiles et inattendues.
01:04
Much of the technology
17
52120
1856
La plupart des technologies
01:06
that threatens our freedom
and our dignity in the near-term future
and our dignity in the near-term future
18
54000
4336
qui menacent notre liberté
et notre dignité dans un avenir proche
et notre dignité dans un avenir proche
01:10
is being developed by companies
19
58360
1856
sont développées par des entreprises
01:12
in the business of capturing
and selling our data and our attention
and selling our data and our attention
20
60240
4936
dans le domaine
de l'enregistrement et de la vente
de l'enregistrement et de la vente
de nos données et notre attention
01:17
to advertisers and others:
21
65200
2256
à des publicitaires et autres :
01:19
Facebook, Google, Amazon,
22
67480
3416
Facebook, Google, Amazon,
01:22
Alibaba, Tencent.
23
70920
1880
Alibaba, Tencent.
01:26
Now, artificial intelligence has started
bolstering their business as well.
bolstering their business as well.
24
74040
5496
L'intelligence artificielle a également
commencé à stimuler leur marché.
commencé à stimuler leur marché.
01:31
And it may seem
like artificial intelligence
like artificial intelligence
25
79560
2096
On pourrait croire
que l'intelligence artificielle
que l'intelligence artificielle
01:33
is just the next thing after online ads.
26
81680
2856
sera la suite des publicités en ligne.
01:36
It's not.
27
84560
1216
Ce n'est pas le cas.
01:37
It's a jump in category.
28
85800
2456
C'est un saut dans la catégorie.
01:40
It's a whole different world,
29
88280
2576
C'est un monde complètement différent
01:42
and it has great potential.
30
90880
2616
qui a un énorme potentiel.
01:45
It could accelerate our understanding
of many areas of study and research.
of many areas of study and research.
31
93520
6920
Ça pourrait accélérer
notre compréhension
notre compréhension
de nombreux domaines
d'étude et de recherche.
d'étude et de recherche.
01:53
But to paraphrase
a famous Hollywood philosopher,
a famous Hollywood philosopher,
32
101120
3496
Pour paraphraser un célèbre
philosophe hollywoodien :
philosophe hollywoodien :
01:56
"With prodigious potential
comes prodigious risk."
comes prodigious risk."
33
104640
3640
« Un grand pouvoir implique
de grandes responsabilités. »
de grandes responsabilités. »
02:01
Now let's look at a basic fact
of our digital lives, online ads.
of our digital lives, online ads.
34
109120
3936
Considérons un fait fondamental
de nos vies numériques : les publicités.
de nos vies numériques : les publicités.
02:05
Right? We kind of dismiss them.
35
113080
2896
Nous les ignorons.
02:08
They seem crude, ineffective.
36
116000
1976
Elles semblent grossières, inefficaces.
02:10
We've all had the experience
of being followed on the web
of being followed on the web
37
118000
4256
Nous avons tous été suivis sur internet
par une pub basée sur une chose
que nous avions cherchée ou lue.
que nous avions cherchée ou lue.
02:14
by an ad based on something
we searched or read.
we searched or read.
38
122280
2776
02:17
You know, you look up a pair of boots
39
125080
1856
Vous cherchez un paire de bottes
02:18
and for a week, those boots are following
you around everywhere you go.
you around everywhere you go.
40
126960
3376
et pendant une semaine, ces bottes
vous suivent partout où vous allez.
vous suivent partout où vous allez.
02:22
Even after you succumb and buy them,
they're still following you around.
they're still following you around.
41
130360
3656
Même après avoir succombé
et les avoir achetées,
et les avoir achetées,
elles vous suivent encore.
02:26
We're kind of inured to that kind
of basic, cheap manipulation.
of basic, cheap manipulation.
42
134040
3016
Nous sommes un peu protégés
contre cette manipulation bon marché.
contre cette manipulation bon marché.
02:29
We roll our eyes and we think,
"You know what? These things don't work."
"You know what? These things don't work."
43
137080
3400
Nous levons les yeux au ciel et pensons :
« Ça ne marche pas. »
« Ça ne marche pas. »
02:33
Except, online,
44
141720
2096
Mis à part qu'en ligne,
02:35
the digital technologies are not just ads.
45
143840
3600
les technologies numériques
ne sont pas que des publicités.
ne sont pas que des publicités.
02:40
Now, to understand that,
let's think of a physical world example.
let's think of a physical world example.
46
148240
3120
Pour le comprendre, réfléchissons
à un exemple du monde physique.
à un exemple du monde physique.
02:43
You know how, at the checkout counters
at supermarkets, near the cashier,
at supermarkets, near the cashier,
47
151840
4656
Vous savez comment à la caisse
au supermarché, près du caissier,
au supermarché, près du caissier,
02:48
there's candy and gum
at the eye level of kids?
at the eye level of kids?
48
156520
3480
il y a des bonbons et chewing-gums
à hauteur des yeux des enfants ?
à hauteur des yeux des enfants ?
02:52
That's designed to make them
whine at their parents
whine at their parents
49
160800
3496
C'est conçu pour les faire pleurnicher
auprès de leurs parents
auprès de leurs parents
02:56
just as the parents
are about to sort of check out.
are about to sort of check out.
50
164320
3080
alors que les parents
sont sur le point de payer.
sont sur le point de payer.
03:00
Now, that's a persuasion architecture.
51
168040
2640
C'est une architecture de persuasion.
03:03
It's not nice, but it kind of works.
52
171160
3096
Ce n'est pas sympa, mais ça marche.
03:06
That's why you see it
in every supermarket.
in every supermarket.
53
174280
2040
C'est pourquoi vous le voyez partout.
03:08
Now, in the physical world,
54
176720
1696
Dans le monde physique,
03:10
such persuasion architectures
are kind of limited,
are kind of limited,
55
178440
2496
de telles architectures
de persuasion sont limitées
de persuasion sont limitées
03:12
because you can only put
so many things by the cashier. Right?
so many things by the cashier. Right?
56
180960
4816
car on ne peut mettre qu'un certain nombre
de choses près de la caisse.
de choses près de la caisse.
03:17
And the candy and gum,
it's the same for everyone,
it's the same for everyone,
57
185800
4296
Les bonbons et chewing-gums
sont les mêmes pour tout le monde,
sont les mêmes pour tout le monde,
03:22
even though it mostly works
58
190120
1456
même si ça fonctionne
03:23
only for people who have
whiny little humans beside them.
whiny little humans beside them.
59
191600
4040
surtout pour les gens ayant des petits
êtres pleurnichant à leurs côtés.
êtres pleurnichant à leurs côtés.
03:29
In the physical world,
we live with those limitations.
we live with those limitations.
60
197160
3920
Dans le monde physique,
nous vivons avec ces limites.
nous vivons avec ces limites.
03:34
In the digital world, though,
61
202280
1936
Dans le monde numérique cependant,
03:36
persuasion architectures
can be built at the scale of billions
can be built at the scale of billions
62
204240
4320
les architectures de persuasion
peuvent être adaptées
peuvent être adaptées
pour des milliards de personnes,
03:41
and they can target, infer, understand
63
209840
3856
elles peuvent cibler,
déduire, comprendre
déduire, comprendre
03:45
and be deployed at individuals
64
213720
2896
et être déployées pour des individus,
03:48
one by one
65
216640
1216
un par un,
03:49
by figuring out your weaknesses,
66
217880
2136
en déterminant nos faiblesses
03:52
and they can be sent
to everyone's phone private screen,
to everyone's phone private screen,
67
220040
5616
et elles peuvent être envoyées
sur l'écran privé des téléphones
sur l'écran privé des téléphones
03:57
so it's not visible to us.
68
225680
2256
afin que ce ne soit pas
visible à nos yeux.
visible à nos yeux.
03:59
And that's different.
69
227960
1256
C'est différent.
04:01
And that's just one of the basic things
that artificial intelligence can do.
that artificial intelligence can do.
70
229240
3576
Ce n'est qu'une chose basique dont
est capable l'intelligence artificielle.
est capable l'intelligence artificielle.
04:04
Now, let's take an example.
71
232840
1336
Prenons un exemple.
04:06
Let's say you want to sell
plane tickets to Vegas. Right?
plane tickets to Vegas. Right?
72
234200
2696
Vous voulez vendre
des billets d'avion pour Las Vegas.
des billets d'avion pour Las Vegas.
04:08
So in the old world, you could think
of some demographics to target
of some demographics to target
73
236920
3496
Dans l'ancien monde, vous pensiez
à des segments démographiques à cibler
à des segments démographiques à cibler
04:12
based on experience
and what you can guess.
and what you can guess.
74
240440
2520
d'après votre expérience
et ce que vous pouvez imaginer.
et ce que vous pouvez imaginer.
04:15
You might try to advertise to, oh,
75
243560
2816
Vous pourriez faire de la publicité
04:18
men between the ages of 25 and 35,
76
246400
2496
aux hommes ayant entre 25 et 35 ans
04:20
or people who have
a high limit on their credit card,
a high limit on their credit card,
77
248920
3936
ou aux gens qui ont une limite élevée
sur leur carte de crédit
sur leur carte de crédit
04:24
or retired couples. Right?
78
252880
1376
ou aux couples à la retraite.
04:26
That's what you would do in the past.
79
254280
1816
C'est ce que vous auriez fait.
04:28
With big data and machine learning,
80
256120
2896
Avec le big data
et l'apprentissage des machines,
et l'apprentissage des machines,
04:31
that's not how it works anymore.
81
259040
1524
ça ne marche plus comme ça.
04:33
So to imagine that,
82
261320
2176
Pour l'imaginer,
04:35
think of all the data
that Facebook has on you:
that Facebook has on you:
83
263520
3856
pensez à toutes les données
que Facebook a sur vous :
que Facebook a sur vous :
04:39
every status update you ever typed,
84
267400
2536
tous les status tapés,
04:41
every Messenger conversation,
85
269960
2016
toutes les conversations Messenger,
04:44
every place you logged in from,
86
272000
1880
tous vos lieux de connexion,
04:48
all your photographs
that you uploaded there.
that you uploaded there.
87
276400
3176
toutes les photos
que vous avez téléchargées.
que vous avez téléchargées.
04:51
If you start typing something
and change your mind and delete it,
and change your mind and delete it,
88
279600
3776
Si vous tapez quelque chose,
changez d'avis et le supprimez,
changez d'avis et le supprimez,
04:55
Facebook keeps those
and analyzes them, too.
and analyzes them, too.
89
283400
3200
Facebook le garde et l'analyse également.
04:59
Increasingly, it tries
to match you with your offline data.
to match you with your offline data.
90
287160
3936
De plus en plus, il essaye
de vous relier à vos données hors ligne.
de vous relier à vos données hors ligne.
05:03
It also purchases
a lot of data from data brokers.
a lot of data from data brokers.
91
291120
3176
Il achète également des données
auprès de courtiers de données.
auprès de courtiers de données.
05:06
It could be everything
from your financial records
from your financial records
92
294320
3416
Ce pourrait être n'importe quoi,
de vos documents financiers
de vos documents financiers
05:09
to a good chunk of your browsing history.
93
297760
2120
à votre historique de recherche.
05:12
Right? In the US,
such data is routinely collected,
such data is routinely collected,
94
300360
5416
Aux Etats-Unis, de telles données
sont systématiquement collectées,
sont systématiquement collectées,
05:17
collated and sold.
95
305800
1960
comparées et vendues.
05:20
In Europe, they have tougher rules.
96
308320
2440
En Europe, les règles sont plus strictes.
05:23
So what happens then is,
97
311680
2200
Ce qu'il se passe alors c'est que,
05:26
by churning through all that data,
these machine-learning algorithms --
these machine-learning algorithms --
98
314920
4016
en fouillant toutes ces données,
ces algorithmes d'apprentissage
des machines --
des machines --
05:30
that's why they're called
learning algorithms --
learning algorithms --
99
318960
2896
ils sont appelés algorithmes
d'apprentissage pour cette raison --
d'apprentissage pour cette raison --
05:33
they learn to understand
the characteristics of people
the characteristics of people
100
321880
4096
ils apprennent à comprendre
les caractéristiques des gens
les caractéristiques des gens
05:38
who purchased tickets to Vegas before.
101
326000
2520
ayant déjà acheté
des billets pour Las Vegas.
des billets pour Las Vegas.
05:41
When they learn this from existing data,
102
329760
3536
Quand ils l'apprennent
de données existantes,
de données existantes,
05:45
they also learn
how to apply this to new people.
how to apply this to new people.
103
333320
3816
ils apprennent aussi comment
l'appliquer à de nouvelles personnes.
l'appliquer à de nouvelles personnes.
05:49
So if they're presented with a new person,
104
337160
3056
Face à une nouvelle personne,
05:52
they can classify whether that person
is likely to buy a ticket to Vegas or not.
is likely to buy a ticket to Vegas or not.
105
340240
4640
ils peuvent classifier
si cette personne a des chances
d'acheter un billet pour Las Vegas ou pas.
d'acheter un billet pour Las Vegas ou pas.
05:57
Fine. You're thinking,
an offer to buy tickets to Vegas.
an offer to buy tickets to Vegas.
106
345720
5456
Bien. Vous vous dites qu'une offre
pour acheter des billets pour Las Vegas,
pour acheter des billets pour Las Vegas,
06:03
I can ignore that.
107
351200
1456
vous pouvez l'ignorer.
06:04
But the problem isn't that.
108
352680
2216
Mais le problème n'est pas là.
06:06
The problem is,
109
354920
1576
Le problème,
c'est que nous ne comprenons plus vraiment
06:08
we no longer really understand
how these complex algorithms work.
how these complex algorithms work.
110
356520
4136
comment fonctionnent
ces algorithmes complexes.
ces algorithmes complexes.
06:12
We don't understand
how they're doing this categorization.
how they're doing this categorization.
111
360680
3456
Nous ne comprenons pas
comment ils font cette catégorisation.
comment ils font cette catégorisation.
06:16
It's giant matrices,
thousands of rows and columns,
thousands of rows and columns,
112
364160
4416
Ce sont d'énormes matrices,
des milliers de lignes et colonnes,
des milliers de lignes et colonnes,
06:20
maybe millions of rows and columns,
113
368600
1960
peut-être même des millions,
06:23
and not the programmers
114
371320
2640
et ni les programmeurs,
06:26
and not anybody who looks at it,
115
374760
1680
ni quiconque les regardant,
06:29
even if you have all the data,
116
377440
1496
même avec toutes les données,
06:30
understands anymore
how exactly it's operating
how exactly it's operating
117
378960
4616
ne comprend plus
comment ça opère exactement,
comment ça opère exactement,
06:35
any more than you'd know
what I was thinking right now
what I was thinking right now
118
383600
3776
pas plus que vous ne sauriez
ce que je pense en ce moment
ce que je pense en ce moment
06:39
if you were shown
a cross section of my brain.
a cross section of my brain.
119
387400
3960
si l'on vous montrait
une coupe transversale de mon cerveau.
une coupe transversale de mon cerveau.
06:44
It's like we're not programming anymore,
120
392360
2576
C'est comme si nous ne programmions plus,
06:46
we're growing intelligence
that we don't truly understand.
that we don't truly understand.
121
394960
4400
nous élevons une intelligence
que nous ne comprenons pas vraiment.
que nous ne comprenons pas vraiment.
06:52
And these things only work
if there's an enormous amount of data,
if there's an enormous amount of data,
122
400520
3976
Ces choses fonctionnent seulement
s'il y a un énorme volume de données,
s'il y a un énorme volume de données,
06:56
so they also encourage
deep surveillance on all of us
deep surveillance on all of us
123
404520
5096
elles pourraient donc aussi encourager
une surveillance intensifiée à notre égard
une surveillance intensifiée à notre égard
07:01
so that the machine learning
algorithms can work.
algorithms can work.
124
409640
2336
afin que les algorithmes
d'apprentissage marchent.
d'apprentissage marchent.
C'est pour ça que Facebook veut
collecter toutes les données sur vous.
collecter toutes les données sur vous.
07:04
That's why Facebook wants
to collect all the data it can about you.
to collect all the data it can about you.
125
412000
3176
07:07
The algorithms work better.
126
415200
1576
Les algorithmes marchent mieux.
07:08
So let's push that Vegas example a bit.
127
416800
2696
Allons un peu plus loin
avec cet exemple de Las Vegas.
avec cet exemple de Las Vegas.
07:11
What if the system
that we do not understand
that we do not understand
128
419520
3680
Et si le système
que nous ne comprenons pas
que nous ne comprenons pas
07:16
was picking up that it's easier
to sell Vegas tickets
to sell Vegas tickets
129
424200
5136
déterminait qu'il est plus simple
de vendre des billets pour Las Vegas
de vendre des billets pour Las Vegas
07:21
to people who are bipolar
and about to enter the manic phase.
and about to enter the manic phase.
130
429360
3760
aux gens bipolaires qui sont sur le point
d'entrer dans la phase maniaque.
d'entrer dans la phase maniaque.
07:25
Such people tend to become
overspenders, compulsive gamblers.
overspenders, compulsive gamblers.
131
433640
4920
De telles personnes ont tendance
à dépenser et parier de façon compulsive.
à dépenser et parier de façon compulsive.
07:31
They could do this, and you'd have no clue
that's what they were picking up on.
that's what they were picking up on.
132
439280
4456
Ils pourraient le faire, vous ignoreriez
que c'était là leur conclusion.
que c'était là leur conclusion.
07:35
I gave this example
to a bunch of computer scientists once
to a bunch of computer scientists once
133
443760
3616
Une fois, j'ai donné cet exemple
à quelques informaticiens
à quelques informaticiens
07:39
and afterwards, one of them came up to me.
134
447400
2056
et après, l'un d'eux est venu me voir.
07:41
He was troubled and he said,
"That's why I couldn't publish it."
"That's why I couldn't publish it."
135
449480
3520
Il était préoccupé : « C'est pour ça
que je n'ai pas pu le publier ».
que je n'ai pas pu le publier ».
07:45
I was like, "Couldn't publish what?"
136
453600
1715
J'ai dit : « Publier quoi ? »
07:47
He had tried to see whether you can indeed
figure out the onset of mania
figure out the onset of mania
137
455800
5856
Il avait essayé de voir s'il l'on pouvait
détecter le début d'une manie
détecter le début d'une manie
07:53
from social media posts
before clinical symptoms,
before clinical symptoms,
138
461680
3216
d'après les posts sur les réseaux sociaux
avant les symptômes cliniques
avant les symptômes cliniques
07:56
and it had worked,
139
464920
1776
et ça avait fonctionné,
07:58
and it had worked very well,
140
466720
2056
ça avait très bien fonctionné,
08:00
and he had no idea how it worked
or what it was picking up on.
or what it was picking up on.
141
468800
4880
et il n'avait aucune idée de comment
ça marchait ou ce que ça détectait.
ça marchait ou ce que ça détectait.
08:06
Now, the problem isn't solved
if he doesn't publish it,
if he doesn't publish it,
142
474840
4416
Le problème n'est pas résolu
s'il ne le publie pas
s'il ne le publie pas
08:11
because there are already companies
143
479280
1896
car il y a déjà des entreprises
08:13
that are developing
this kind of technology,
this kind of technology,
144
481200
2536
qui développent ce genre de technologie
08:15
and a lot of the stuff
is just off the shelf.
is just off the shelf.
145
483760
2800
et beaucoup de choses existent déjà.
08:19
This is not very difficult anymore.
146
487240
2576
Ce n'est plus très compliqué.
08:21
Do you ever go on YouTube
meaning to watch one video
meaning to watch one video
147
489840
3456
Vous arrive-t-il d'aller sur YouTube
pour regarder une vidéo
pour regarder une vidéo
08:25
and an hour later you've watched 27?
148
493320
2360
et, une heure plus tard,
d'en avoir regardées 27 ?
d'en avoir regardées 27 ?
08:28
You know how YouTube
has this column on the right
has this column on the right
149
496760
2496
Vous voyez cette colonne
que YouTube a sur la droite,
que YouTube a sur la droite,
08:31
that says, "Up next"
150
499280
2216
qui dit « A suivre »
08:33
and it autoplays something?
151
501520
1816
et qui se lance automatiquement ?
08:35
It's an algorithm
152
503360
1216
C'est un algorithme
08:36
picking what it thinks
that you might be interested in
that you might be interested in
153
504600
3616
qui choisit ce qu'il pense
qui pourrait vous intéresser
qui pourrait vous intéresser
08:40
and maybe not find on your own.
154
508240
1536
et que vous ne trouveriez pas seul.
08:41
It's not a human editor.
155
509800
1256
Ce n'est pas un humain,
08:43
It's what algorithms do.
156
511080
1416
ce sont des algorithmes.
08:44
It picks up on what you have watched
and what people like you have watched,
and what people like you have watched,
157
512520
4736
Il considère ce que vous avez regardé
et ce que d'autres comme vous ont regardé
et ce que d'autres comme vous ont regardé
08:49
and infers that that must be
what you're interested in,
what you're interested in,
158
517280
4216
et il déduit que ce doit être
ce qui vous intéresse,
ce qui vous intéresse,
08:53
what you want more of,
159
521520
1255
ce dont vous voulez voir plus
08:54
and just shows you more.
160
522799
1336
et vous en montre plus.
08:56
It sounds like a benign
and useful feature,
and useful feature,
161
524159
2201
Ça semble être une fonction
bénigne et utile,
bénigne et utile,
08:59
except when it isn't.
162
527280
1200
mais ça ne l'est pas.
09:01
So in 2016, I attended rallies
of then-candidate Donald Trump
of then-candidate Donald Trump
163
529640
6960
En 2016, j'ai été à des rassemblements
du candidat Donald Trump
du candidat Donald Trump
09:09
to study as a scholar
the movement supporting him.
the movement supporting him.
164
537840
3336
pour étudier en tant que chercheuse
le mouvement le soutenant.
le mouvement le soutenant.
09:13
I study social movements,
so I was studying it, too.
so I was studying it, too.
165
541200
3456
J'étudie les mouvements sociaux,
alors j'étudiais ça aussi.
alors j'étudiais ça aussi.
09:16
And then I wanted to write something
about one of his rallies,
about one of his rallies,
166
544680
3336
Puis j'ai voulu écrire quelque chose
au sujet d'un de ses rassemblements
au sujet d'un de ses rassemblements
09:20
so I watched it a few times on YouTube.
167
548040
1960
alors je l'ai regardé sur YouTube.
09:23
YouTube started recommending to me
168
551240
3096
YouTube a commencé à me recommander
09:26
and autoplaying to me
white supremacist videos
white supremacist videos
169
554360
4256
et à lancer automatiquement
des vidéos de suprématistes blancs
des vidéos de suprématistes blancs
09:30
in increasing order of extremism.
170
558640
2656
étant de plus en plus extrémistes.
09:33
If I watched one,
171
561320
1816
Si j'en regardais une,
09:35
it served up one even more extreme
172
563160
2976
il m'en recommandait une
encore plus extrême
encore plus extrême
09:38
and autoplayed that one, too.
173
566160
1424
et la lançais automatiquement.
09:40
If you watch Hillary Clinton
or Bernie Sanders content,
or Bernie Sanders content,
174
568320
4536
Si vous regardez du contenu
d'Hillary Clinton ou Bernie Sanders,
d'Hillary Clinton ou Bernie Sanders,
09:44
YouTube recommends
and autoplays conspiracy left,
and autoplays conspiracy left,
175
572880
4696
YouTube recommande et lance
des vidéos gauchistes de conspiration
des vidéos gauchistes de conspiration
09:49
and it goes downhill from there.
176
577600
1760
et plus ça va, plus ça empire.
09:52
Well, you might be thinking,
this is politics, but it's not.
this is politics, but it's not.
177
580480
3056
Vous pensez peut-être
que c'est de la politique, mais non.
que c'est de la politique, mais non.
09:55
This isn't about politics.
178
583560
1256
Il ne s'agit pas de politique.
09:56
This is just the algorithm
figuring out human behavior.
figuring out human behavior.
179
584840
3096
Ce n'est qu'un algorithme
déterminant le comportement humain.
déterminant le comportement humain.
09:59
I once watched a video
about vegetarianism on YouTube
about vegetarianism on YouTube
180
587960
4776
Une fois, j'ai regardé une vidéo
sur le végétarisme sur YouTube
sur le végétarisme sur YouTube
10:04
and YouTube recommended
and autoplayed a video about being vegan.
and autoplayed a video about being vegan.
181
592760
4936
et YouTube a recommandé et lancé
une vidéo sur le fait d'être végétalien.
une vidéo sur le fait d'être végétalien.
10:09
It's like you're never
hardcore enough for YouTube.
hardcore enough for YouTube.
182
597720
3016
Vous n'êtes jamais
assez extrême pour YouTube.
assez extrême pour YouTube.
10:12
(Laughter)
183
600760
1576
(Rires)
10:14
So what's going on?
184
602360
1560
Que se passe-t-il ?
10:16
Now, YouTube's algorithm is proprietary,
185
604520
3536
L'algorithme de YouTube est propriétaire,
10:20
but here's what I think is going on.
186
608080
2360
mais voici ce qui, à mon avis, se passe.
10:23
The algorithm has figured out
187
611360
2096
L'algorithme a déterminé
10:25
that if you can entice people
188
613480
3696
que si vous pouvez pousser les gens
10:29
into thinking that you can
show them something more hardcore,
show them something more hardcore,
189
617200
3736
à penser que vous pouvez leur montrer
quelque chose de plus extrême,
quelque chose de plus extrême,
10:32
they're more likely to stay on the site
190
620960
2416
ils ont plus de chances
de rester sur le site
de rester sur le site
10:35
watching video after video
going down that rabbit hole
going down that rabbit hole
191
623400
4416
à regarder vidéo sur vidéo,
descendant dans le terrier du lapin
descendant dans le terrier du lapin
10:39
while Google serves them ads.
192
627840
1680
pendant que Google leur sert des pubs.
10:43
Now, with nobody minding
the ethics of the store,
the ethics of the store,
193
631760
3120
Puisque personne ne fait attention
à l'éthique du magasin,
à l'éthique du magasin,
10:47
these sites can profile people
194
635720
4240
ces sites peuvent profiler des gens
10:53
who are Jew haters,
195
641680
1920
comme haïssant les juifs,
10:56
who think that Jews are parasites
196
644360
2480
pensant que les juifs sont des parasites,
11:00
and who have such explicit
anti-Semitic content,
anti-Semitic content,
197
648320
4920
qui ont du contenu
anti-sémite très explicite,
anti-sémite très explicite,
11:06
and let you target them with ads.
198
654080
2000
et vous laisser les cibler avec des pubs.
11:09
They can also mobilize algorithms
199
657200
3536
Ils peuvent mobiliser les algorithmes
11:12
to find for you look-alike audiences,
200
660760
3136
pour trouver des publics similaires,
11:15
people who do not have such explicit
anti-Semitic content on their profile
anti-Semitic content on their profile
201
663920
5576
des gens n'ayant pas de contenu
anti-sémite si explicite sur leur profil
anti-sémite si explicite sur leur profil
11:21
but who the algorithm detects
may be susceptible to such messages,
may be susceptible to such messages,
202
669520
6176
mais que les algorithmes détectent
comme étant sensibles à de tels messages,
comme étant sensibles à de tels messages,
11:27
and lets you target them with ads, too.
203
675720
1920
et vous laisser les cibler avec des pubs.
11:30
Now, this may sound
like an implausible example,
like an implausible example,
204
678680
2736
Ça peut sembler être
un exemple peu plausible,
un exemple peu plausible,
11:33
but this is real.
205
681440
1320
mais c'est vrai.
11:35
ProPublica investigated this
206
683480
2136
ProPublica a enquêté sur ça
11:37
and found that you can indeed
do this on Facebook,
do this on Facebook,
207
685640
3616
et a découvert que vous pouviez
vraiment le faire sur Facebook
vraiment le faire sur Facebook
11:41
and Facebook helpfully
offered up suggestions
offered up suggestions
208
689280
2416
et Facebook, serviable,
offrait des suggestions
offrait des suggestions
11:43
on how to broaden that audience.
209
691720
1600
sur comment étendre ce public.
11:46
BuzzFeed tried it for Google,
and very quickly they found,
and very quickly they found,
210
694720
3016
BuzzFeed l'a essayé pour Google
et a rapidement découvert
et a rapidement découvert
11:49
yep, you can do it on Google, too.
211
697760
1736
que vous pouvez le faire sur Google.
11:51
And it wasn't even expensive.
212
699520
1696
Ce n'était même pas cher.
11:53
The ProPublica reporter
spent about 30 dollars
spent about 30 dollars
213
701240
4416
Le reporter de ProPublica
a dépensé environ 30 dollars
a dépensé environ 30 dollars
11:57
to target this category.
214
705680
2240
pour cibler cette catégorie.
12:02
So last year, Donald Trump's
social media manager disclosed
social media manager disclosed
215
710600
5296
L'année dernière, le responsable
des réseaux sociaux de Donald Trump
des réseaux sociaux de Donald Trump
a révélé utiliser les dark posts
de Facebook pour démobiliser les gens,
de Facebook pour démobiliser les gens,
12:07
that they were using Facebook dark posts
to demobilize people,
to demobilize people,
216
715920
5336
12:13
not to persuade them,
217
721280
1376
pas pour les persuader,
12:14
but to convince them not to vote at all.
218
722680
2800
mais pour les convaincre
de ne pas voter du tout.
de ne pas voter du tout.
12:18
And to do that,
they targeted specifically,
they targeted specifically,
219
726520
3576
Pour ce faire,
ils ont spécifiquement ciblé,
ils ont spécifiquement ciblé,
12:22
for example, African-American men
in key cities like Philadelphia,
in key cities like Philadelphia,
220
730120
3896
par exemple, les hommes afro-américains
dans des villes clés comme Philadelphie
dans des villes clés comme Philadelphie
12:26
and I'm going to read
exactly what he said.
exactly what he said.
221
734040
2456
et je vais lire exactement ce qu'il a dit.
12:28
I'm quoting.
222
736520
1216
Je cite.
12:29
They were using "nonpublic posts
223
737760
3016
Ils utilisaient « des posts non publics
12:32
whose viewership the campaign controls
224
740800
2176
dont la campagne contrôle l'audience
12:35
so that only the people
we want to see it see it.
we want to see it see it.
225
743000
3776
afin que seuls les voient les gens
dont nous voulons qu'ils les voient.
dont nous voulons qu'ils les voient.
12:38
We modeled this.
226
746800
1216
Nous l'avons façonné.
12:40
It will dramatically affect her ability
to turn these people out."
to turn these people out."
227
748040
4720
Ça affectera considérablement
sa capacité à retourner ces gens. »
sa capacité à retourner ces gens. »
12:45
What's in those dark posts?
228
753720
2280
Qu'y a-t-il dans ces dark posts ?
12:48
We have no idea.
229
756480
1656
Nous l'ignorons.
12:50
Facebook won't tell us.
230
758160
1200
Facebook refuse de le dire.
12:52
So Facebook also algorithmically
arranges the posts
arranges the posts
231
760480
4376
Facebook arrange également
algorithmiquement les posts
algorithmiquement les posts
12:56
that your friends put on Facebook,
or the pages you follow.
or the pages you follow.
232
764880
3736
que vos amis mettent sur Facebook
ou des pages que vous suivez.
ou des pages que vous suivez.
13:00
It doesn't show you
everything chronologically.
everything chronologically.
233
768640
2216
Il ne vous montre pas tout
chronologiquement.
chronologiquement.
13:02
It puts the order in the way
that the algorithm thinks will entice you
that the algorithm thinks will entice you
234
770880
4816
Il le met dans l'ordre qui,
selon l'algorithme, devrait vous pousser
selon l'algorithme, devrait vous pousser
13:07
to stay on the site longer.
235
775720
1840
à rester plus longtemps sur le site.
13:11
Now, so this has a lot of consequences.
236
779040
3376
Ça a de nombreuses conséquences.
13:14
You may be thinking
somebody is snubbing you on Facebook.
somebody is snubbing you on Facebook.
237
782440
3800
Vous pensez peut-être que quelqu'un
vous ignore sur Facebook.
vous ignore sur Facebook.
13:18
The algorithm may never
be showing your post to them.
be showing your post to them.
238
786800
3256
L'algorithme ne lui montre
peut-être jamais vos posts.
peut-être jamais vos posts.
13:22
The algorithm is prioritizing
some of them and burying the others.
some of them and burying the others.
239
790080
5960
L'algorithme en priorise certains
et en enterre d'autres.
et en enterre d'autres.
13:29
Experiments show
240
797320
1296
Des expériences montrent
13:30
that what the algorithm picks to show you
can affect your emotions.
can affect your emotions.
241
798640
4520
que ce que l'algorithme
choisit de vous montrer
choisit de vous montrer
peut influencer vos émotions.
13:36
But that's not all.
242
804600
1200
Mais ce n'est pas tout.
13:38
It also affects political behavior.
243
806280
2360
Ça influence aussi
votre comportement politique.
votre comportement politique.
13:41
So in 2010, in the midterm elections,
244
809360
4656
En 2010, aux élections de mi-mandat,
13:46
Facebook did an experiment
on 61 million people in the US
on 61 million people in the US
245
814040
5896
Facebook a conduit une expérience
sur 61 millions de personnes américaines
sur 61 millions de personnes américaines
13:51
that was disclosed after the fact.
246
819960
1896
qui a été révélée après les faits.
13:53
So some people were shown,
"Today is election day,"
"Today is election day,"
247
821880
3416
Certaines personnes ont vu
« Aujourd'hui, c'est jour d'élection »,
« Aujourd'hui, c'est jour d'élection »,
13:57
the simpler one,
248
825320
1376
le plus simple,
13:58
and some people were shown
the one with that tiny tweak
the one with that tiny tweak
249
826720
3896
et certaines personnes ont vu
celui avec ce petit ajustement
celui avec ce petit ajustement
14:02
with those little thumbnails
250
830640
2096
avec les petites photos
14:04
of your friends who clicked on "I voted."
251
832760
2840
de vos amis ayant cliqué
sur « j'ai voté ».
sur « j'ai voté ».
14:09
This simple tweak.
252
837000
1400
Ce simple ajustement.
14:11
OK? So the pictures were the only change,
253
839520
4296
D'accord ? Les photos étaient
la seule modification
la seule modification
14:15
and that post shown just once
254
843840
3256
et ce post montré qu'une seule fois
14:19
turned out an additional 340,000 voters
255
847120
6056
a attiré 340 000 électeurs supplémentaires
14:25
in that election,
256
853200
1696
dans cette élection,
14:26
according to this research
257
854920
1696
d'après cette recherche
14:28
as confirmed by the voter rolls.
258
856640
2520
et la liste des électeurs l'a confirmé.
14:32
A fluke? No.
259
860920
1656
Un hasard ? Non.
14:34
Because in 2012,
they repeated the same experiment.
they repeated the same experiment.
260
862600
5360
Parce qu'en 2012, ils ont reconduit
cette même expérience.
cette même expérience.
14:40
And that time,
261
868840
1736
A cette époque-là,
14:42
that civic message shown just once
262
870600
3296
ce message civique montré une seule fois
14:45
turned out an additional 270,000 voters.
263
873920
4440
a attiré 270 000 électeurs
supplémentaires.
supplémentaires.
14:51
For reference, the 2016
US presidential election
US presidential election
264
879160
5216
En guise de référence,
l'élection présidentielle de 2016
l'élection présidentielle de 2016
14:56
was decided by about 100,000 votes.
265
884400
3520
s'est jouée à environ 100 000 votes.
15:01
Now, Facebook can also
very easily infer what your politics are,
very easily infer what your politics are,
266
889360
4736
Facebook peut aussi très facilement
déduire vos opinions politiques,
déduire vos opinions politiques,
15:06
even if you've never
disclosed them on the site.
disclosed them on the site.
267
894120
2256
même si vous ne les avez pas
révélées sur le site.
révélées sur le site.
15:08
Right? These algorithms
can do that quite easily.
can do that quite easily.
268
896400
2520
Ces algorithmes peuvent
le faire assez facilement.
le faire assez facilement.
15:11
What if a platform with that kind of power
269
899960
3896
Et si une plateforme avec un tel pouvoir
15:15
decides to turn out supporters
of one candidate over the other?
of one candidate over the other?
270
903880
5040
décidait de retourner les partisans
d'un candidat pour l'autre ?
d'un candidat pour l'autre ?
15:21
How would we even know about it?
271
909680
2440
Comment le saurions-nous ?
15:25
Now, we started from someplace
seemingly innocuous --
seemingly innocuous --
272
913560
4136
Nous sommes partis de quelque chose
semble-t-il inoffensif --
semble-t-il inoffensif --
15:29
online adds following us around --
273
917720
2216
les pubs nous suivant partout en ligne --
15:31
and we've landed someplace else.
274
919960
1840
et sommes arrivés ailleurs.
15:35
As a public and as citizens,
275
923480
2456
En tant que public et citoyens,
15:37
we no longer know
if we're seeing the same information
if we're seeing the same information
276
925960
3416
nous ne savons plus
si nous voyons les mêmes informations
si nous voyons les mêmes informations
15:41
or what anybody else is seeing,
277
929400
1480
ou ce que voient les autres
15:43
and without a common basis of information,
278
931680
2576
et sans base d'informations commune,
15:46
little by little,
279
934280
1616
peu à peu,
15:47
public debate is becoming impossible,
280
935920
3216
le débat public devient impossible
15:51
and we're just at
the beginning stages of this.
the beginning stages of this.
281
939160
2976
et nous n'en sommes
qu'aux premières phases.
qu'aux premières phases.
15:54
These algorithms can quite easily infer
282
942160
3456
Ces algorithmes peuvent facilement déduire
15:57
things like your people's ethnicity,
283
945640
3256
des choses comme votre ethnie,
vos opinions religieuses, politiques,
vos opinions religieuses, politiques,
16:00
religious and political views,
personality traits,
personality traits,
284
948920
2336
vos traits de personnalité,
16:03
intelligence, happiness,
use of addictive substances,
use of addictive substances,
285
951280
3376
votre intelligence, votre bonheur,
votre usage de substances addictives,
votre usage de substances addictives,
16:06
parental separation, age and genders,
286
954680
3136
la situation maritale de vos parents,
votre âge et votre sexe,
votre âge et votre sexe,
16:09
just from Facebook likes.
287
957840
1960
uniquement grâce
aux « J'aime » de Facebook.
aux « J'aime » de Facebook.
16:13
These algorithms can identify protesters
288
961440
4056
Ces algorithmes peuvent
identifier des manifestants
identifier des manifestants
16:17
even if their faces
are partially concealed.
are partially concealed.
289
965520
2760
même si leur visage
est partiellement caché.
est partiellement caché.
16:21
These algorithms may be able
to detect people's sexual orientation
to detect people's sexual orientation
290
969720
6616
Ces algorithmes peuvent peut-être
détecter l'orientation sexuelle des gens
détecter l'orientation sexuelle des gens
16:28
just from their dating profile pictures.
291
976360
3200
simplement grâce à leur photo de profil
sur un site de rencontres.
sur un site de rencontres.
16:33
Now, these are probabilistic guesses,
292
981560
2616
Ce sont des conjectures statistiques,
16:36
so they're not going
to be 100 percent right,
to be 100 percent right,
293
984200
2896
ils n'auront pas raison à 100%,
16:39
but I don't see the powerful resisting
the temptation to use these technologies
the temptation to use these technologies
294
987120
4896
mais je ne vois pas les puissants résister
à la tentation d'utiliser ces technologies
à la tentation d'utiliser ces technologies
16:44
just because there are
some false positives,
some false positives,
295
992040
2176
simplement parce qu'il y a
des faux positifs,
des faux positifs,
16:46
which will of course create
a whole other layer of problems.
a whole other layer of problems.
296
994240
3256
ce qui, bien sûr, créera
un couche supplémentaire de problèmes.
un couche supplémentaire de problèmes.
16:49
Imagine what a state can do
297
997520
2936
Imaginez ce qu'un Etat peut faire
16:52
with the immense amount of data
it has on its citizens.
it has on its citizens.
298
1000480
3560
avec l'énorme volume de données
qu'il a sur ces citoyens.
qu'il a sur ces citoyens.
16:56
China is already using
face detection technology
face detection technology
299
1004680
4776
La Chine utilise déjà
une technologie de détection du visage
une technologie de détection du visage
17:01
to identify and arrest people.
300
1009480
2880
pour identifier et arrêter des gens.
17:05
And here's the tragedy:
301
1013280
2136
Voici la tragédie :
17:07
we're building this infrastructure
of surveillance authoritarianism
of surveillance authoritarianism
302
1015440
5536
nous instaurons cette infrastructure
de surveillance d’autoritarisme
de surveillance d’autoritarisme
17:13
merely to get people to click on ads.
303
1021000
2960
simplement pour que les gens
cliquent sur des pubs.
cliquent sur des pubs.
17:17
And this won't be
Orwell's authoritarianism.
Orwell's authoritarianism.
304
1025240
2576
Ce ne sera pas l’autoritarisme d'Orwell.
17:19
This isn't "1984."
305
1027839
1897
Ce n'est pas « 1984 ».
17:21
Now, if authoritarianism
is using overt fear to terrorize us,
is using overt fear to terrorize us,
306
1029760
4576
Si l'autoritarisme une peur déclarée
pour nous terroriser,
pour nous terroriser,
17:26
we'll all be scared, but we'll know it,
307
1034359
2897
nous aurons tous peur
mais nous le saurons,
mais nous le saurons,
17:29
we'll hate it and we'll resist it.
308
1037280
2200
nous détesterons ça et résisterons.
17:32
But if the people in power
are using these algorithms
are using these algorithms
309
1040880
4416
Mais si les gens au pouvoir
utilisent ces algorithmes
utilisent ces algorithmes
17:37
to quietly watch us,
310
1045319
3377
pour nous surveiller discrètement,
17:40
to judge us and to nudge us,
311
1048720
2080
pour nous juger et nous inciter,
17:43
to predict and identify
the troublemakers and the rebels,
the troublemakers and the rebels,
312
1051720
4176
pour prédire et identifier
les fauteurs de trouble et les rebelles,
les fauteurs de trouble et les rebelles,
17:47
to deploy persuasion
architectures at scale
architectures at scale
313
1055920
3896
pour déployer une architecture
de persuasion à grande échelle
de persuasion à grande échelle
17:51
and to manipulate individuals one by one
314
1059840
4136
et pour manipuler les individus un par un
17:56
using their personal, individual
weaknesses and vulnerabilities,
weaknesses and vulnerabilities,
315
1064000
5440
grâce à leurs faiblesses et vulnérabilités
personnelles et individuelles
personnelles et individuelles
18:02
and if they're doing it at scale
316
1070720
2200
et s'ils le font à grande échelle
18:06
through our private screens
317
1074080
1736
via nos écrans privés
18:07
so that we don't even know
318
1075840
1656
afin que nous ne sachions même pas
18:09
what our fellow citizens
and neighbors are seeing,
and neighbors are seeing,
319
1077520
2760
ce que les autres citoyens
et nos voisins voient,
et nos voisins voient,
18:13
that authoritarianism
will envelop us like a spider's web
will envelop us like a spider's web
320
1081560
4816
l'autoritarisme nous enveloppera
tel une toile d'araignée
tel une toile d'araignée
18:18
and we may not even know we're in it.
321
1086400
2480
et nous ignorons même
que nous sommes dans la toile.
que nous sommes dans la toile.
18:22
So Facebook's market capitalization
322
1090440
2936
La capitalisation du marché de Facebook
18:25
is approaching half a trillion dollars.
323
1093400
3296
approche le demi milliard de dollars.
18:28
It's because it works great
as a persuasion architecture.
as a persuasion architecture.
324
1096720
3120
C'est parce que c'est une très bonne
architecture de persuasion.
architecture de persuasion.
18:33
But the structure of that architecture
325
1101760
2816
Mais la structure de cette architecture
18:36
is the same whether you're selling shoes
326
1104600
3216
est la même que vous vendiez
des chaussures
des chaussures
18:39
or whether you're selling politics.
327
1107840
2496
ou de la politique.
18:42
The algorithms do not know the difference.
328
1110360
3120
Les algorithmes
ne connaissent pas la différence.
ne connaissent pas la différence.
18:46
The same algorithms set loose upon us
329
1114240
3296
Les mêmes algorithmes utilisés sur nous
18:49
to make us more pliable for ads
330
1117560
3176
pour nous rendre plus malléables
face aux publicités
face aux publicités
18:52
are also organizing our political,
personal and social information flows,
personal and social information flows,
331
1120760
6736
organisent aussi nos flux d'informations
politiques, personnelles et sociales
politiques, personnelles et sociales
18:59
and that's what's got to change.
332
1127520
1840
et ça doit changer.
19:02
Now, don't get me wrong,
333
1130240
2296
Ne vous méprenez pas,
19:04
we use digital platforms
because they provide us with great value.
because they provide us with great value.
334
1132560
3680
nous utilisons les plateformes numériques
car elles ont beaucoup de valeur.
car elles ont beaucoup de valeur.
19:09
I use Facebook to keep in touch
with friends and family around the world.
with friends and family around the world.
335
1137120
3560
J'utilise Facebook pour garder contact
avec des amis et de la famille
à travers le monde.
à travers le monde.
19:14
I've written about how crucial
social media is for social movements.
social media is for social movements.
336
1142000
5776
J'ai écrit sur l'importance des réseaux
sociaux pour les mouvements sociaux.
sociaux pour les mouvements sociaux.
19:19
I have studied how
these technologies can be used
these technologies can be used
337
1147800
3016
J'ai étudié comment ces technologies
peuvent être utilisées
peuvent être utilisées
19:22
to circumvent censorship around the world.
338
1150840
2480
pour contourner la censure
à travers le monde.
à travers le monde.
19:27
But it's not that the people who run,
you know, Facebook or Google
you know, Facebook or Google
339
1155280
6416
Ce n'est pas que les dirigeants
de Facebook ou Google
de Facebook ou Google
19:33
are maliciously and deliberately trying
340
1161720
2696
essayent perfidement et délibérément
19:36
to make the country
or the world more polarized
or the world more polarized
341
1164440
4456
de polariser plus le pays ou le monde
19:40
and encourage extremism.
342
1168920
1680
et d'encourager l'extrémisme.
19:43
I read the many
well-intentioned statements
well-intentioned statements
343
1171440
3976
J'ai lu les nombreuses déclarations
bien intentionnées
bien intentionnées
19:47
that these people put out.
344
1175440
3320
que ces gens ont publiées.
19:51
But it's not the intent or the statements
people in technology make that matter,
people in technology make that matter,
345
1179600
6056
Mais ce n'est pas l'intention
ou les déclarations
ou les déclarations
des gens dans les technologies
qui comptent,
qui comptent,
19:57
it's the structures
and business models they're building.
and business models they're building.
346
1185680
3560
ce sont les structures
et les modèles commerciaux qu'ils créent.
et les modèles commerciaux qu'ils créent.
20:02
And that's the core of the problem.
347
1190360
2096
C'est le cœur du problème.
20:04
Either Facebook is a giant con
of half a trillion dollars
of half a trillion dollars
348
1192480
4720
Soit Facebook est un escroc
d'un demi milliard de dollars
d'un demi milliard de dollars
20:10
and ads don't work on the site,
349
1198200
1896
et les pubs ne marchent pas sur le site,
20:12
it doesn't work
as a persuasion architecture,
as a persuasion architecture,
350
1200120
2696
ça ne marche pas
comme une architecture de persuasion
comme une architecture de persuasion
20:14
or its power of influence
is of great concern.
is of great concern.
351
1202840
4120
ou son pouvoir d'influence
est très préoccupant.
est très préoccupant.
20:20
It's either one or the other.
352
1208560
1776
C'est l'un ou l'autre.
20:22
It's similar for Google, too.
353
1210360
1600
Il en va de même pour Google.
20:24
So what can we do?
354
1212880
2456
Que pouvons-nous faire ?
20:27
This needs to change.
355
1215360
1936
Ça doit changer.
20:29
Now, I can't offer a simple recipe,
356
1217320
2576
Je ne peux pas offrir de recette simple
20:31
because we need to restructure
357
1219920
2256
car nous devons restructurer
20:34
the whole way our
digital technology operates.
digital technology operates.
358
1222200
3016
tout le fonctionnement
de notre technologie numérique.
de notre technologie numérique.
20:37
Everything from the way
technology is developed
technology is developed
359
1225240
4096
Tout, de la façon dont
la technologie est développée
la technologie est développée
20:41
to the way the incentives,
economic and otherwise,
economic and otherwise,
360
1229360
3856
à la façon dont les incitations,
économiques et autres,
économiques et autres,
20:45
are built into the system.
361
1233240
2280
sont intégrées au système.
20:48
We have to face and try to deal with
362
1236480
3456
Nous devons faire face et gérer
20:51
the lack of transparency
created by the proprietary algorithms,
created by the proprietary algorithms,
363
1239960
4656
le manque de transparence créé
par les algorithmes propriétaires,
par les algorithmes propriétaires,
20:56
the structural challenge
of machine learning's opacity,
of machine learning's opacity,
364
1244640
3816
le défi structurel de l'opacité
de l'apprentissage des machines,
de l'apprentissage des machines,
21:00
all this indiscriminate data
that's being collected about us.
that's being collected about us.
365
1248480
3400
toutes ces données
aveuglément collectées sur nous.
aveuglément collectées sur nous.
21:05
We have a big task in front of us.
366
1253000
2520
Nous avons devant nous
une tâche importante.
une tâche importante.
21:08
We have to mobilize our technology,
367
1256160
2680
Nous devons mobiliser notre technologie,
21:11
our creativity
368
1259760
1576
notre créativité
21:13
and yes, our politics
369
1261360
1880
et oui, notre science politique
21:16
so that we can build
artificial intelligence
artificial intelligence
370
1264240
2656
pour créer une intelligence artificielle
21:18
that supports us in our human goals
371
1266920
3120
qui soutient nos objectifs humains
21:22
but that is also constrained
by our human values.
by our human values.
372
1270800
3920
mais qui est aussi contrainte
par nos valeurs humaines.
par nos valeurs humaines.
21:27
And I understand this won't be easy.
373
1275600
2160
Je comprends que ce ne sera pas simple.
21:30
We might not even easily agree
on what those terms mean.
on what those terms mean.
374
1278360
3600
Nous ne serons pas facilement d'accord
sur le sens de ces termes.
sur le sens de ces termes.
21:34
But if we take seriously
375
1282920
2400
Mais si nous prenons au sérieux
21:38
how these systems that we
depend on for so much operate,
depend on for so much operate,
376
1286240
5976
le fonctionnement de ces systèmes
dont nous sommes si dépendants,
dont nous sommes si dépendants,
21:44
I don't see how we can postpone
this conversation anymore.
this conversation anymore.
377
1292240
4120
je ne vois pas comment nous pouvons
encore retarder cette conversation.
encore retarder cette conversation.
21:49
These structures
378
1297200
2536
Ces structures organisent
notre fonctionnement
notre fonctionnement
21:51
are organizing how we function
379
1299760
4096
21:55
and they're controlling
380
1303880
2296
et elles contrôlent
ce que nous pouvons faire ou non.
ce que nous pouvons faire ou non.
21:58
what we can and we cannot do.
381
1306200
2616
22:00
And many of these ad-financed platforms,
382
1308840
2456
Beaucoup de ces plateformes
financées par les pubs
financées par les pubs
22:03
they boast that they're free.
383
1311320
1576
se proclament gratuites.
22:04
In this context, it means
that we are the product that's being sold.
that we are the product that's being sold.
384
1312920
4560
Dans ce contexte, ça signifie
que nous sommes le produit qui est vendu.
que nous sommes le produit qui est vendu.
22:10
We need a digital economy
385
1318840
2736
Nous avons besoin
d'une économie numérique
d'une économie numérique
22:13
where our data and our attention
386
1321600
3496
où nos données et notre attention
22:17
is not for sale to the highest-bidding
authoritarian or demagogue.
authoritarian or demagogue.
387
1325120
5080
ne sont pas à vendre à l'autoritariste
ou au démagogue le plus offrant.
ou au démagogue le plus offrant.
22:23
(Applause)
388
1331160
3800
(Applaudissements)
22:30
So to go back to
that Hollywood paraphrase,
that Hollywood paraphrase,
389
1338480
3256
Pour revenir à cette paraphrase
hollywoodienne,
hollywoodienne,
22:33
we do want the prodigious potential
390
1341760
3736
nous voulons que le grand pouvoir
22:37
of artificial intelligence
and digital technology to blossom,
and digital technology to blossom,
391
1345520
3200
de l'intelligence artificielle
et de la technologie numérique fleurisse
et de la technologie numérique fleurisse
22:41
but for that, we must face
this prodigious menace,
this prodigious menace,
392
1349400
4936
mais pour ça , nous devons
faire face à une grande menace,
faire face à une grande menace,
22:46
open-eyed and now.
393
1354360
1936
les yeux ouverts et maintenant.
22:48
Thank you.
394
1356320
1216
Merci.
22:49
(Applause)
395
1357560
4640
(Applaudissements)
ABOUT THE SPEAKER
Zeynep Tufekci - Techno-sociologistTechno-sociologist Zeynep Tufekci asks big questions about our societies and our lives, as both algorithms and digital connectivity spread.
Why you should listen
We've entered an era of digital connectivity and machine intelligence. Complex algorithms are increasingly used to make consequential decisions about us. Many of these decisions are subjective and have no right answer: who should be hired, fired or promoted; what news should be shown to whom; which of your friends do you see updates from; which convict should be paroled. With increasing use of machine learning in these systems, we often don't even understand how exactly they are making these decisions. Zeynep Tufekci studies what this historic transition means for culture, markets, politics and personal life.
Tufekci is a contributing opinion writer at the New York Times, an associate professor at the School of Information and Library Science at University of North Carolina, Chapel Hill, and a faculty associate at Harvard's Berkman Klein Center for Internet and Society.
Her book, Twitter and Tear Gas: The Power and Fragility of Networked Protest, was published in 2017 by Yale University Press. Her next book, from Penguin Random House, will be about algorithms that watch, judge and nudge us.
Zeynep Tufekci | Speaker | TED.com