TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Hoe algoritmes onze wereld bepalen
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin stelt dat we leven in een wereld ontworpen voor -- en in toenemende mate gecontroleerd door -- algoritmes. In deze boeiende talk van TEDGlobal, toont hij hoe deze complexe computerprogramma's spionagetactieken, aandelenkoersen, filmscripts en artchitectuur bepalen. En hij waarschuwt dat we codes schrijven die we niet begrijpen, met implicaties die we niet in de hand hebben.
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
Dit is een foto
00:17
by the artist Michael Najjar,
1
2000
2000
van de kunstenaar Michael Najjar,
00:19
and it's real,
2
4000
2000
en het is echt,
00:21
in the sense that he went there to Argentina
3
6000
2000
in de zin dat hij naar Argentinië gereisd is
00:23
to take the photo.
4
8000
2000
om de foto te nemen.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Maar het is ook fictie. Er is nadien veel werk in gestopt.
00:28
And what he's done
6
13000
2000
Wat hij gedaan heeft,
00:30
is he's actually reshaped, digitally,
7
15000
2000
is digitaal de contouren
00:32
all of the contours of the mountains
8
17000
2000
van de bergen veranderen
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
in het verloop van de Dow-Jonesindex.
00:37
So what you see,
10
22000
2000
Dus wat je ziet,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
die hoge top, gevolgd door dat dal,
00:41
is the 2008 financial crisis.
12
26000
2000
is de financiële crisis van 2008.
00:43
The photo was made
13
28000
2000
De foto werd gemaakt
00:45
when we were deep in the valley over there.
14
30000
2000
toen we diep in dat dal zaten.
00:47
I don't know where we are now.
15
32000
2000
Ik weet niet waar we nu zitten.
00:49
This is the Hang Seng index
16
34000
2000
Dit is de Hang-Sengindex
00:51
for Hong Kong.
17
36000
2000
van Hong Kong.
00:53
And similar topography.
18
38000
2000
Gelijkaardige topografie.
00:55
I wonder why.
19
40000
2000
Hoe zou dat kunnen.
00:57
And this is art. This is metaphor.
20
42000
3000
Dit is kunst. Het is beeldspraak.
01:00
But I think the point is
21
45000
2000
Maar ik denk dat
01:02
that this is metaphor with teeth,
22
47000
2000
dit beeldspraak is met tanden.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
Het is met deze tanden dat ik wil voorstellen
01:07
that we rethink a little bit
24
52000
2000
dat we eens nadenken over
01:09
about the role of contemporary math --
25
54000
3000
de rol van wiskunde tegenwoordig --
01:12
not just financial math, but math in general.
26
57000
3000
niet slechts financiële wiskunde, maar wiskunde in het algemeen.
01:15
That its transition
27
60000
2000
Haar verandering
01:17
from being something that we extract and derive from the world
28
62000
3000
van iets dat we onttrekken aan en afleiden uit de wereld
01:20
to something that actually starts to shape it --
29
65000
3000
naar iets dat de wereld begint te vormen --
01:23
the world around us and the world inside us.
30
68000
3000
de wereld rondom ons en de wereld in ons.
01:26
And it's specifically algorithms,
31
71000
2000
Het gaat specifiek over algoritmes,
01:28
which are basically the math
32
73000
2000
hetgeen de wiskunde is
01:30
that computers use to decide stuff.
33
75000
3000
die computers gebruiken om beslissingen te nemen.
01:33
They acquire the sensibility of truth
34
78000
2000
Ze verwerven de logica van waarheid
01:35
because they repeat over and over again,
35
80000
2000
want ze herhalen zich keer op keer.
01:37
and they ossify and calcify,
36
82000
3000
Ze verstenen en verkalken,
01:40
and they become real.
37
85000
2000
en ze worden werkelijk.
01:42
And I was thinking about this, of all places,
38
87000
3000
Ik dacht hierover na tijdens
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
een transatlantische vlucht, enkele jaren geleden,
01:48
because I happened to be seated
40
93000
2000
want ik werd geplaatst naast
01:50
next to a Hungarian physicist about my age
41
95000
2000
een Hongaarse natuurkundige van mijn leeftijd
01:52
and we were talking
42
97000
2000
en we spraken over
01:54
about what life was like during the Cold War
43
99000
2000
hoe het leven tijdens de koude oorlog er uitzag
01:56
for physicists in Hungary.
44
101000
2000
voor natuurkundigen in Hongarije.
01:58
And I said, "So what were you doing?"
45
103000
2000
Ik vroeg: "Wat deed je zoal?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Hij zei: "We waren voornamelijk stealth aan het breken".
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
Ik zei: "Da's een goeie baan. Dat is interessant.
02:04
How does that work?"
48
109000
2000
Hoe werkt zoiets?"
02:06
And to understand that,
49
111000
2000
Om dit te begrijpen,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
moet je enigszins begrijpen hoe stealth werkt.
02:11
And so -- this is an over-simplification --
51
116000
3000
Dus -- dit is een oversimplificatie --
02:14
but basically, it's not like
52
119000
2000
maar waar het op neerkomt is:
02:16
you can just pass a radar signal
53
121000
2000
je kunt geen radarsignaal dwars door
02:18
right through 156 tons of steel in the sky.
54
123000
3000
156 ton staal laten gaan.
02:21
It's not just going to disappear.
55
126000
3000
Het zal niet zomaar verdwijnen.
02:24
But if you can take this big, massive thing,
56
129000
3000
Maar wanneer je dat grote, solide ding
02:27
and you could turn it into
57
132000
3000
zou kunnen veranderen in
02:30
a million little things --
58
135000
2000
een miljoen kleine dingen --
02:32
something like a flock of birds --
59
137000
2000
iets als een zwerm vogels --
02:34
well then the radar that's looking for that
60
139000
2000
dan zal de radar die ernaar speurt
02:36
has to be able to see
61
141000
2000
in staat moeten zijn om
02:38
every flock of birds in the sky.
62
143000
2000
elke zwerm vogels te zien in de lucht.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
Als je een radar bent, is dat een hondenbaan.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
Hij zei: "Dat klopt... maar dat is als je een radar bent.
02:47
So we didn't use a radar;
65
152000
2000
Dus we gebruikten geen radar;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
we bouwden een zwarte doos die naar elektrische signalen speurde,
02:52
electronic communication.
67
157000
3000
elektronische communicatie.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
Telkens als we een zwerm vogels zagen met elektronische communicatie,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
dachten we: heeft waarschijnlijk iets met de Amerikanen te maken".
03:01
And I said, "Yeah.
70
166000
2000
Ik zei: "Jaah,
03:03
That's good.
71
168000
2000
Da's niet mis.
03:05
So you've effectively negated
72
170000
2000
Dus je hebt feitelijk 60 jaar
03:07
60 years of aeronautic research.
73
172000
2000
aeronautisch onderzoek tenietgedaan.
03:09
What's your act two?
74
174000
2000
Wat is je tweede akte?
03:11
What do you do when you grow up?"
75
176000
2000
Wat ga je doen als je groot bent?"
03:13
And he said,
76
178000
2000
Hij zei:
03:15
"Well, financial services."
77
180000
2000
"Nou, financiële diensten."
03:17
And I said, "Oh."
78
182000
2000
Ik zei: "Oh."
03:19
Because those had been in the news lately.
79
184000
3000
Want die waren de laatste tijd in het nieuws geweest.
03:22
And I said, "How does that work?"
80
187000
2000
Ik zei: "Hoe werkt dat?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Hij zei: "Nou, er werken tegenwoordig 2000 natuurkundigen op Wall Street;
03:26
and I'm one of them."
82
191000
2000
ik ben er eentje van".
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Ik zei: "Wat is de Zwarte Doos voor Wall Street?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
Hij zei: "Dat is ook toevallig...
03:33
because it's actually called black box trading.
85
198000
3000
Het heet namelijk "black box-handel".
03:36
And it's also sometimes called algo trading,
86
201000
2000
Het wordt ook wel algohandel genoemd,
03:38
algorithmic trading."
87
203000
3000
algoritmische handel".
03:41
And algorithmic trading evolved in part
88
206000
3000
Algoritmische handel werd ontwikkeld, deels
03:44
because institutional traders have the same problems
89
209000
3000
omdat institutionele handelaren dezelfde problemen hebben
03:47
that the United States Air Force had,
90
212000
3000
als de Amerikaanse luchtmacht had,
03:50
which is that they're moving these positions --
91
215000
3000
namelijk dat ze posities verplaatsen --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
hetzij Proctor and Gamble of Accenture, wat dan ook --
03:55
they're moving a million shares of something
93
220000
2000
ze sturen een miljoen aandelen van iets
03:57
through the market.
94
222000
2000
door de markt.
03:59
And if they do that all at once,
95
224000
2000
Als ze dat in één keer doen,
04:01
it's like playing poker and going all in right away.
96
226000
2000
lijkt het op een pokerspel waarbij je meteen alles inzet.
04:03
You just tip your hand.
97
228000
2000
Je gooit de boel volledig open.
04:05
And so they have to find a way --
98
230000
2000
Dus moeten ze een manier vinden --
04:07
and they use algorithms to do this --
99
232000
2000
en daar gebruiken ze algoritmes voor --
04:09
to break up that big thing
100
234000
2000
om dat grote ding te splitsen
04:11
into a million little transactions.
101
236000
2000
in een miljoen kleine transacties.
04:13
And the magic and the horror of that
102
238000
2000
De magie en de horror daarvan
04:15
is that the same math
103
240000
2000
is dat dezelfde wiskunde
04:17
that you use to break up the big thing
104
242000
2000
die je gebruikt om het grote te splitsen
04:19
into a million little things
105
244000
2000
in een miljoen kleine dingen,
04:21
can be used to find a million little things
106
246000
2000
gebruikt kan worden om een miljoen kleine dingen
04:23
and sew them back together
107
248000
2000
op te sporen en weer samen te voegen
04:25
and figure out what's actually happening in the market.
108
250000
2000
en uit dokteren wat er nu eigenlijk gebeurt in de markt.
04:27
So if you need to have some image
109
252000
2000
Dus als je een idee wilt hebben van
04:29
of what's happening in the stock market right now,
110
254000
3000
wat er momenteel gebeurt in de aandelenmarkt,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
kun je je een hoop algoritmes voorstellen
04:34
that are basically programmed to hide,
112
259000
3000
die geprogrammeerd zijn om zich te verstoppen,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
en een hoop algoritmes, geprogrammeerd om ze te vinden en te handelen.
04:40
And all of that's great, and it's fine.
114
265000
3000
Dat is allemaal mooi en goed.
04:43
And that's 70 percent
115
268000
2000
Het is goed voor 70 procent
04:45
of the United States stock market,
116
270000
2000
van de Amerikaanse aandelenmarkt,
04:47
70 percent of the operating system
117
272000
2000
70 procent van het besturingssysteem
04:49
formerly known as your pension,
118
274000
3000
voorheen bekend als je pensioen,
04:52
your mortgage.
119
277000
3000
je hypotheek.
04:55
And what could go wrong?
120
280000
2000
Wat zou er mis kunnen gaan?
04:57
What could go wrong
121
282000
2000
Wat er mis kon gaan,
04:59
is that a year ago,
122
284000
2000
is dat een jaar geleden
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
9 procent van de totale markt zomaar verdwijnt binnen vijf minuten.
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
Ze noemen het de flash crash van 2u45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Opeens is 9 procent weg,
05:10
and nobody to this day
126
295000
2000
en tot op heden is niemand
05:12
can even agree on what happened
127
297000
2000
het er zelfs maar over eens wat er gebeurde,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
want niemand had de opdracht gegeven, niemand vroeg erom.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Niemand had enige controle over wat er gebeurde.
05:20
All they had
130
305000
2000
Alles wat ze hadden,
05:22
was just a monitor in front of them
131
307000
2000
was een monitor voor zich
05:24
that had the numbers on it
132
309000
2000
met daarop de cijfers
05:26
and just a red button
133
311000
2000
en een rode knop
05:28
that said, "Stop."
134
313000
2000
met daarop "Stop".
05:30
And that's the thing,
135
315000
2000
En dat is het punt.
05:32
is that we're writing things,
136
317000
2000
We schrijven dingen
05:34
we're writing these things that we can no longer read.
137
319000
3000
die we niet langer kunnen lezen.
05:37
And we've rendered something
138
322000
2000
We hebben iets gemaakt
05:39
illegible,
139
324000
2000
dat onleesbaar is.
05:41
and we've lost the sense
140
326000
3000
We hebben alle zicht verloren
05:44
of what's actually happening
141
329000
2000
op wat er werkelijk gebeurt
05:46
in this world that we've made.
142
331000
2000
in die wereld die we gemaakt hebben.
05:48
And we're starting to make our way.
143
333000
2000
We beginnen nu hier een begin te maken.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Er is een bedrijf in Boston genaamd Nanex,
05:53
and they use math and magic
145
338000
2000
en zij gebruiken wiskunde en magie
05:55
and I don't know what,
146
340000
2000
en weet ik wat niet allemaal,
05:57
and they reach into all the market data
147
342000
2000
en ze graaien in de handelsgegevens
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
en vinden soms daadwerkelijk deze algoritmes.
06:02
And when they find them they pull them out
149
347000
3000
Dan trekken ze die eruit
06:05
and they pin them to the wall like butterflies.
150
350000
3000
en prikken ze aan de muur als een vlinder.
06:08
And they do what we've always done
151
353000
2000
Ze doen wat we altijd gedaan hebben
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
als we voor massa's gegevens staan die we niet snappen --
06:13
which is that they give them a name
153
358000
2000
ze geven ze een naam
06:15
and a story.
154
360000
2000
en een verhaal.
06:17
So this is one that they found,
155
362000
2000
Dit is er een dat ze vonden,
06:19
they called the Knife,
156
364000
4000
genaamd het Mes,
06:23
the Carnival,
157
368000
2000
het Carnaval,
06:25
the Boston Shuffler,
158
370000
4000
de Boston Shuffler,
06:29
Twilight.
159
374000
2000
Schemering.
06:31
And the gag is
160
376000
2000
De grap is
06:33
that, of course, these aren't just running through the market.
161
378000
3000
dat deze zich uiteraard niet slechts door de markt bewegen.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Je kunt deze dingen vinden waar je maar kijkt,
06:39
once you learn how to look for them.
163
384000
2000
als je weet waarop je moet letten.
06:41
You can find it here: this book about flies
164
386000
3000
Je kunt het hier zien: dit boek over vliegen
06:44
that you may have been looking at on Amazon.
165
389000
2000
waarnaar je misschien gekeken hebt op Amazon.
06:46
You may have noticed it
166
391000
2000
Het is je misschien opgevallen
06:48
when its price started at 1.7 million dollars.
167
393000
2000
toen de prijs begon bij 1,7 miljoen dollar.
06:50
It's out of print -- still ...
168
395000
2000
Van een uitverkochte editie -- dan nog...
06:52
(Laughter)
169
397000
2000
(Gelach)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Als je het had gekocht voor 1,7 was dat een koopje geweest.
06:57
A few hours later, it had gone up
171
402000
2000
Een paar uur later was de prijs gestegen
06:59
to 23.6 million dollars,
172
404000
2000
tot 23,6 miljoen dollar,
07:01
plus shipping and handling.
173
406000
2000
plus verzendkosten.
07:03
And the question is:
174
408000
2000
Het probleem is:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Niemand kocht of verkocht iets; wat gebeurde er?
07:07
And you see this behavior on Amazon
176
412000
2000
Je ziet dit soort gedrag net zo makkelijk
07:09
as surely as you see it on Wall Street.
177
414000
2000
op Amazon als op Wall Street.
07:11
And when you see this kind of behavior,
178
416000
2000
Wanneer je dit ziet,
07:13
what you see is the evidence
179
418000
2000
aanschouw je het bewijs
07:15
of algorithms in conflict,
180
420000
2000
van algoritmes in conflict,
07:17
algorithms locked in loops with each other,
181
422000
2000
algoritmes die in rondjes met elkaar draaien
07:19
without any human oversight,
182
424000
2000
zonder enig menselijk toezicht,
07:21
without any adult supervision
183
426000
3000
zonder ouderlijk toezicht
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
dat zegt: "Weet je, 1,7 miljoen is wel genoeg".
07:27
(Laughter)
185
432000
3000
(Gelach)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Zoals het bij Amazon is, is het ook met Netflix.
07:33
And so Netflix has gone through
187
438000
2000
Netflix heeft verscheidene algoritmes
07:35
several different algorithms over the years.
188
440000
2000
versleten de afgelopen jaren.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Ze begonnen met Cinematch, en ze hebben er nog een paar geprobeerd.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Er was Dinosaur Planet, er was Gravity.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Nu gebruiken ze Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Pragmatic Chaos heeft, net als alle Netflix-algoritmes,
07:46
trying to do the same thing.
193
451000
2000
hetzelfde doel.
07:48
It's trying to get a grasp on you,
194
453000
2000
Het probeert grip te krijgen op jou,
07:50
on the firmware inside the human skull,
195
455000
2000
op de firmware in de menselijke schedel,
07:52
so that it can recommend what movie
196
457000
2000
zodat het kan aanraden welke film
07:54
you might want to watch next --
197
459000
2000
je vervolgens zou kunnen bekijken --
07:56
which is a very, very difficult problem.
198
461000
3000
hetgeen een zeer moeilijk probleem is.
07:59
But the difficulty of the problem
199
464000
2000
Maar de moeilijkheid van het probleem
08:01
and the fact that we don't really quite have it down,
200
466000
3000
en het feit dat we het nog niet echt beheersen,
08:04
it doesn't take away
201
469000
2000
doet niets af aan het effect
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
dat Pragmatic Chaos heeft.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Pragmatic Chaos bepaalt, net als de andere
08:11
determines, in the end,
204
476000
2000
Netflix-algoritmes, uiteindelijk
08:13
60 percent
205
478000
2000
voor 60 procent
08:15
of what movies end up being rented.
206
480000
2000
welke films er gehuurd worden.
08:17
So one piece of code
207
482000
2000
Dus één stukje code
08:19
with one idea about you
208
484000
3000
met één idee over jou
08:22
is responsible for 60 percent of those movies.
209
487000
3000
is verantwoordelijk voor 60 procent van al die films.
08:25
But what if you could rate those movies
210
490000
2000
Maar wat als je die films zou kunnen beoordelen
08:27
before they get made?
211
492000
2000
voordat ze gemaakt worden?
08:29
Wouldn't that be handy?
212
494000
2000
Zou dat niet handig zijn?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Welnu, een paar datawetenschappers uit Engeland zijn in Hollywood,
08:34
and they have "story algorithms" --
214
499000
2000
en ze hebben verhaal-algoritmes.
08:36
a company called Epagogix.
215
501000
2000
Het is een bedrijf genaamd Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Je kunt je script er doorheen halen,
08:41
and they can tell you, quantifiably,
217
506000
2000
en dan vertellen zij je
08:43
that that's a 30 million dollar movie
218
508000
2000
of dat een 30-miljoen-dollarfilm
08:45
or a 200 million dollar movie.
219
510000
2000
of een 200-miljoen-dollarfilm is.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
Het punt is: dit is niet Google.
08:49
This isn't information.
221
514000
2000
Dit is geen informatie.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Dit zij geen financiële statistieken; dit is cultuur.
08:53
And what you see here,
223
518000
2000
Wat je hier ziet,
08:55
or what you don't really see normally,
224
520000
2000
of wat je niet ziet, normaal gesproken,
08:57
is that these are the physics of culture.
225
522000
4000
is dat dit de natuurkunde van de cultuur is.
09:01
And if these algorithms,
226
526000
2000
Als deze algoritmes,
09:03
like the algorithms on Wall Street,
227
528000
2000
net als die van Wall Street,
09:05
just crashed one day and went awry,
228
530000
3000
op een dag zouden crashen en doordraaien,
09:08
how would we know?
229
533000
2000
hoe zouden we dat dan kunnen weten?
09:10
What would it look like?
230
535000
2000
Hoe zou het er uitzien?
09:12
And they're in your house. They're in your house.
231
537000
3000
Ze zitten in je huis. In je huis.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Dit zijn twee algoritmes die wedijveren om je woonkamer.
09:17
These are two different cleaning robots
233
542000
2000
Dit zijn twee verschillende schoonmaakrobots
09:19
that have very different ideas about what clean means.
234
544000
3000
met heel verschillende ideeën over wat schoon betekent.
09:22
And you can see it
235
547000
2000
Dat kun je zien
09:24
if you slow it down and attach lights to them,
236
549000
3000
als je er lampjes op monteert.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Ze lijken op geheime architectjes in je slaapkamer.
09:30
And the idea that architecture itself
238
555000
3000
Het idee dat architectuur zelf
09:33
is somehow subject to algorithmic optimization
239
558000
2000
doelwit is van algoritmische optimalisatie
09:35
is not far-fetched.
240
560000
2000
is niet vergezocht.
09:37
It's super-real and it's happening around you.
241
562000
3000
Het is de realiteit en het gebeurt om je heen.
09:40
You feel it most
242
565000
2000
Je voelt het vooral
09:42
when you're in a sealed metal box,
243
567000
2000
wanneer je in een gesloten metalen doos zit,
09:44
a new-style elevator;
244
569000
2000
een lift-nieuwe-stijl,
09:46
they're called destination-control elevators.
245
571000
2000
zogenaamde 'destination control'-liften.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Dat zijn degene waarbij je moet aangeven naar welke verdieping je wilt,
09:51
before you get in the elevator.
247
576000
2000
vóórdat je de lift binnenstapt.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Het gebruikt een zogenaamd bin packing algoritme.
09:55
So none of this mishegas
249
580000
2000
Dus niet de gebruikelijke chaos
09:57
of letting everybody go into whatever car they want.
250
582000
2000
waarbij iedereen maar lukraak een lift binnenstapt.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Iedereen die naar de 10de etage wil, stapt in lift twee,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
en iedereen die naar de derde verdieping wil, stapt in lift vijf.
10:04
And the problem with that
253
589000
2000
Het probleem hiermee
10:06
is that people freak out.
254
591000
2000
is dat mensen op tilt slaan.
10:08
People panic.
255
593000
2000
Mensen raken in paniek.
10:10
And you see why. You see why.
256
595000
2000
En je ziet waarom. Je ziet waarom.
10:12
It's because the elevator
257
597000
2000
Dat is omdat de lift
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
belangrijke instrumenten mist, zoals de knoppen.
10:17
(Laughter)
259
602000
2000
(Gelach)
10:19
Like the things that people use.
260
604000
2000
De dingen die mensen gebruiken.
10:21
All it has
261
606000
2000
Wat er wel is,
10:23
is just the number that moves up or down
262
608000
3000
is enkel een getal dat hoger of lager wordt
10:26
and that red button that says, "Stop."
263
611000
3000
en die rode knop waarop "Stop" staat.
10:29
And this is what we're designing for.
264
614000
3000
Dat is waarvoor we ontwerpen.
10:32
We're designing
265
617000
2000
We ontwerpen
10:34
for this machine dialect.
266
619000
2000
voor dit machinedialect.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Hoe ver kun je dat doordrijven? Hoe ver ?
10:39
You can take it really, really far.
268
624000
2000
Je kunt het heel, heel ver doordrijven.
10:41
So let me take it back to Wall Street.
269
626000
3000
Laten we even teruggaan naar Wall Street.
10:45
Because the algorithms of Wall Street
270
630000
2000
Want de algoritmes van Wall Street
10:47
are dependent on one quality above all else,
271
632000
3000
zijn boven alles afhankelijk van één factor,
10:50
which is speed.
272
635000
2000
en dat is snelheid.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Ze opereren op millisecondes en microsecondes.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Om je een idee te geven wat een microseconde is,
10:57
it takes you 500,000 microseconds
275
642000
2000
het kost jou 500.000 microseconden
10:59
just to click a mouse.
276
644000
2000
om met een muis te klikken.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Maar als je een Wall-Streetalgoritme bent,
11:03
and you're five microseconds behind,
278
648000
2000
en je bent 5 microseconden te laat,
11:05
you're a loser.
279
650000
2000
ben je een loser.
11:07
So if you were an algorithm,
280
652000
2000
Dus als je een algoritme was,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
zou je op zoek gaan naar de architect die ik in Frankfurt ontmoette,
11:12
who was hollowing out a skyscraper --
282
657000
2000
die een wolkenkrabber aan het uithollen was --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
alle meubilair eruit, alle infrastructuur voor menselijk gebruik,
11:17
and just running steel on the floors
284
662000
3000
en enkel staal op de vloeren
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
als voorbereiding op de komst van de servertorens --
11:23
all so an algorithm
286
668000
2000
allemaal zodat een algoritme
11:25
could get close to the Internet.
287
670000
3000
dichtbij het internet komt te zitten.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Je denkt aan het internet als een verspreid systeem.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Dat is het ook, maar het wordt verspreid vanaf bepaalde plekken.
11:34
In New York, this is where it's distributed from:
290
679000
2000
In New York is dit de bron van de verspreiding:
11:36
the Carrier Hotel
291
681000
2000
het Carrier Hotel
11:38
located on Hudson Street.
292
683000
2000
gelegen in Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
Dit is werkelijk waar de kabels de stad binnen komen.
11:43
And the reality is that the further away you are from that,
294
688000
4000
De realiteit is dat hoe verder je daar vandaan zit,
11:47
you're a few microseconds behind every time.
295
692000
2000
hoe meer microseconden je elke keer later bent.
11:49
These guys down on Wall Street,
296
694000
2000
Deze jongens in Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo en Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
zijn 8 microseconden later
11:55
behind all these guys
299
700000
2000
dan al die lui die in
11:57
going into the empty buildings being hollowed out
300
702000
4000
die lege gebouwen trekken, die uitgehold worden
12:01
up around the Carrier Hotel.
301
706000
2000
rondom het Carrier Hotel.
12:03
And that's going to keep happening.
302
708000
3000
Dat zal blijven gebeuren.
12:06
We're going to keep hollowing them out,
303
711000
2000
We gaan ze blijven uithollen,
12:08
because you, inch for inch
304
713000
3000
want centimeter voor centimeter
12:11
and pound for pound and dollar for dollar,
305
716000
3000
en pond voor pond en dollar voor dollar --
12:14
none of you could squeeze revenue out of that space
306
719000
3000
niemand van jullie zou omzet uit die ruimte kunnen persen
12:17
like the Boston Shuffler could.
307
722000
3000
zoals de Boston Shuffler dat kan.
12:20
But if you zoom out,
308
725000
2000
Maar als je uitzoomt,
12:22
if you zoom out,
309
727000
2000
als je uitzoomt,
12:24
you would see an 825-mile trench
310
729000
4000
zou je een 1300 km lange geul zien
12:28
between New York City and Chicago
311
733000
2000
tussen New York City en Chicago
12:30
that's been built over the last few years
312
735000
2000
die gegraven is in de afgelopen jaren
12:32
by a company called Spread Networks.
313
737000
3000
door een bedrijf genaamd Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
Dit is een glasvezelkabel
12:37
that was laid between those two cities
315
742000
2000
die gelegd werd tussen die twee steden,
12:39
to just be able to traffic one signal
316
744000
3000
enkel om één signaal te vervoeren,
12:42
37 times faster than you can click a mouse --
317
747000
3000
dat 37x sneller gaat dan jij met een muis kunt klikken --
12:45
just for these algorithms,
318
750000
3000
enkel voor deze algoritmes,
12:48
just for the Carnival and the Knife.
319
753000
3000
enkel voor het Carnaval en het Mes.
12:51
And when you think about this,
320
756000
2000
Als je bedenkt
12:53
that we're running through the United States
321
758000
2000
dat we door de Verenigde Staten trekken
12:55
with dynamite and rock saws
322
760000
3000
met dynamiet en steenzagen
12:58
so that an algorithm can close the deal
323
763000
2000
opdat een algoritme een zakenbeslissing
13:00
three microseconds faster,
324
765000
3000
3 microseconden sneller kan nemen,
13:03
all for a communications framework
325
768000
2000
binnen een communicatie-omgeving
13:05
that no human will ever know,
326
770000
4000
die geen mens ooit zal kennen,
13:09
that's a kind of manifest destiny;
327
774000
3000
is dat een soort manifeste lotsbestemming
13:12
and we'll always look for a new frontier.
328
777000
3000
die altijd zal uitzien naar een volgende grens.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Helaas, ons werk staat op ons lijf geschreven.
13:18
This is just theoretical.
330
783000
2000
Dit is slechts theoretisch.
13:20
This is some mathematicians at MIT.
331
785000
2000
Dit zijn enkele wiskundigen van MIT.
13:22
And the truth is I don't really understand
332
787000
2000
De waarheid is dat ik niet echt begrijp
13:24
a lot of what they're talking about.
333
789000
2000
waar ze het soms over hebben.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Dan gaat het over kegels en kwantumverstrengelingen,
13:29
and I don't really understand any of that.
335
794000
2000
en die dingen begrijp ik niet echt.
13:31
But I can read this map,
336
796000
2000
Maar ik kan deze kaart lezen.
13:33
and what this map says
337
798000
2000
Wat deze kaart zegt,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
is dat, als je geld probeert te verdienen waar de rode stippen zijn,
13:38
that's where people are, where the cities are,
339
803000
2000
dat is waar de mensen zijn, waar de steden zijn,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
dan zul je de servers moeten neerzetten op de blauwe stippen
13:43
to do that most effectively.
341
808000
2000
voor een maximale effectiviteit.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
En wat je misschien is opgevallen aan die blauwe stippen
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
is dat veel daarvan midden in de oceaan liggen.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Dus dat gaan we doen, we bouwen luchtbellen of zoiets,
13:54
or platforms.
345
819000
2000
of platforms.
13:56
We'll actually part the water
346
821000
2000
We gaan het water scheiden
13:58
to pull money out of the air,
347
823000
2000
om geld uit de lucht te trekken,
14:00
because it's a bright future
348
825000
2000
want de toekomst lacht je toe
14:02
if you're an algorithm.
349
827000
2000
als je een algoritme bent.
14:04
(Laughter)
350
829000
2000
(Gelach)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Eigenlijk is het niet het geld dat zo interessant is.
14:09
It's what the money motivates,
352
834000
2000
Het is waartoe dat geld aanzet.
14:11
that we're actually terraforming
353
836000
2000
Dat we de aarde aan het
14:13
the Earth itself
354
838000
2000
omvormen zijn
14:15
with this kind of algorithmic efficiency.
355
840000
2000
met dit soort algoritmische efficiëntie.
14:17
And in that light,
356
842000
2000
In dat licht
14:19
you go back
357
844000
2000
ga je terug
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
en je kijkt naar Michael Najjar's foto's,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
en je beseft dat ze geen beeldspraak zijn, maar voorspellingen.
14:26
They're prophecy
360
851000
2000
Ze voorspellen
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
de soort seismische, aardse effecten
14:32
of the math that we're making.
362
857000
2000
van de wiskunde die we scheppen.
14:34
And the landscape was always made
363
859000
3000
Het landschap werd altijd bepaald
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
door een soort vreemde, ongemakkelijke samenwerking
14:40
between nature and man.
365
865000
3000
tussen natuur en mens.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Maar nu is er een derde co-evolutionaire kracht: algoritmes --
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
de Boston Shuffler, het Carnaval.
14:49
And we will have to understand those as nature,
368
874000
3000
Die zullen we als natuur moeten gaan zien.
14:52
and in a way, they are.
369
877000
2000
Op een bepaalde manier zijn ze dat ook.
14:54
Thank you.
370
879000
2000
Dank je wel.
14:56
(Applause)
371
881000
20000
(Applaus)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com