TEDSummit
Zeynep Tufekci: Machine intelligence makes human morals more important
Zeynep Tufekci: Machine-intelligentie maakt menselijke moraal belangrijker
Filmed:
Readability: 4.9
1,648,711 views
Machine-intelligentie is er en we gebruiken ze al om persoonlijke beslissingen te nemen. Maar de complexe manier waarop AI groeit en verbetert, maakt ze moeilijk te begrijpen en nog moeilijker te beheersen. In deze kritische talk legt techno-socioloog Zeynep Tüfekçi uit hoe intelligente machines kunnen falen op een manier die niet passen in menselijke foutenpatronen -- en wel op een onverwachte manier waarop we niet zijn voorbereid.. "We mogen onze verantwoordelijkheden niet uitbesteden aan machines", zegt ze. "We moeten steeds strakker aan menselijke waarden en menselijke ethiek blijven vasthouden."
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, I started my first job
as a computer programmer
as a computer programmer
0
739
4122
Ik begon mijn eerste baan
als computerprogrammeur
als computerprogrammeur
00:16
in my very first year of college --
1
4885
1956
in mijn eerste jaar aan de universiteit.
00:18
basically, as a teenager.
2
6865
1507
Ik was nog een tiener.
Spoedig nadat ik er begon
00:20
Soon after I started working,
3
8889
1732
met het schrijven
van software voor een bedrijf,
van software voor een bedrijf,
00:22
writing software in a company,
4
10645
1610
00:24
a manager who worked at the company
came down to where I was,
came down to where I was,
5
12799
3635
kwam een manager van het bedrijf
naar me toe en fluisterde:
naar me toe en fluisterde:
00:28
and he whispered to me,
6
16458
1268
00:30
"Can he tell if I'm lying?"
7
18229
2861
"Weet hij of ik lieg?"
00:33
There was nobody else in the room.
8
21806
2077
Er was niemand anders in de kamer.
00:37
"Can who tell if you're lying?
And why are we whispering?"
And why are we whispering?"
9
25032
4389
Ik: "Weet wie dat je liegt?
En waarom fluisteren we?"
En waarom fluisteren we?"
00:42
The manager pointed
at the computer in the room.
at the computer in the room.
10
30266
3107
De manager wees
naar de computer in de kamer.
naar de computer in de kamer.
00:45
"Can he tell if I'm lying?"
11
33397
3096
"Weet hij of ik lieg?"
00:49
Well, that manager was having
an affair with the receptionist.
an affair with the receptionist.
12
37613
4362
Nu had die manager
een affaire met de receptioniste.
een affaire met de receptioniste.
00:53
(Laughter)
13
41999
1112
(Gelach)
00:55
And I was still a teenager.
14
43135
1766
En ik was nog een tiener.
00:57
So I whisper-shouted back to him,
15
45447
2019
Dus fluister-schreeuwde ik naar hem terug:
00:59
"Yes, the computer can tell
if you're lying."
if you're lying."
16
47490
3624
"Ja, de computer weet of je liegt."
01:03
(Laughter)
17
51138
1806
(Gelach)
01:04
Well, I laughed, but actually,
the laugh's on me.
the laugh's on me.
18
52968
2923
Nou, ik lachte, maar op dit moment
zou ik moeten worden uitgelachen.
zou ik moeten worden uitgelachen.
01:07
Nowadays, there are computational systems
19
55915
3268
Tegenwoordig zijn er computersystemen
01:11
that can suss out
emotional states and even lying
emotional states and even lying
20
59207
3548
die emotionele toestanden
en zelfs liegen herkennen
en zelfs liegen herkennen
01:14
from processing human faces.
21
62779
2044
door het interpreteren
van menselijke gezichten.
van menselijke gezichten.
01:17
Advertisers and even governments
are very interested.
are very interested.
22
65248
4153
Adverteerders en zelfs regeringen
zijn zeer geïnteresseerd.
zijn zeer geïnteresseerd.
01:22
I had become a computer programmer
23
70319
1862
Ik was computerprogrammeur geworden
01:24
because I was one of those kids
crazy about math and science.
crazy about math and science.
24
72205
3113
omdat ik een van die kinderen was
die gek zijn op wiskunde en wetenschap.
die gek zijn op wiskunde en wetenschap.
01:27
But somewhere along the line
I'd learned about nuclear weapons,
I'd learned about nuclear weapons,
25
75942
3108
Maar ik leerde wat over kernwapens
01:31
and I'd gotten really concerned
with the ethics of science.
with the ethics of science.
26
79074
2952
en werd echt bezorgd
over de ethiek van de wetenschap.
over de ethiek van de wetenschap.
01:34
I was troubled.
27
82050
1204
Ik was in de war.
01:35
However, because of family circumstances,
28
83278
2641
Door familieomstandigheden
01:37
I also needed to start working
as soon as possible.
as soon as possible.
29
85943
3298
moest ik zo snel mogelijk
aan werk geraken.
aan werk geraken.
01:41
So I thought to myself, hey,
let me pick a technical field
let me pick a technical field
30
89265
3299
Ik dacht, nou, laat me
een technisch gebied uitkiezen
een technisch gebied uitkiezen
01:44
where I can get a job easily
31
92588
1796
waarin ik gemakkelijk een baan kan vinden
01:46
and where I don't have to deal
with any troublesome questions of ethics.
with any troublesome questions of ethics.
32
94408
4018
en waar ik niet hoef in te gaan
op eventuele lastige vragen over ethiek.
op eventuele lastige vragen over ethiek.
01:51
So I picked computers.
33
99022
1529
Dus koos ik voor computers.
01:52
(Laughter)
34
100575
1104
(Gelach)
01:53
Well, ha, ha, ha!
All the laughs are on me.
All the laughs are on me.
35
101703
3410
Nou ja, ha, ha, ha! Lach maar.
01:57
Nowadays, computer scientists
are building platforms
are building platforms
36
105137
2754
Tegenwoordig bouwen
computerwetenschappers systemen
computerwetenschappers systemen
01:59
that control what a billion
people see every day.
people see every day.
37
107915
4209
die elke dag een miljard
mensen controleren.
mensen controleren.
02:05
They're developing cars
that could decide who to run over.
that could decide who to run over.
38
113052
3822
Ze ontwikkelen auto's die zouden
kunnen beslissen wie ze overrijden.
kunnen beslissen wie ze overrijden.
02:09
They're even building machines, weapons,
39
117707
3213
Ze bouwen zelfs machines, wapens,
02:12
that might kill human beings in war.
40
120944
2285
die in de oorlog mensen
zouden kunnen doden.
zouden kunnen doden.
02:15
It's ethics all the way down.
41
123253
2771
Het is ethiek, al wat de klok slaat.
02:19
Machine intelligence is here.
42
127183
2058
Machine-intelligentie is hier.
02:21
We're now using computation
to make all sort of decisions,
to make all sort of decisions,
43
129823
3474
We nemen allerlei beslissingen
aan de hand van berekeningen,
aan de hand van berekeningen,
02:25
but also new kinds of decisions.
44
133321
1886
maar ook nieuwe typen beslissingen.
02:27
We're asking questions to computation
that have no single right answers,
that have no single right answers,
45
135231
5172
We stellen vragen aan de computer
waar niet één enkel antwoord op is,
waar niet één enkel antwoord op is,
02:32
that are subjective
46
140427
1202
die subjectief zijn
02:33
and open-ended and value-laden.
47
141653
2325
met een open einde en waardegeladen.
02:36
We're asking questions like,
48
144002
1758
We stellen vragen als:
02:37
"Who should the company hire?"
49
145784
1650
"Wie moet het bedrijf inhuren?"
02:40
"Which update from which friend
should you be shown?"
should you be shown?"
50
148096
2759
"Welke update van welke vriend
moet je te zien krijgen?"
moet je te zien krijgen?"
02:42
"Which convict is more
likely to reoffend?"
likely to reoffend?"
51
150879
2266
"Welke gevangene heeft
meer kans om te recidiveren?"
meer kans om te recidiveren?"
02:45
"Which news item or movie
should be recommended to people?"
should be recommended to people?"
52
153514
3054
"Welke nieuwsbericht of film
moeten we aanbevelen?"
moeten we aanbevelen?"
02:48
Look, yes, we've been using
computers for a while,
computers for a while,
53
156592
3372
Ik weet dat we al een tijdje
computers gebruiken,
computers gebruiken,
02:51
but this is different.
54
159988
1517
maar dit is anders.
02:53
This is a historical twist,
55
161529
2067
Dit is een historisch keerpunt,
02:55
because we cannot anchor computation
for such subjective decisions
for such subjective decisions
56
163620
5337
omdat we voor dergelijke
subjectieve beslissingen
subjectieve beslissingen
niet op berekeningen kunnen vertrouwen,
03:00
the way we can anchor computation
for flying airplanes, building bridges,
for flying airplanes, building bridges,
57
168981
5420
zoals we dat doen voor het vliegen
van vliegtuigen, het bouwen van bruggen
van vliegtuigen, het bouwen van bruggen
03:06
going to the moon.
58
174425
1259
of naar de maan gaan.
03:08
Are airplanes safer?
Did the bridge sway and fall?
Did the bridge sway and fall?
59
176449
3259
Zijn vliegtuigen veiliger?
Is de brug gaan zwaaien en ingestort?
Is de brug gaan zwaaien en ingestort?
03:11
There, we have agreed-upon,
fairly clear benchmarks,
fairly clear benchmarks,
60
179732
4498
Daar hebben we vrij duidelijke
normen voor afgesproken
normen voor afgesproken
03:16
and we have laws of nature to guide us.
61
184254
2239
en we hebben natuurwetten
om ons te leiden.
om ons te leiden.
03:18
We have no such anchors and benchmarks
62
186517
3394
Dergelijke ijkpunten
en normen hebben we niet
en normen hebben we niet
03:21
for decisions in messy human affairs.
63
189935
3963
voor besluiten in rommelige
menselijke aangelegenheden.
menselijke aangelegenheden.
03:25
To make things more complicated,
our software is getting more powerful,
our software is getting more powerful,
64
193922
4237
Om de zaken nog ingewikkelder te maken,
wordt onze software steeds krachtiger,
wordt onze software steeds krachtiger,
03:30
but it's also getting less
transparent and more complex.
transparent and more complex.
65
198183
3773
maar ook steeds
minder transparant en complexer.
minder transparant en complexer.
03:34
Recently, in the past decade,
66
202542
2040
Recentelijk, in het afgelopen decennium,
03:36
complex algorithms
have made great strides.
have made great strides.
67
204606
2729
hebben complexe algoritmen
grote vooruitgang geboekt.
grote vooruitgang geboekt.
03:39
They can recognize human faces.
68
207359
1990
Ze kunnen menselijke gezichten herkennen.
03:41
They can decipher handwriting.
69
209985
2055
Ze kunnen handschrift ontcijferen.
03:44
They can detect credit card fraud
70
212436
2066
Ze kunnen creditcardfraude detecteren,
03:46
and block spam
71
214526
1189
spam blokkeren
03:47
and they can translate between languages.
72
215739
2037
en vertalingen maken.
03:49
They can detect tumors in medical imaging.
73
217800
2574
Ze kunnen tumoren detecteren
bij medische beeldvorming.
bij medische beeldvorming.
03:52
They can beat humans in chess and Go.
74
220398
2205
Ze kunnen mensen
met schaken en go verslaan.
met schaken en go verslaan.
03:55
Much of this progress comes
from a method called "machine learning."
from a method called "machine learning."
75
223264
4504
Een groot deel van deze vooruitgang
komt van een methode
'machine learning' genaamd.
'machine learning' genaamd.
04:00
Machine learning is different
than traditional programming,
than traditional programming,
76
228175
3187
Machine learning is anders
dan het traditionele programmeren,
dan het traditionele programmeren,
04:03
where you give the computer
detailed, exact, painstaking instructions.
detailed, exact, painstaking instructions.
77
231386
3585
waar je de computer gedetailleerde,
exacte, nauwgezette instructies geeft.
exacte, nauwgezette instructies geeft.
04:07
It's more like you take the system
and you feed it lots of data,
and you feed it lots of data,
78
235378
4182
Het is meer alsof je
het systeem veel data voert,
het systeem veel data voert,
04:11
including unstructured data,
79
239584
1656
ook ongestructureerde data,
04:13
like the kind we generate
in our digital lives.
in our digital lives.
80
241264
2278
zoals we ze genereren
in ons digitale leven.
in ons digitale leven.
04:15
And the system learns
by churning through this data.
by churning through this data.
81
243566
2730
En het systeem leert
door op deze gegeven te broeden.
door op deze gegeven te broeden.
04:18
And also, crucially,
82
246669
1526
Ook van cruciaal belang is
04:20
these systems don't operate
under a single-answer logic.
under a single-answer logic.
83
248219
4380
dat deze systemen niet werken
met een één-antwoord logica.
met een één-antwoord logica.
04:24
They don't produce a simple answer;
it's more probabilistic:
it's more probabilistic:
84
252623
2959
Ze geven geen simpel antwoord;
het is meer probabilistisch:
het is meer probabilistisch:
04:27
"This one is probably more like
what you're looking for."
what you're looking for."
85
255606
3483
"Dit is waarschijnlijk meer wat je zoekt."
04:32
Now, the upside is:
this method is really powerful.
this method is really powerful.
86
260023
3070
Het voordeel is dat deze methode
echt krachtig is.
echt krachtig is.
04:35
The head of Google's AI systems called it,
87
263117
2076
Het hoofd van Google's
AI-systemen noemde het:
AI-systemen noemde het:
04:37
"the unreasonable effectiveness of data."
88
265217
2197
"De onredelijke effectiviteit van data."
04:39
The downside is,
89
267791
1353
Het nadeel is
04:41
we don't really understand
what the system learned.
what the system learned.
90
269738
3071
dat we niet echt begrijpen
wat het systeem leerde.
wat het systeem leerde.
04:44
In fact, that's its power.
91
272833
1587
Dat is in feite zijn kracht.
04:46
This is less like giving
instructions to a computer;
instructions to a computer;
92
274946
3798
Dit lijkt minder op het geven
van instructies aan een computer
van instructies aan een computer
04:51
it's more like training
a puppy-machine-creature
a puppy-machine-creature
93
279200
4064
dan op het trainen
van een puppy-machine-schepsel
van een puppy-machine-schepsel
04:55
we don't really understand or control.
94
283288
2371
dat we niet echt begrijpen of controleren.
04:58
So this is our problem.
95
286362
1551
Dus dit is ons probleem.
05:00
It's a problem when this artificial
intelligence system gets things wrong.
intelligence system gets things wrong.
96
288427
4262
Als het kunstmatige-intelligentie systeem
in de fout gaat, hebben we een probleem.
in de fout gaat, hebben we een probleem.
05:04
It's also a problem
when it gets things right,
when it gets things right,
97
292713
3540
Het is ook een probleem
wanneer het goed werkt,
wanneer het goed werkt,
05:08
because we don't even know which is which
when it's a subjective problem.
when it's a subjective problem.
98
296277
3628
omdat we niet eens weten
wanneer het in de fout gaat
bij een subjectief probleem.
bij een subjectief probleem.
05:11
We don't know what this thing is thinking.
99
299929
2339
We weten niet wat dit ding denkt.
05:15
So, consider a hiring algorithm --
100
303493
3683
Denk eens aan een algoritme
voor aanwerving --
voor aanwerving --
05:20
a system used to hire people,
using machine-learning systems.
using machine-learning systems.
101
308123
4311
een systeem dat wordt gebruikt
om mensen aan te nemen
om mensen aan te nemen
met behulp van machine learning-systemen.
05:25
Such a system would have been trained
on previous employees' data
on previous employees' data
102
313052
3579
Een dergelijk systeem werd getraind
met data van vroegere werknemers
met data van vroegere werknemers
05:28
and instructed to find and hire
103
316655
2591
en geïnstrueerd voor het vinden en inhuren
05:31
people like the existing
high performers in the company.
high performers in the company.
104
319270
3038
van mensen zoals de beste
presteerders in het bedrijf.
presteerders in het bedrijf.
05:34
Sounds good.
105
322814
1153
Klinkt goed.
05:35
I once attended a conference
106
323991
1999
Ik heb eens een conferentie bijgewoond
05:38
that brought together
human resources managers and executives,
human resources managers and executives,
107
326014
3125
met human-resourcesmanagers
en leidinggevenden,
en leidinggevenden,
hoge pieten,
05:41
high-level people,
108
329163
1206
die dergelijke systemen
voor het inhuren gebruiken.
voor het inhuren gebruiken.
05:42
using such systems in hiring.
109
330393
1559
05:43
They were super excited.
110
331976
1646
Ze waren superenthousiast.
05:45
They thought that this would make hiring
more objective, less biased,
more objective, less biased,
111
333646
4653
Ze dachten dat dit het inhuren
objectiever en minder
bevooroordeeld zou maken
bevooroordeeld zou maken
05:50
and give women
and minorities a better shot
and minorities a better shot
112
338323
3000
en vrouwen en minderheden
betere kansen zouden geven
betere kansen zouden geven
05:53
against biased human managers.
113
341347
2188
ten opzichte van vooringenomen
menselijke managers.
menselijke managers.
05:55
And look -- human hiring is biased.
114
343559
2843
En ja -- het inhuren
door mensen is bevooroordeeld.
door mensen is bevooroordeeld.
05:59
I know.
115
347099
1185
Ik weet het.
06:00
I mean, in one of my early jobs
as a programmer,
as a programmer,
116
348308
3005
In een van mijn eerste banen
als programmeur
als programmeur
06:03
my immediate manager would sometimes
come down to where I was
come down to where I was
117
351337
3868
kwam mijn directe manager
soms naar me toe,
soms naar me toe,
06:07
really early in the morning
or really late in the afternoon,
or really late in the afternoon,
118
355229
3753
heel vroeg in de ochtend
of erg laat in de middag,
of erg laat in de middag,
06:11
and she'd say, "Zeynep,
let's go to lunch!"
let's go to lunch!"
119
359006
3062
en zei: "Zeynep, laten we gaan lunchen!"
06:14
I'd be puzzled by the weird timing.
120
362724
2167
Ik was verbaasd over de vreemde timing.
06:16
It's 4pm. Lunch?
121
364915
2129
Het is vier uur in de namiddag. Lunch?
06:19
I was broke, so free lunch. I always went.
122
367068
3094
Ik was blut. Dus gratis lunch?
Ik ging altijd mee.
Ik ging altijd mee.
06:22
I later realized what was happening.
123
370618
2067
Ik besefte pas later wat er loos was.
06:24
My immediate managers
had not confessed to their higher-ups
had not confessed to their higher-ups
124
372709
4546
Mijn directe managers
hadden hun oversten niet verteld
hadden hun oversten niet verteld
dat de programmeur die ze
voor een serieuze baan hadden ingehuurd
voor een serieuze baan hadden ingehuurd
06:29
that the programmer they hired
for a serious job was a teen girl
for a serious job was a teen girl
125
377279
3113
een tienermeisje was
06:32
who wore jeans and sneakers to work.
126
380416
3930
dat op het werk een spijkerbroek
en sportschoenen droeg.
en sportschoenen droeg.
Ik deed mijn werk goed,
ik zag er alleen niet uit
ik zag er alleen niet uit
06:37
I was doing a good job,
I just looked wrong
I just looked wrong
127
385174
2202
06:39
and was the wrong age and gender.
128
387400
1699
en had de verkeerde leeftijd en geslacht.
06:41
So hiring in a gender- and race-blind way
129
389123
3346
Dus inhuren zonder oog
voor geslacht of ras,
voor geslacht of ras,
06:44
certainly sounds good to me.
130
392493
1865
daar kan ik alleen maar blij mee zijn.
06:47
But with these systems,
it is more complicated, and here's why:
it is more complicated, and here's why:
131
395031
3341
Maar met deze systemen
ligt het ingewikkelder en wel hierom:
ligt het ingewikkelder en wel hierom:
06:50
Currently, computational systems
can infer all sorts of things about you
can infer all sorts of things about you
132
398968
5791
momenteel kunnen computersystemen
allerlei dingen over je afleiden
allerlei dingen over je afleiden
06:56
from your digital crumbs,
133
404783
1872
uit je digitale kruimels,
06:58
even if you have not
disclosed those things.
disclosed those things.
134
406679
2333
zelfs als je die dingen niet hebt verteld.
07:01
They can infer your sexual orientation,
135
409506
2927
Ze kunnen je seksuele geaardheid afleiden,
07:04
your personality traits,
136
412994
1306
je persoonlijkheidskenmerken,
07:06
your political leanings.
137
414859
1373
je politieke kleur.
07:08
They have predictive power
with high levels of accuracy.
with high levels of accuracy.
138
416830
3685
Ze kunnen met grote
nauwkeurigheid voorspellen.
nauwkeurigheid voorspellen.
Nogmaals -- ook voor dingen
die je nog niet eens hebt bekendgemaakt.
die je nog niet eens hebt bekendgemaakt.
07:13
Remember -- for things
you haven't even disclosed.
you haven't even disclosed.
139
421362
2578
07:15
This is inference.
140
423964
1591
Dat is inferentie.
07:17
I have a friend who developed
such computational systems
such computational systems
141
425579
3261
Ik heb een vriend die dergelijke
computersystemen heeft ontwikkeld
computersystemen heeft ontwikkeld
07:20
to predict the likelihood
of clinical or postpartum depression
of clinical or postpartum depression
142
428864
3641
om de waarschijnlijkheid van klinische
of postpartumdepressie te voorspellen
of postpartumdepressie te voorspellen
07:24
from social media data.
143
432529
1416
op basis van social-mediagegevens.
07:26
The results are impressive.
144
434676
1427
De resultaten zijn indrukwekkend.
07:28
Her system can predict
the likelihood of depression
the likelihood of depression
145
436492
3357
Haar systeem kan de kans
op depressie voorspellen
op depressie voorspellen
07:31
months before the onset of any symptoms --
146
439873
3903
maanden vóór het begin van de symptomen --
07:35
months before.
147
443800
1373
maanden eerder.
07:37
No symptoms, there's prediction.
148
445197
2246
Geen symptomen, wel een voorspelling.
07:39
She hopes it will be used
for early intervention. Great!
for early intervention. Great!
149
447467
4812
Ze hoopt dat het zal worden gebruikt
voor vroege interventie. Geweldig!
voor vroege interventie. Geweldig!
07:44
But now put this in the context of hiring.
150
452911
2040
Maar bekijk dat nu eens
in het kader van aanwerven.
in het kader van aanwerven.
07:48
So at this human resources
managers conference,
managers conference,
151
456027
3046
Op deze conferentie
voor human-resourcesmanagers
voor human-resourcesmanagers
07:51
I approached a high-level manager
in a very large company,
in a very large company,
152
459097
4709
benaderde ik een vooraanstaande manager
van een zeer groot bedrijf
van een zeer groot bedrijf
07:55
and I said to her, "Look,
what if, unbeknownst to you,
what if, unbeknownst to you,
153
463830
4578
en zei tegen haar:
"Kijk, wat als zonder dat je het weet,
"Kijk, wat als zonder dat je het weet,
08:00
your system is weeding out people
with high future likelihood of depression?
with high future likelihood of depression?
154
468432
6549
je systeem mensen met een hoge
toekomstige kans op depressie uitwiedt?
toekomstige kans op depressie uitwiedt?
08:07
They're not depressed now,
just maybe in the future, more likely.
just maybe in the future, more likely.
155
475761
3376
Ze zijn nu niet depressief,
maar in de toekomst waarschijnlijk wel.
maar in de toekomst waarschijnlijk wel.
08:11
What if it's weeding out women
more likely to be pregnant
more likely to be pregnant
156
479923
3406
Wat als het vrouwen uitwiedt
omdat ze kans hebben om zwanger te worden
omdat ze kans hebben om zwanger te worden
08:15
in the next year or two
but aren't pregnant now?
but aren't pregnant now?
157
483353
2586
in de volgende paar jaar,
maar nu niet zwanger zijn?
maar nu niet zwanger zijn?
08:18
What if it's hiring aggressive people
because that's your workplace culture?"
because that's your workplace culture?"
158
486844
5636
Wat als het agressieve mensen inhuurt,
omdat dat jullie werkplekcultuur is?"
omdat dat jullie werkplekcultuur is?"
Je weet dit niet door te kijken
naar analyses voor geslacht.
naar analyses voor geslacht.
08:25
You can't tell this by looking
at gender breakdowns.
at gender breakdowns.
159
493173
2691
08:27
Those may be balanced.
160
495888
1502
Die kunnen in evenwicht zijn.
08:29
And since this is machine learning,
not traditional coding,
not traditional coding,
161
497414
3557
En aangezien dit machine learning is
en geen traditioneel programmeren,
en geen traditioneel programmeren,
08:32
there is no variable there
labeled "higher risk of depression,"
labeled "higher risk of depression,"
162
500995
4907
is er geen variabele
gelabeld 'groter risico op depressie',
gelabeld 'groter risico op depressie',
08:37
"higher risk of pregnancy,"
163
505926
1833
'hoger risico op zwangerschap'
08:39
"aggressive guy scale."
164
507783
1734
of een 'agressieve-man-schaal'.
08:41
Not only do you not know
what your system is selecting on,
what your system is selecting on,
165
509995
3679
Niet alleen weet je niet
waarop jouw systeem selecteert,
waarop jouw systeem selecteert,
08:45
you don't even know
where to begin to look.
where to begin to look.
166
513698
2323
je weet niet eens
waar je moet gaan zoeken.
waar je moet gaan zoeken.
08:48
It's a black box.
167
516045
1246
Het is een zwarte doos.
08:49
It has predictive power,
but you don't understand it.
but you don't understand it.
168
517315
2807
Het heeft voorspellende kracht,
maar je begrijpt het niet.
maar je begrijpt het niet.
08:52
"What safeguards," I asked, "do you have
169
520486
2369
"Welke garanties", vroeg ik, "heb je
08:54
to make sure that your black box
isn't doing something shady?"
isn't doing something shady?"
170
522879
3673
om ervoor te zorgen dat jouw zwarte doos
geen rare dingen gaat doen?"
geen rare dingen gaat doen?"
09:00
She looked at me as if I had
just stepped on 10 puppy tails.
just stepped on 10 puppy tails.
171
528863
3878
Ze keek me aan alsof ik
op tien puppystaarten tegelijk trapte.
op tien puppystaarten tegelijk trapte.
09:04
(Laughter)
172
532765
1248
(Gelach)
09:06
She stared at me and she said,
173
534037
2041
Ze keek me aan en zei:
09:08
"I don't want to hear
another word about this."
another word about this."
174
536556
4333
"Hier wil ik geen woord meer over horen."
09:13
And she turned around and walked away.
175
541458
2034
En ze draaide zich om en liep weg.
09:16
Mind you -- she wasn't rude.
176
544064
1486
Let wel -- ze was niet onbeleefd.
09:17
It was clearly: what I don't know
isn't my problem, go away, death stare.
isn't my problem, go away, death stare.
177
545574
6308
Het was duidelijk: wat ik niet weet,
is mijn probleem niet, ga weg, lege blik.
is mijn probleem niet, ga weg, lege blik.
09:23
(Laughter)
178
551906
1246
(Gelach)
09:25
Look, such a system
may even be less biased
may even be less biased
179
553862
3839
Kijk, een dergelijk systeem
kan misschien minder bevooroordeeld zijn
kan misschien minder bevooroordeeld zijn
dan menselijke managers,
in sommige opzichten.
in sommige opzichten.
09:29
than human managers in some ways.
180
557725
2103
09:31
And it could make monetary sense.
181
559852
2146
Het kan misschien wel geld besparen.
09:34
But it could also lead
182
562573
1650
Maar het kan ook leiden
09:36
to a steady but stealthy
shutting out of the job market
shutting out of the job market
183
564247
4748
tot een gestage, maar sluipende
uitsluiting uit de arbeidsmarkt
uitsluiting uit de arbeidsmarkt
09:41
of people with higher risk of depression.
184
569019
2293
van mensen met een
hoger risico op depressie.
hoger risico op depressie.
09:43
Is this the kind of society
we want to build,
we want to build,
185
571753
2596
Is dit het soort
samenleving dat we willen,
samenleving dat we willen,
zonder zelfs maar te weten
dat we dat hebben gedaan,
dat we dat hebben gedaan,
09:46
without even knowing we've done this,
186
574373
2285
09:48
because we turned decision-making
to machines we don't totally understand?
to machines we don't totally understand?
187
576682
3964
omdat we besluitvorming
delegeerden naar machines
delegeerden naar machines
die we niet helemaal begrijpen?
09:53
Another problem is this:
188
581265
1458
Een ander probleem is dit:
09:55
these systems are often trained
on data generated by our actions,
on data generated by our actions,
189
583314
4452
deze systemen worden vaak getraind
met data gegenereerd door onze acties,
met data gegenereerd door onze acties,
09:59
human imprints.
190
587790
1816
menselijke indrukken.
10:02
Well, they could just be
reflecting our biases,
reflecting our biases,
191
590188
3808
Nou, die zouden wel eens
onze vooroordelen kunnen weerspiegelen,
onze vooroordelen kunnen weerspiegelen,
10:06
and these systems
could be picking up on our biases
could be picking up on our biases
192
594020
3593
welke die systemen vervolgens
vlekkeloos overnemen,
vlekkeloos overnemen,
10:09
and amplifying them
193
597637
1313
ze versterken
10:10
and showing them back to us,
194
598974
1418
en weer aan ons terugkaatsen,
10:12
while we're telling ourselves,
195
600416
1462
terwijl we onszelf wijsmaken:
10:13
"We're just doing objective,
neutral computation."
neutral computation."
196
601902
3117
"We maken objectieve,
neutrale berekeningen."
neutrale berekeningen."
10:18
Researchers found that on Google,
197
606314
2677
Onderzoekers ontdekten dat op Google
10:22
women are less likely than men
to be shown job ads for high-paying jobs.
to be shown job ads for high-paying jobs.
198
610134
5313
vrouwen minder kans hebben dan mannen
om vacatures voor goedbetaalde banen
te zien te krijgen.
te zien te krijgen.
10:28
And searching for African-American names
199
616463
2530
Het zoeken naar Afro-Amerikaanse namen
10:31
is more likely to bring up ads
suggesting criminal history,
suggesting criminal history,
200
619017
4706
geeft een grotere kans op advertenties
die een criminele geschiedenis suggereren,
10:35
even when there is none.
201
623747
1567
zelfs wanneer er geen is.
10:38
Such hidden biases
and black-box algorithms
and black-box algorithms
202
626693
3549
Dergelijke verborgen vooroordelen
en zwarte-doosalgoritmen,
en zwarte-doosalgoritmen,
10:42
that researchers uncover sometimes
but sometimes we don't know,
but sometimes we don't know,
203
630266
3973
die onderzoekers soms ontdekken
maar soms ook niet,
maar soms ook niet,
10:46
can have life-altering consequences.
204
634263
2661
kunnen iemands leven
diepgaand beïnvloeden.
diepgaand beïnvloeden.
10:49
In Wisconsin, a defendant
was sentenced to six years in prison
was sentenced to six years in prison
205
637958
4159
In Wisconsin werd een verdachte
veroordeeld tot zes jaar gevangenis
veroordeeld tot zes jaar gevangenis
10:54
for evading the police.
206
642141
1355
door te gaan lopen voor de politie.
Misschien weten jullie dit niet,
10:56
You may not know this,
207
644824
1186
10:58
but algorithms are increasingly used
in parole and sentencing decisions.
in parole and sentencing decisions.
208
646034
3998
maar algoritmen
worden steeds meer gebruikt
worden steeds meer gebruikt
bij voorwaardelijke
invrijheidstelling en straftoemeting.
invrijheidstelling en straftoemeting.
11:02
He wanted to know:
How is this score calculated?
How is this score calculated?
209
650056
2955
Hij wilde weten hoe dat
deze score berekend wordt.
deze score berekend wordt.
11:05
It's a commercial black box.
210
653795
1665
Het is een commerciële zwarte doos.
11:07
The company refused to have its algorithm
be challenged in open court.
be challenged in open court.
211
655484
4205
Het bedrijf weigerde
zijn algoritme in een openbare
rechtszitting te laten betwisten.
rechtszitting te laten betwisten.
11:12
But ProPublica, an investigative
nonprofit, audited that very algorithm
nonprofit, audited that very algorithm
212
660396
5532
Maar ProPublica, een onderzoekende
non-profit, testte dat algoritme
non-profit, testte dat algoritme
met openbare gegevens
die ze konden vinden,
die ze konden vinden,
11:17
with what public data they could find,
213
665952
2016
en vond dat de resultaten ervan
bevooroordeeld waren
bevooroordeeld waren
11:19
and found that its outcomes were biased
214
667992
2316
11:22
and its predictive power
was dismal, barely better than chance,
was dismal, barely better than chance,
215
670332
3629
en dat de voorspellende kracht onduidelijk
en nauwelijks beter dan het toeval was.
en nauwelijks beter dan het toeval was.
11:25
and it was wrongly labeling
black defendants as future criminals
black defendants as future criminals
216
673985
4416
Ze labelde zwarte verdachten
onterecht als toekomstige criminelen
onterecht als toekomstige criminelen
11:30
at twice the rate of white defendants.
217
678425
3895
en wel twee keer zo vaak als blanken.
11:35
So, consider this case:
218
683891
1564
Bekijk dit geval:
11:38
This woman was late
picking up her godsister
picking up her godsister
219
686103
3852
deze vrouw was wat laat
om een meisje op te pikken
om een meisje op te pikken
11:41
from a school in Broward County, Florida,
220
689979
2075
op een school in Broward County, Florida.
11:44
running down the street
with a friend of hers.
with a friend of hers.
221
692757
2356
Ze liep op straat met een vriendin.
11:47
They spotted an unlocked kid's bike
and a scooter on a porch
and a scooter on a porch
222
695137
4099
Op een veranda zagen ze
een kinderfiets en een scooter.
een kinderfiets en een scooter.
11:51
and foolishly jumped on it.
223
699260
1632
Zonder nadenken sprongen ze erop.
11:52
As they were speeding off,
a woman came out and said,
a woman came out and said,
224
700916
2599
Terwijl ze wegreden,
kwam een vrouw naar buiten en zei:
kwam een vrouw naar buiten en zei:
11:55
"Hey! That's my kid's bike!"
225
703539
2205
"Hé! Dat is de fiets van mijn kind!"
11:57
They dropped it, they walked away,
but they were arrested.
but they were arrested.
226
705768
3294
Ze lieten hem vallen, liepen door,
maar werden gearresteerd.
maar werden gearresteerd.
12:01
She was wrong, she was foolish,
but she was also just 18.
but she was also just 18.
227
709086
3637
Ze ging in de fout, ze was dom,
maar ze was ook pas 18.
maar ze was ook pas 18.
12:04
She had a couple of juvenile misdemeanors.
228
712747
2544
Ze had een paar
jeugdmisdrijven op haar naam.
jeugdmisdrijven op haar naam.
12:07
Meanwhile, that man had been arrested
for shoplifting in Home Depot --
for shoplifting in Home Depot --
229
715808
5185
Ondertussen werd deze man gearresteerd
voor winkeldiefstal in Home Depot --
voor winkeldiefstal in Home Depot --
12:13
85 dollars' worth of stuff,
a similar petty crime.
a similar petty crime.
230
721017
2924
85 dollar aan spullen,
soortgelijke kleine criminaliteit.
soortgelijke kleine criminaliteit.
12:16
But he had two prior
armed robbery convictions.
armed robbery convictions.
231
724766
4559
Maar hij had twee eerdere veroordelingen
voor gewapende overval.
voor gewapende overval.
12:21
But the algorithm scored her
as high risk, and not him.
as high risk, and not him.
232
729955
3482
Het algoritme scoorde haar
als hoog risico en hem niet.
als hoog risico en hem niet.
12:26
Two years later, ProPublica found
that she had not reoffended.
that she had not reoffended.
233
734746
3874
Twee jaar later vond ProPublica
dat ze niet had gerecidiveerd.
dat ze niet had gerecidiveerd.
12:30
It was just hard to get a job
for her with her record.
for her with her record.
234
738644
2550
Maar ze vond wel moeilijk
een baan met haar strafblad.
een baan met haar strafblad.
12:33
He, on the other hand, did reoffend
235
741218
2076
Hij daarentegen recidiveerde
12:35
and is now serving an eight-year
prison term for a later crime.
prison term for a later crime.
236
743318
3836
en zit nu voor acht jaar in de gevangenis
voor een latere misdaad.
voor een latere misdaad.
12:40
Clearly, we need to audit our black boxes
237
748088
3369
Het is duidelijk dat we
onze zwarte dozen moeten controleren
onze zwarte dozen moeten controleren
12:43
and not have them have
this kind of unchecked power.
this kind of unchecked power.
238
751481
2615
en ze niet dit soort ongecontroleerde
macht moeten geven.
macht moeten geven.
12:46
(Applause)
239
754120
2879
(Applaus)
12:50
Audits are great and important,
but they don't solve all our problems.
but they don't solve all our problems.
240
758087
4242
Audits zijn geweldig en belangrijk,
maar ze lossen niet al onze problemen op.
maar ze lossen niet al onze problemen op.
12:54
Take Facebook's powerful
news feed algorithm --
news feed algorithm --
241
762353
2748
Neem Facebook's krachtige
nieuwsfeed-algoritme --
nieuwsfeed-algoritme --
12:57
you know, the one that ranks everything
and decides what to show you
and decides what to show you
242
765125
4843
je weet wel, hetgeen dat alles sorteert
en beslist wat jij te zien krijgt
en beslist wat jij te zien krijgt
13:01
from all the friends and pages you follow.
243
769992
2284
van alle vrienden
en pagina's die je volgt.
en pagina's die je volgt.
Moet je nog een babyfoto
voorgeschoteld krijgen?
voorgeschoteld krijgen?
13:04
Should you be shown another baby picture?
244
772898
2275
13:07
(Laughter)
245
775197
1196
(Gelach)
13:08
A sullen note from an acquaintance?
246
776417
2596
Een sombere opmerking van een kennis?
13:11
An important but difficult news item?
247
779449
1856
Een belangrijk
maar moeilijk nieuwsbericht?
maar moeilijk nieuwsbericht?
13:13
There's no right answer.
248
781329
1482
Er is geen juist antwoord.
13:14
Facebook optimizes
for engagement on the site:
for engagement on the site:
249
782835
2659
Facebook optimaliseert
voor betrokkenheid op de site:
voor betrokkenheid op de site:
13:17
likes, shares, comments.
250
785518
1415
wat je leuk vindt, deelt
of becommentarieert.
of becommentarieert.
13:20
In August of 2014,
251
788168
2696
In augustus 2014
13:22
protests broke out in Ferguson, Missouri,
252
790888
2662
braken protesten uit
in Ferguson, Missouri,
in Ferguson, Missouri,
13:25
after the killing of an African-American
teenager by a white police officer,
teenager by a white police officer,
253
793574
4417
na het doden van een Afro-Amerikaanse
tiener door een blanke politieagent
tiener door een blanke politieagent
13:30
under murky circumstances.
254
798015
1570
onder duistere omstandigheden.
13:31
The news of the protests was all over
255
799974
2007
Het nieuws van de protesten
was prominent aanwezig
was prominent aanwezig
13:34
my algorithmically
unfiltered Twitter feed,
unfiltered Twitter feed,
256
802005
2685
op mijn algoritmisch
ongefilterde Twitter-feed,
ongefilterde Twitter-feed,
13:36
but nowhere on my Facebook.
257
804714
1950
maar nergens op mijn Facebook.
13:39
Was it my Facebook friends?
258
807182
1734
Waren het mijn Facebookvrienden?
13:40
I disabled Facebook's algorithm,
259
808940
2032
Ik schakelde het Facebookalgoritme uit,
13:43
which is hard because Facebook
keeps wanting to make you
keeps wanting to make you
260
811472
2848
wat moeilijk is,
want Facebook houdt je liever
want Facebook houdt je liever
13:46
come under the algorithm's control,
261
814344
2036
onder de controle van het algoritme.
13:48
and saw that my friends
were talking about it.
were talking about it.
262
816404
2238
Ik zag dat mijn vrienden erover praatten.
13:50
It's just that the algorithm
wasn't showing it to me.
wasn't showing it to me.
263
818666
2509
Maar het algoritme liet het me niet zien.
13:53
I researched this and found
this was a widespread problem.
this was a widespread problem.
264
821199
3042
Ik onderzocht dit en vond dat dit
een wijdverbreid probleem was.
een wijdverbreid probleem was.
13:56
The story of Ferguson
wasn't algorithm-friendly.
wasn't algorithm-friendly.
265
824265
3813
Het verhaal van Ferguson
was niet 'algoritmevriendelijk'.
was niet 'algoritmevriendelijk'.
Het was niet 'sympathiek'.
14:00
It's not "likable."
266
828102
1171
Wie gaat er een 'vind ik leuk' aan geven?
14:01
Who's going to click on "like?"
267
829297
1552
Het is zelfs niet makkelijk
te becommentariëren.
te becommentariëren.
14:03
It's not even easy to comment on.
268
831500
2206
14:05
Without likes and comments,
269
833730
1371
Zonder vind-ik-leuk's en commentaar
14:07
the algorithm was likely showing it
to even fewer people,
to even fewer people,
270
835125
3292
toonde het algoritme het waarschijnlijk
aan nog minder mensen,
aan nog minder mensen,
14:10
so we didn't get to see this.
271
838441
1542
zodat we het niet te zien kregen.
14:12
Instead, that week,
272
840946
1228
In plaats daarvan benadrukte
Facebook's algoritme die week dit:
Facebook's algoritme die week dit:
14:14
Facebook's algorithm highlighted this,
273
842198
2298
14:16
which is the ALS Ice Bucket Challenge.
274
844520
2226
de ALS Ice Bucket Challenge.
14:18
Worthy cause; dump ice water,
donate to charity, fine.
donate to charity, fine.
275
846770
3742
Giet ijswater, doneer
aan een goed doel, allemaal fijn.
aan een goed doel, allemaal fijn.
14:22
But it was super algorithm-friendly.
276
850536
1904
Maar het was uiterst
algoritmevriendelijk.
algoritmevriendelijk.
14:25
The machine made this decision for us.
277
853219
2613
De machine nam die beslissing voor ons.
14:27
A very important
but difficult conversation
but difficult conversation
278
855856
3497
Een zeer belangrijk maar moeilijk gesprek
14:31
might have been smothered,
279
859377
1555
zou zijn gesmoord,
14:32
had Facebook been the only channel.
280
860956
2696
als Facebook het enige kanaal was geweest.
14:36
Now, finally, these systems
can also be wrong
can also be wrong
281
864117
3797
Nu kunnen deze systemen ook verkeerd zijn
14:39
in ways that don't resemble human systems.
282
867938
2736
op een manier die niet
op menselijke systemen lijkt.
op menselijke systemen lijkt.
Herinneren jullie zich Watson,
IBM's machine-intelligentie-systeem
IBM's machine-intelligentie-systeem
14:42
Do you guys remember Watson,
IBM's machine-intelligence system
IBM's machine-intelligence system
283
870698
2922
14:45
that wiped the floor
with human contestants on Jeopardy?
with human contestants on Jeopardy?
284
873644
3128
dat op Jeopardy de vloer aanveegde
met de menselijke deelnemers?
met de menselijke deelnemers?
14:49
It was a great player.
285
877131
1428
Het was een geweldige speler.
14:50
But then, for Final Jeopardy,
Watson was asked this question:
Watson was asked this question:
286
878583
3569
Maar in de finale kreeg Watson deze vraag:
"Zijn grootste luchthaven is vernoemd
naar een held uit WO II,
naar een held uit WO II,
14:54
"Its largest airport is named
for a World War II hero,
for a World War II hero,
287
882659
2932
14:57
its second-largest
for a World War II battle."
for a World War II battle."
288
885615
2252
zijn tweede grootste
naar een slag uit WO II."
naar een slag uit WO II."
14:59
(Hums Final Jeopardy music)
289
887891
1378
(Neuriet Final Jeopardy-muziek)
15:01
Chicago.
290
889582
1182
Chicago.
15:02
The two humans got it right.
291
890788
1370
De twee mensen hadden het goed.
15:04
Watson, on the other hand,
answered "Toronto" --
answered "Toronto" --
292
892697
4348
Maar Watson antwoordde "Toronto" --
15:09
for a US city category!
293
897069
1818
voor een stad van de VS!
15:11
The impressive system also made an error
294
899596
2901
Het indrukwekkende systeem
maakte ook een fout
maakte ook een fout
15:14
that a human would never make,
a second-grader wouldn't make.
a second-grader wouldn't make.
295
902521
3651
die een mens nooit zou maken,
die een zevenjarige niet zou maken.
die een zevenjarige niet zou maken.
15:18
Our machine intelligence can fail
296
906823
3109
Onze machine-intelligentie kan mislukken
15:21
in ways that don't fit
error patterns of humans,
error patterns of humans,
297
909956
3100
op een manier die niet past
in foutpatronen van mensen,
in foutpatronen van mensen,
15:25
in ways we won't expect
and be prepared for.
and be prepared for.
298
913080
2950
op een onverwachte manier
waarop we niet zijn voorbereid.
waarop we niet zijn voorbereid.
15:28
It'd be lousy not to get a job
one is qualified for,
one is qualified for,
299
916054
3638
Het zou stom zijn
om een baan mis te lopen
om een baan mis te lopen
waarvoor je gekwalificeerd bent,
15:31
but it would triple suck
if it was because of stack overflow
if it was because of stack overflow
300
919716
3727
maar het zou driedubbel stom zijn
als het was vanwege een stack overflow
als het was vanwege een stack overflow
15:35
in some subroutine.
301
923467
1432
in de een of andere subroutine.
15:36
(Laughter)
302
924923
1579
(Gelach)
15:38
In May of 2010,
303
926526
2786
In mei 2010
15:41
a flash crash on Wall Street
fueled by a feedback loop
fueled by a feedback loop
304
929336
4044
ontstond een flash crash op Wall Street,
aangewakkerd door een terugkoppeling
aangewakkerd door een terugkoppeling
15:45
in Wall Street's "sell" algorithm
305
933404
3028
in Wall Streets 'verkopen'-algoritme.
15:48
wiped a trillion dollars
of value in 36 minutes.
of value in 36 minutes.
306
936456
4184
Het wiste een biljoen dollar weg
in 36 minuten.
in 36 minuten.
15:53
I don't even want to think
what "error" means
what "error" means
307
941722
2187
Ik wil er niet eens aan denken
wat 'fout' betekent
wat 'fout' betekent
15:55
in the context of lethal
autonomous weapons.
autonomous weapons.
308
943933
3589
als het over dodelijke
autonome wapens gaat.
autonome wapens gaat.
16:01
So yes, humans have always made biases.
309
949894
3790
Dus ja, mensen hebben altijd vooroordelen.
16:05
Decision makers and gatekeepers,
310
953708
2176
Beslissers en bewakers,
16:07
in courts, in news, in war ...
311
955908
3493
in rechtbanken, in het nieuws,
in de oorlog...
in de oorlog...
16:11
they make mistakes;
but that's exactly my point.
but that's exactly my point.
312
959425
3038
maken ze fouten;
maar dat is precies wat ik bedoel.
maar dat is precies wat ik bedoel.
16:14
We cannot escape
these difficult questions.
these difficult questions.
313
962487
3521
We kunnen niet ontsnappen
aan deze moeilijke vragen.
aan deze moeilijke vragen.
16:18
We cannot outsource
our responsibilities to machines.
our responsibilities to machines.
314
966596
3516
We kunnen onze verantwoordelijkheden
niet uitbesteden aan machines.
niet uitbesteden aan machines.
16:22
(Applause)
315
970676
4208
(Applaus)
16:29
Artificial intelligence does not give us
a "Get out of ethics free" card.
a "Get out of ethics free" card.
316
977089
4447
Kunstmatige intelligentie stelt ons
niet vrij van de ethische vraagstukken.
niet vrij van de ethische vraagstukken.
16:34
Data scientist Fred Benenson
calls this math-washing.
calls this math-washing.
317
982742
3381
Datawetenschapper Fred Benenson
noemt dit 'wiskunde-wassen'.
noemt dit 'wiskunde-wassen'.
16:38
We need the opposite.
318
986147
1389
We moeten het tegenovergestelde doen.
16:39
We need to cultivate algorithm suspicion,
scrutiny and investigation.
scrutiny and investigation.
319
987560
5388
Algoritmes verdienen een cultuur
van achterdocht, controle en onderzoek.
van achterdocht, controle en onderzoek.
16:45
We need to make sure we have
algorithmic accountability,
algorithmic accountability,
320
993380
3198
We moeten zorgen
voor algoritmische verantwoording,
voor algoritmische verantwoording,
16:48
auditing and meaningful transparency.
321
996602
2445
auditing en betekenisvolle transparantie.
16:51
We need to accept
that bringing math and computation
that bringing math and computation
322
999380
3234
We moeten accepteren dat het toepassen
van wiskunde en berekening
van wiskunde en berekening
16:54
to messy, value-laden human affairs
323
1002638
2970
op rommelige, waardegeladen
menselijke aangelegenheden
menselijke aangelegenheden
16:57
does not bring objectivity;
324
1005632
2384
geen objectiviteit met zich meebrengt,
17:00
rather, the complexity of human affairs
invades the algorithms.
invades the algorithms.
325
1008040
3633
maar dat de complexiteit van menselijke
aangelegenheden in de algoritmen sluipt.
aangelegenheden in de algoritmen sluipt.
17:04
Yes, we can and we should use computation
326
1012148
3487
Ja, we kunnen en we moeten
berekening gebruiken
berekening gebruiken
17:07
to help us make better decisions.
327
1015659
2014
om ons te helpen
om betere beslissingen te nemen.
om betere beslissingen te nemen.
17:09
But we have to own up
to our moral responsibility to judgment,
to our moral responsibility to judgment,
328
1017697
5332
Maar het uiteindelijke oordeel
blijft onze morele verantwoordelijkheid,
blijft onze morele verantwoordelijkheid,
17:15
and use algorithms within that framework,
329
1023053
2818
en binnen dat kader kunnen
we algoritmen gebruiken,
we algoritmen gebruiken,
17:17
not as a means to abdicate
and outsource our responsibilities
and outsource our responsibilities
330
1025895
4935
niet als een middel om
onze verantwoordelijkheden
onze verantwoordelijkheden
17:22
to one another as human to human.
331
1030854
2454
van mens tot mens te ontlopen.
17:25
Machine intelligence is here.
332
1033807
2609
Machine-intelligentie is hier.
17:28
That means we must hold on ever tighter
333
1036440
3421
Dat betekent dat we
steeds strakker moeten vasthouden
steeds strakker moeten vasthouden
17:31
to human values and human ethics.
334
1039885
2147
aan menselijke waarden
en menselijke ethiek.
en menselijke ethiek.
17:34
Thank you.
335
1042056
1154
Dank je.
17:35
(Applause)
336
1043234
5020
(Applaus)
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